Fish Audio Drama 3 vs Inworld Realtime TTS-2: Jeden czyta scenariusz, a drugi podąża za rozmową

Słowo „Realtime” w Inworld Realtime TTS-2jest deklaracją opóźnienia, a nie opisem tego, co robi model. Produkt Inworld do zamiany mowy na mowę na potrzeby rozmów na żywo to osobna pozycja na własnej stronie z cenami; Realtime TTS-2 to model zamiany tekstu na mowę wystarczająco szybki do interaktywnego użycia. Ta różnica ma znaczenie w momencie, gdy zestawisz go z Fish Audio Drama 3, który został stworzony do przeciwnego zadania — model z 35 miliardami parametrów, którego cała konstrukcja polega na tym, że wpisujesz didaskalia do scenariusza, zanim zostanie wypowiedziane choćby jedno słowo. Zestaw je obok siebie w Artificial Analysis, a podział jest wyjątkowo klarowny: Drama 3 prowadzi w Provider Voice Arena z przewagą 11 punktów, a Inworld prowadzi w Controlled Voice Arena z przewagą 61. Kierunek tej luki mówi więcej o tym, do czego służy każdy z nich, niż którakolwiek z tych liczb osobno.

Dwa produkty, które nigdy nie celowały w to samo

Inworld Realtime TTS-2 rozpoczął się jako badawcza wersja zapoznawcza 2026-05-05 i osiągnął ogólną dostępność 2026-09-02. Argument w momencie GA nie dotyczył wierności: chodziło o to, że model przyjmuje poprzednie tury rozmowy w formie audio i analizuje ton oraz tempo, zanim zdecyduje, jak powinna brzmieć następna kwestia. To funkcja agenta konwersacyjnego. Bot wsparcia, który właśnie usłyszał sfrustrowanego klienta, nie potrzebuje didaskaliów — musi wywnioskować je z tego, co właśnie zostało powiedziane.

Fish Audio Drama 3, opublikowany 2026-10-13, idzie w przeciwnym kierunku. Każda reklamowana przez niego możliwość dotyczy jawnego autorstwa: wskazówki w nawiasach przed frazą, której dotyczą, zdarzenia dźwiękowe i pauzy umieszczane w środku wiersza, sparowane znaczniki zmieniające tylko objęte nimi słowa (szept, wyróżnienie, łagodnie, szybko, wolno, nacisk, z mocą), ustalanie fonemów dla wymowy, znacznik przełączania języka dla pojedynczej frazy, wskazówki napisane w języku innym niż scenariusz oraz dialog wielu mówców w jednym żądaniu poprzez tablicę reference_id ze znacznikami mówcy dla każdej wypowiedzi. Niczego z tej listy nie da się wywnioskować z kontekstu. To wszystko autor po prostu wpisuje.

Uczciwe postawienie sprawy to więc nie „który jest lepszy", ale „jakiej awarii nie możesz tolerować". Potok produkcyjny do dramatu, który musi wyrenderować scenę z dwunastoma postaciami z zachowaniem ciągłości emocjonalnej, nie osiągnie tego na modelu zaprojektowanym do wnioskowania tonu z historii czatu. Agent głosowy, który musi odpowiedzieć w niecałą sekundę, nie osiągnie tego na modelu, który wymaga didaskaliów i 48 GB VRAM. Wąski jest obszar wspólny, w którym oba warianty są naprawdę realne: skryptowana narracja wysokiej jakości dostarczana przez API dla treści interaktywnych — zapowiedzi audiobooków, wstępnie wyrenderowane kwestie NPC, lektor marketingowy, który trzeba regenerować zgodnie z harmonogramem.

Deski, czytane we właściwej kolejności

Obie poniższe liczby odczytano z Artificial Analysis w dniu 2026-10-29:

• Provider Voice Arena — Fish Audio Drama 3 na 6. miejscu z wynikiem 1 278 i odnotowaną na tablicy stawką 15,00 USD za milion znaków; Inworld Realtime TTS-2 na 8. miejscu z wynikiem 1 267 i 20,80 USD. Inworld Realtime TTS-2 Flash zajmuje 19. miejsce na tablicy kontrolnej z wynikiem 1 065.

• Controlled Voice Arena — Fish Audio Drama 3 na 12. miejscu z wynikiem 1,085; Inworld Realtime TTS-2 na 7. miejscu z wynikiem 1,146. Tutaj Inworld ma 61 punktów przewagi.

• Asymetria — 11-punktowa przewaga dostawcy Drama 3 kurczy się i odwraca w momencie, gdy porównanie zostaje przeprowadzone na identycznych głosach referencyjnych, a nie na własnym katalogu każdego dostawcy. Jej przewaga jest w dużej mierze przewagą wśród głosów oferowanych przez Fish Audio; w przypadku Inworld tak nie jest.

• Inna asymetria — dwa wpisy Inworld obejmują szeroki zakres zestawienia: flagowy model z wynikiem 1,146 i Flash z 1,065, czyli 81 punktów różnicy między poziomami tej samej rodziny. Drama 3 nie ma niższego poziomu; albo bierzesz model 35B, albo używasz czegoś innego.

To odwrotny wzorzec względem tych samych dwóch tablic w Google Gemini 3.8 Flash TTS, gdzie model zamknięty wygrał w kategorii głosów dostawcy, a przegrał w kategorii kontrolowanej. Żaden z tych wzorców nie jest szumem; oba przypominają, że pojedyncza liczba z areny opisuje pakiet modelu i biblioteki głosów, a jedynie tablica kontrolowana izoluje model.

Świadomość kontekstu a ukierunkowanie — konkretnie

Ogłoszenie GA dla Inworld Realtime TTS-2 opisuje model, który czyta historię rozmowy — wcześniejsze tury jako audio — i wykorzystuje ją do kształtowania tempa i tonu. To twierdzenie dostawcy, a nie niezależnie oceniana możliwość, a areny Artificial Analysis tego nie testują; testują pojedyncze wypowiedzi względem głosów referencyjnych. Zatem funkcja, którą Inworld faktycznie sprzedaje, jest tą, której obecnie nie mierzy żaden publiczny benchmark. Traktuj to twierdzenie jako obiecujące, ale nieprzetestowane, i testuj je na własnym dialogu, a nie względem rankingu.

Możliwości reżyserskie Drama 3 są wymierne w wąskim sensie: widać zmianę wyniku, gdy zmienisz nawias, a Fish Audio dokumentuje każdą z nich za pomocą przykładowego audio. Funkcją, której nie dorównuje żaden konkurent w tym porównaniu, jest sterowanie niezależne od języka: wskazówka reżyserska zapisana po chińsku przed angielską kwestią, udokumentowana i zademonstrowana. Dla międzynarodowego zespołu postprodukcyjnego to przełom operacyjny, a nie miły dodatek — i coś, co ujawnia się w pilocie w ciągu godziny.

Praktycznym testem dla zespołu wybierającego między nimi jest jedna strona własnego dialogu. Wyrenderuj ją z kontekstem rozmowy Inworld skonfigurowanym tak, jak byłby w środowisku produkcyjnym, oraz wyrenderuj ją z Drama 3 i jawnymi wskazówkami. Wariant, który wygeneruje mniej wierszy wymagających ręcznej poprawki, jest odpowiedzią — i będzie ona inna dla agenta czatu niż dla słuchowiska.

Klonowanie, opóźnienie i liczby, na których można polegać

Natychmiastowe klonowanie głosu Inworld przyjmuje od 5 do 15 sekund audio referencyjnego, a jego wersja beta klonowania profesjonalnego wymaga około 10 minut audio, aby uzyskać klon o wyższej wierności. To dane dostawcy i są na tyle konkretne, że można je przetestować. Klonowanie Fish Audio działa w ramach tego samego systemu kredytów co generowanie, a Drama 3 zużywa te same kredyty co S2.1 Pro w planach subskrypcyjnych — jednak to licencja jest elementem, który się różni: licencja społecznościowa Fish Audio wyraźnie zabrania klonowania głosu prawdziwej osoby bez zgody, podczas gdy warunki Inworld to zwykłe warunki API.

Opóźnienie to dziedzina, w której Inworld jest wyraźnie właściwym narzędziem, a porównanie nie powinno udawać, że jest inaczej. Realtime TTS-2 i jego poziom Flash zostały stworzone z myślą o interaktywnych produktach, przy czym poziom Flash wyceniono 40% poniżej flagowego produktu dokładnie dla tych obciążeń, które go potrzebują. Opublikowana przez Fish Audio wartość szybkości dla Drama 3 to 271 klatek na sekundę na pojedynczym H200 wobec 177 dla S2 — liczba przepustowości dla renderowania wsadowego, a nie czas do pierwszego bajtu dla strumienia na żywo. Jeśli Twoim wymaganiem jest „głos musi zacząć się w obrębie tury konwersacyjnej”, znajdujesz się w produkcie Inworld, i żadna 11-punktowa przewaga Drama 3 jako dostawcy tego nie zmienia.

Cena według stawki, którą faktycznie zapłacisz

Inworld Realtime TTS-2 kosztuje 25,00 USD za milion znaków w trybie na żądanie, a następnie 20,00 USD w planie Creator za 25 USD, 17,50 USD w planie Builder, 15,00 USD w planie Developer i 12,50 USD w planie Growth, natomiast Flash kosztuje 15,00 USD na żądanie, spadając do 7,00 USD w planie Growth. Fish Audio Drama 3 kosztuje 50,00 USD za milion bajtów UTF-8 w cenie regularnej i 10,00 USD podczas promocji premierowej trwającej do 2026-11-12 09:00 czasu PT. W przypadku 100 000-znakowego scenariusza w języku angielskim oznacza to 2,50 USD według stawki Inworld w trybie na żądanie wobec 5,00 USD za Drama 3 w cenie regularnej, czyli 1,00 USD podczas promocji.

Trzy zastrzeżenia powinny znaleźć się w tej arytmetyce, a nie pod nią. Drama 3 rozlicza za bajt UTF-8, więc skrypt w CJK kosztuje wielokrotność tego, co angielski przy tej samej liczbie znaków, podczas gdy stawka za znak w Inworld pozostaje niezmieniona. Nawiasy kierunkowe Drama 3 są rozliczane jako tekst wejściowy, co daje 10–25% wzrostu w przypadku silnie „kierowanego" scenariusza — czyli dokładnie tych scenariuszy, w których potrzebujesz tego modelu. A mechanizm awaryjny Fish Audio działa po cichu: żądanie, w którym brakuje nagłówka modelu lub nie jest on dokładnie zgodny, jest realizowane i rozliczane jako s2.1-pro po 15,00 USD za milion bajtów, zamiast zostać odrzucone.

Porównanie, które przetrwało wszystkie trzy zastrzeżenia, jest krótsze, niż sugerują tabele cen. Według cen katalogowych Inworld kosztuje około połowę stawki Drama 3 za znak angielskiego tekstu i wypada lepiej pod względem kontrolowanych głosów. W czasie promocji Drama 3 kosztuje jedną trzecią ceny Inworld. Kto kieruje się wyłącznie ceną, wybiera datę, a nie produkt.

Żadne z nich nie jest w naszym katalogu, i co to zmienia

Fish Audio Drama 3 i Inworld Realtime TTS-2 są dostępne wyłącznie poprzez API własnych dostawców i platformy zewnętrzne; żaden z nich nie jest jednym z modeli w OrcaRouter, a argument dotyczący routingu dotyczy tutaj reszty stosu, a nie tych dwóch. Produkt głosowy rzadko wywołuje tylko jeden model mowy i nic poza tym — wywołuje LLM, aby uzyskać kwestię, model mowy, aby uzyskać dźwięk, czasem drugi model mowy dla innego segmentu, i malimit czasu. Skonsolidowanie niezwiązanej z mową połowy stosu za jednym kluczem w cenie katalogowej dostawcy bez marży, wraz z automatycznym przełączaniem awaryjnym, dzięki któremu pojedyncza usterka po stronie upstream nie wstrzymuje renderowania, sprawia, że wybór modelu mowy pozostaje decyzją konfiguracyjną, a nie architektoniczną.

W tym konkretnym zestawieniu DSL routingu broni racji bytu w mieszanym potoku: wstępnie renderowane dramatyczne kwestie przez Drama 3 i bieżące tury konwersacyjne przez Inworld, adresowane jako dwie trasy pod jednym kluczem, przy czym wybór jest dokonywany dla każdego segmentu. Fuzja modeli obejmuje przypadek, w którym nie potrafisz zdecydować — wyrenderuj tę samą kwestię przez oba, oceń ją względem referencji i zachowaj zwycięzcę. Żadne z nich nie jest sposobem na obejście ceny któregokolwiek z dostawców. Są sposobem na uniknięcie utrzymywania dwóch integracji, aby zaoszczędzić jedną linię w pliku konfiguracyjnym.

Dla czytelnika, który musi wybrać jedną opcję: Inworld Realtime TTS-2, jeśli mowa ma reagować na rozmowę, jeśli ograniczeniem jest opóźnienie, jeśli chcesz warstwę Flash do pochłaniania obciążenia i jeśli zamknięte API jest dopuszczalne. Fish Audio Drama 3, jeśli mowa jest raczej tworzona niż reaktywna, jeśli wymowa nazw i kodów musi być niezawodna, jeśli wskazówki reżyserskie mają być spisane, jeśli chcesz wagi lub jeśli brief zostanie napisany w języku innym niż scenariusz. 11-punktowa przewaga dostawcy jest najmniej ważną liczbą na tej liście; 61-punktowy kontrolowany deficyt to ten, który należy sprawdzić względem własnych głosów referencyjnych, zanim podejmiesz decyzję.