Fish Audio Drama 3 kontra Gemini 3.8 Flash TTS: Google jest teraz tańszą opcją, co odwraca zwykłą argumentację

Wycen te dwa rozwiązania w przeliczeniu na minutę gotowego audio, a porównanie przestaje przypominać to, które rynek snuje przez cały rok. Google Gemini 3.8 Flash TTS rozlicza się stawką 9,00 USD za milion tokenów audio, a dźwięk jest generowany z szybkością 25 tokenów na sekundę — nieco ponad dwie setne centa na sekundę, czyli około 0,81 USD za godzinę mowy. Fish Audio Drama 3 ma cenę katalogową 50,00 USD za milion bajtów UTF-8, które dokumentacja samego dostawcy utożsamia z około dwunastoma godzinami mowy: około 4,17 USD za godzinę według cennika katalogowego i 0,83 USD za godzinę podczas promocji premierowej, która kończy się 2026-11-12. Zatem flagowy model mowy Google jest pięć razy tańszy niż konkurent z otwartymi wagami, gdy wygaśnie zniżka, a podczas jej trwania kosztuje mniej więcej tyle samo. Typowe ujęcie — że zwinny model otwarty przebija cenowo hiperskalera — jest tutaj dokładnie odwrotne, a zrozumienie, dlaczego tak jest, stanowi sedno decyzji.

Arytmetyka, wystarczająco szczegółowo, by można było sprawdzić.

Jednostką rozliczeniową Google są tokeny, a nie znaki, dlatego liczby w nagłówkach wyglądały mało imponująco na tle dostawców rozliczających tekst za znak. Gemini 3.8 Flash TTS generuje dźwięk z szybkością 25 tokenów na sekundę mowy, w cenie 9,00 USD za milion tokenów do końca 2026 r., a zastępowany przez niego model — Gemini 3.1 Flash TTS Preview — kosztował 20,00 USD za ten sam milion tokenów wyjściowych. Gemini 3.8 Flash-Lite TTS, wydany równolegle 23.09.2026 r., ma krótszą listę języków i jeszcze niższą stawkę, a Artificial Analysis podaje dla celów porównawczych 11,00 USD za milion znaków.

Jednostką rozliczeniową Fish Audio są bajty, a nie znaki, a jego dokumentacja podaje przeliczenie wprost: milion bajtów UTF-8 to około 180 000 angielskich słów, czyli około dwunastu godzin mowy. Przy 50,00 USD za milion bajtów daje to 4,17 USD za godzinę przed doliczeniem jakichkolwiek dodatkowych kosztów. Przy promocyjnej stawce 10,00 USD jest to 0,83 USD. Nawiasy reżyserskie są rozliczane jako tekst wejściowy, więc scenariusz z dużą liczbą wskazówek kosztuje o 10–25% więcej, niż sugeruje liczba słów — a w tym porównaniu każdy nawias jest rozliczany, ponieważ cała idea Drama 3 polega na tym, że wpisujesz wykonanie w scenariusz.

• Cena katalogowa za godzinę mowy — Gemini 3.8 Flash TTS około 0,81 USD; Drama 3 około 4,17 USD.

• Cena promocyjna za godzinę — Gemini 3.8 Flash TTS około 0,81 USD; Drama 3 około 0,83 USD. W praktyce remis.

Jednostka — tokeny na sekundę danych wyjściowych po stronie Google; bajty UTF-8 danych wejściowych po stronie Fish Audio. Obie są rzetelnymi jednostkami. Nie są tą samą jednostką, a każde porównanie „na milion X”, które je miesza bez konwersji, jest szumem.

• Ukryta pułapka — żądanie Drama 3, w którym nagłówek modelu jest nieobecny lub błędnie zapisany, nie kończy się błędem: zostaje przełączone na s2.1-pro i rozliczone po $15.00 za milion bajtów, co oznacza 50% dopłaty względem stawki promocyjnej za zwykłą literówkę.

Co tak naprawdę kupuje cena Google

Niższa cena za godzinę jest interesująca tylko wtedy, gdy wynik jest użyteczny, a niezależne dane liczbowe potwierdzają, że tak jest — i to w konkretnym kształcie. Artificial Analysis plasuje Google Gemini 3.8 Flash TTS na piątym miejscu w Provider Voice Arena z wynikiem Elo 1283 i odnotowaną na tablicy kwotą $16.50 — powyżej Fish Audio Drama 3 z wynikiem 1278 — oraz na dwudziestym czwartym miejscu w Controlled Voice Arena z wynikiem 1053, poniżej Drama 3 z wynikiem 1085. Ten rozdźwięk podsumowuje model w jednym zdaniu: brzmi znakomicie, gdy w grę wchodzą własne głosy Google, a spada do środka tabeli, gdy każdy model jest oceniany na tych samych głosach referencyjnych.

Tablica wyników wymowy przedstawia podobnie wąski obraz. Gemini 3.8 Flash TTS prowadzi wśród wszystkich 31 ocenianych modeli w kategorii odpowiedniości kontekstowej z wynikiem 98,0%, a Drama 3 ma 95,3%. To nie jest słaby punkt tego modelu. Słabym punktem Google w tym porównaniu jest kontrola: Gemini oferuje 30 gotowych głosów studyjnych — w tym Kore i Puck — wraz z pełnym zestawem 130 języków i automatyczną detekcją języka oraz bibliotekę głosów, którą dokumentacja określa jako „setki” w Extended Voice Library, podczas gdy strona marketingowa podaje ponad 2 000. Te liczby nigdy nie zostały zweryfikowane z zewnątrz, a jeśli konkretny głos ma kluczowe znaczenie dla Twojego produktu, przetestowanie tego głosu to jedyna uczciwa odpowiedź, jakiej ktokolwiek może Ci udzielić.

Trzydzieści użytecznych głosów bez klonowania wystarczy do bota wsparcia, lektora produktu czy aplikacji do nauki języków. Nie wystarczy jednak do pipeline'u produkcji dramatycznej, do gry z dwunastoma postaciami, które trzeba obsadzić, ani do żadnej pracy dla klienta, w której głos jest produktem końcowym. To właśnie tę lukę wypełnia Fish Audio — i jest to luka co do rodzaju, a nie co do stopnia.

Co dają otwarte wagi i ile kosztuje cię ich uruchomienie

Fish Audio Drama 3 to 35-miliardowy model typu mixture-of-experts, w którym na token przypada około 3 miliardów aktywnych parametrów, zainicjalizowany na podstawie Qwen3.5-35B-A3B, z 8 z 256 ekspertów routowanych plus jednym wspólnym, czterdzieści warstw w blokach składających się z trzech warstw Gated DeltaNet i jednej warstwy pełnej uwagi z bramkowaniem. Wagi są publikowane w Hugging Face jako fishaudio/drama-3 — około 40 GB w zestawie shardów plus osobny plik codec — a wnioskowanie FP8 wymaga około 48 GB VRAM, bez udokumentowanej ścieżki dla CPU lub ROCm. Serwowanie odbywa się przez SGLang-Omni, a dostawca podaje 271 klatek na sekundę na pojedynczym H200 w porównaniu z 177 dla S2.

Ta sprzętowa pozycja to prawdziwa transakcja. Cena Google’a wynosząca 0,81 USD za godzinę nie obejmuje żadnych nakładów kapitałowych ani kosztów operacyjnych; twoim jedynym kosztem stałym jest żądanie. Promocyjna stawka Drama 3 w wysokości 0,83 USD za godzinę to stawka API, a samodzielne uruchomienie zamienia ją w GPU z 48 GB pamięci, stos serwujący i osobę, która się nim zajmuje. W przypadku katalogu czterdziestu godzin audio miesięcznie API jest oczywiście tańsze. W przypadku kilku tysięcy godzin albo czegokolwiek, co musi działać bez udziału strony trzeciej w obiegu, wagi całkowicie zmieniają sens tej kalkulacji — i są jedyną rzeczą, której Google nie sprzedaje za żadną cenę.

Licencja ma tu również znaczenie, ponieważ to ona oddziela „open weights” od „free”. Drama 3 jest publikowana na warunkach Fish Audio Community License v1.0: bezpłatnie do celów badawczych i niekomercyjnych, bezpłatnie komercyjnie poniżej 500 000 USD rocznego przychodu dla Ciebie i Twoich podmiotów stowarzyszonych, przy czym powyżej tego progu lub w celu oferowania samej Drama 3 jako hostowanej usługi mowy lub klonowania wymagana jest odrębna licencja. Artificial Analysis oznacza ją jako open weights bez pełnych praw do użytku komercyjnego. Warunki Google to zwykłe warunki API, czyli inny zestaw kwestii — obsługa danych, a nie redystrybucja.

Języki i liczba, która robi mniej, niż wygląda

Google twierdzi, że obsługuje 130 języków z automatycznym wykrywaniem na podstawie tekstu. Fish Audio twierdzi, że obsługuje 83, z dołączoną o wiele dziwniejszą możliwością: wskazówki można zapisywać w dowolnym języku i nie muszą one odpowiadać językowi scenariusza, a istnieje udokumentowany tag przełączania języka, który przełącza pojedynczą frazę na inny język w środku wiersza — oznaczony jako eksperymentalny. To różne produkty. Liczba Google dotyczy tego, do ilu rynków można wejść z jedną integracją. Liczba Fish Audio dotyczy tego, jak precyzyjnie można wyprodukować jedną linię przez reżysera, którego język może różnić się od języka scenariusza.

Dla zespołu wdrażającego zlokalizowany produkt 130 przewyższa 83, a automatyczne wykrywanie to realna oszczędność operacyjna — żadnego routingu per język, żadnego wyboru głosu per język. Dla zespołu tworzącego treści w jednym lub dwóch językach dla wymagającej publiczności 83 nie jest ograniczeniem, a możliwość rozpoznawania kierunku w dowolnym języku jest cenniejszą z tych dwóch funkcji. Żadnej z tych liczb nie należy odczytywać jako pozycji w tabeli ligowej; liczba języków deklarowanych przez model nigdy nie korelowała dobrze z tym, jak dobry jest on w języku, którego potrzebujesz.

Gdzie każde z nich znajduje się w stosie routowanym

To jest jeden z nielicznych artykułów w tej serii, w którym strona dostawcy nie jest całkowicie szczera, by to przemilczeć: OrcaRouter kieruje wcześniejsze modele mowy Gemini od Google — google/gemini-3.1-flash-tts-preview i google/gemini-2.5-flash-preview-tts są dziś oba w katalogu — ale nie Google Gemini 3.8 Flash TTS ani Fish Audio Drama 3. Starsze modele Gemini TTS są dostępne przez nas w cenie katalogowej Google, bez marży; dwa modele, o których faktycznie traktuje ten artykuł, są osiągalne poprzez własne API ich dostawców, a w przypadku Fish Audio — poprzez platformy zewnętrzne.

Praktyczną konsekwencją jest to, że większa część rachunku za mowę Google może już znajdować się za jednym kluczem, a warstwa failover sprawia, że porównanie można tanio uruchomić: umieść wersję canary Drama 3 obok wywołania Gemini 3.8 Flash TTS, skieruj ścieżkę produkcyjną do tego wariantu, który przejdzie twój test akceptacyjny, a wybór per segment będzie znajdować się w DSL routingu, a nie w dwóch SDK. Fuzja modeli to kolejna opcja, którą to podsuwa — panel, który renderuje tę samą linię przez oba modele i wybiera zgodnie z regułą, którą zdefiniujesz; w przypadku narracji oznacza to, że możesz zachować wymowę Drama 3 w liniach z kodami, a odczyt kontekstu przez Google w prozie.

Decyzja, mówiąc wprost: w przypadku dużego wolumenu angielskiego bez klonowania i bez apetytu na infrastrukturę Gemini 3.8 Flash TTS w cenie 0,81 USD za godzinę jest tańszym i lepiej brzmiącym modelem na głosach dostawcy, a argument za Drama 3 nie wytrzymuje zetknięcia z cennikiem. W przypadku wszystkiego, co wymaga głosów niestandardowych lub obsadowych, reżyserii słowo po słowie, kontroli fonemów albo możliwości działania bez strony trzeciej, Drama 3 jest jedynym z tych dwóch, który w ogóle jest w stanie podołać zadaniu — w cenie katalogowej kosztuje pięć razy tyle, co Google za godzinę, a podczas promocji kosztuje tyle samo, co sprawia, że najbliższe dwa tygodnie to najtańsze okno, jakie ktokolwiek dostanie, by przekonać się, czy przewaga w wymowie jest warta zbudowania wokół niej rozwiązania.