Fish Audio Drama 3 kontra Ming 3.0 TTS: 91-punktowa przewaga, która znika w starciu ze sklonowanym głosem

Fish Audio Drama 3 prowadzi Ming 3.0 TTS o 91 punktów Elo na liście rankingowej, na której każdy model mówi własnym zestawem głosów, oraz o 17 na liście, na której obu podaje się te same osiem sklonowanych próbek referencyjnych — różnica na tyle niewielka, że ich przedziały ufności się pokrywają. Oba to modele z otwartymi wagami udostępnione w ciągu ostatnich sześciu tygodni, oba są oceniane przez Artificial Analysis, a w jednym teście, w którym człowiek ocenia, czy trudne słowo rzeczywiście zostało poprawnie wymówione, oba osiągają 93,2%. Trzy liczby, przy czym dwie wskazują różne kierunki. To, której uwierzysz, decyduje o tym, który model kupisz, a odpowiedź zależy od tego, czy twój produkt brzmi jak on sam, czy jak ktoś inny.

Dwa wydania, sześć tygodni od siebie, zbudowane w przeciwstawnych skalach

Drama 3 została zapowiedziana 13 października 2026 r. i jest dostępna w API Fish Audio jako drama-3, a jej wagi znajdują się na Hugging Face na nowej licencji społecznościowej. Ming 3.0 TTS pojawił się bardziej dyskretnie i fragmentarycznie: repozytoria InclusionAI na Hugging Face pojawiły się 22 września, wagi 0.5B — 24 września, a kod wnioskowania dopiero 19 października — dlatego Artificial Analysis nie mógł go ocenić przed 20 października. Ant Group nigdy nie opublikowała dla niego wpisu premierowego, nie ma też hostowanego endpointu ani ceny z cennika.

Karty specyfikacji nie są nawet bliskie i to jest pierwsza rzecz, którą trzeba zrozumieć, zanim rankingi zaczną cokolwiek znaczyć.

• Parametry — 35B mieszanka ekspertów z około 3B aktywnych na token, zainicjalizowana z Qwen3.5-35B-A3B, z routingiem 8 z 256 ekspertów plus jednego wspólnego eksperta, w porównaniu z gęstym modelem 0.5B na bazie Qwen2.5-0.5B. Ant dostarcza również MoE o łącznej liczbie 7.9B / 1.3B aktywnych parametrów o nazwie Ming-3.0-tts-tiny, który nie ma żadnego niezależnego wyniku.

• Pokrycie językowe — 83 języki deklarowane dla Drama 3, wobec siedmiu dla checkpointu Ming 0,5B (chiński, angielski, niemiecki, hiszpański, francuski, koreański, japoński) oraz syczuański i kantoński, gdy dostarczysz referencyjny klip w dialekcie.

• Wyjście — 44,1 kHz w obu przypadkach, generowane przez bardzo różne mechanizmy: Drama 3 zachowuje tokenizator Descript Audio Codec swojego poprzednika przy dziesięciu codebookach i około 21,5 klatki na sekundę, natomiast Ming dekoduje ciągły latent za pomocą AudioVAE.

• Wagi i licencja — Drama 3 na warunkach Fish Audio Community License v1.0, bezpłatnie poniżej 500 000 USD rocznego przychodu, a powyżej tej kwoty lub w przypadku odsprzedaży syntezy jako usługi — warunki do negocjacji. Ming 3.0 TTS na licencji MIT, bez żadnego progu przychodowego.

• Cena — US$50 za milion bajtów UTF-8 według ceny katalogowej, z obniżką do US$10 do 12 listopada 2026 r., wobec braku ceny, ponieważ nie ma nic do kupienia: pobierasz checkpoint o rozmiarze 2,96 GB i uruchamiasz go.

Różnica skali działa w obie strony. Rdzeń 35B modelu Drama 3 pozwala mu utrzymać obrany kierunek przez długi scenariusz i obsadzić kilku mówców w jednej scenie, przekazując jeden identyfikator głosu dla każdego mówcy jako tablicę; jest też powodem, dla którego nikt nie umieści go na laptopie. Model Ming 0,5B można uruchomić na jednej skromnej karcie GPU i dostroić na wynajętej.

Dlaczego Artificial Analysis udziela dwóch różnych odpowiedzi

Ranking, który wszyscy cytują w pierwszej kolejności, to Provider Voice Arena — i tam Drama 3 wysunęła się na realne prowadzenie. Według stanu na 29 października zajmuje szóste miejsce wśród 100 modeli z Elo 1,278, a Artificial Analysis wycenia ją na 15 USD za milion znaków w domyślnych ustawieniach. Ming 3.0 TTS jest dwudziesty czwarty z wynikiem 1,187; nie odnotowano ceny, ponieważ nie ma komercyjnego punktu końcowego, który można by odnotować. Różnica 91 punktów w rankingu, którego przedziały ufności wynoszą około ±13 do ±18, nie jest szumem; natywne głosy Drama 3 są preferowane i to wyraźnie. Jedno szczegół z tej samej tabeli wyjaśnia część przyczyny: Artificial Analysis oceniało Ming w zestawieniu z trzema głosami arenowymi, a Drama 3 z ośmioma.

Drugi ranking stawia inne pytanie i przewaga znika. Controlled Voice Arena przydziela każdemu systemowi te same osiem sklonowanych głosów — cztery amerykańskie, cztery brytyjskie — więc porównanie przestaje dotyczyć tego, kto ma lepszych aktorów głosowych, a zaczyna dotyczyć tego, jak dobrze każdy model przybiera cudzy głos. Tam Drama 3 zdobywa 1085 punktów, dwunaste miejsce na 49, z przedziałem od 1069 do 1101. Ming zdobywa 1068 punktów, siedemnaste miejsce, z przedziałem od 1053 do 1083. Przedziały pokrywają się w zakresie od 1069 do 1083. To remis, a twierdzenie inaczej oznaczałoby dopatrywanie się precyzji w badaniu, której ono nie ma.

Zauważ też, że Artificial Analysis wciąż odnotowuje osobną Drama 3 Preview pozycję na tej tablicy z wynikiem 1,063, sklasyfikowaną na dwudziestym miejscu. Wdrożony checkpoint produkcyjny i wersja zapoznawcza wydana we wrześniu są oceniane jako dwa różne systemy, więc porównanie, które powołuje się na „Drama 3", nie mówiąc, o którą pozycję chodzi, nie jest porównaniem. Nasze liczby tutaj dotyczą pozycji produkcyjnej.

Praktyczny wniosek: jeśli Twój produkt dysponuje własną obsadą głosową — lektorem, agentem wsparcia, postacią w grze — przewaga Drama 3 jest realna i duża. Jeśli Twój produkt klonuje głos klienta lub twórcy i mówi tym głosem, oba modele są praktycznie na równym poziomie, a decyzję przesądzają wtedy cena, licencja i pokrycie językowe.

Ten 93,2-procentowy remis w wymowie to cztery różne wyniki.

Oba modele są podawane jako osiągające 93,2% w teście odporności wymowy angielskiej Artificial Analysis — wynik, który ranking opublikował 20 października i który stawiał je wspólnie na pierwszym miejscu spośród 31 systemów oraz przed Eleven v4 z 91,7%. Ten nagłówek był powtarzany wszędzie i ukrywa jedyną część, która ma znaczenie operacyjnie: oba modele zawodzą na przeciwstawnych rodzajach tekstu.

• Dokładne sekwencje — Ming zachowuje je w 90,6%, zajmując pierwsze miejsce wśród 31; równoważny wynik Dramy 3 to 86,3%. Ming lepiej zachowuje numery zamówień, adresy URL, ścieżki plików i kody seryjne.

• Rozwijanie skrótów — Ming 96,5%, również pierwsze miejsce wśród 31, wobec 93,6% dla Drama 3. Daty, jednostki i skróty wymawiane na głos, a nie literowane.

• Terminy samodzielne — Drama 3 uzyskuje 95,9% wobec 88,5% Minga, który plasuje się na 21. miejscu spośród 31. Nazwy marek, nazwy miejsc i słownictwo techniczne to najsilniejsza kategoria Drama 3.

• Kontekstowo właściwe terminy — Drama 3: 95,3%, Ming: 91,0% i trzynaste miejsce na 31.

Słabość modelu Ming w zakresie samodzielnych nazw odzwierciedla jego zasób głosów: 0.5B ma ponad sto wbudowanych głosów chińskich i pięć angielskich, więc obsługa angielskich nazw własnych ma mniej materiału, na którym można się oprzeć. Słabość modelu Drama 3 jest lustrzanym odbiciem — model wyszkolony do dostarczania występu czasami podaje numer kodu jako występ.

Żadna z wartości 93,2% nie pochodzi od dostawcy. Obie pochodzą z tego samego niezależnego zestawu testowego, dlatego w ogóle można je porównywać — i warto powiedzieć, że w tej kategorii jest to rzadkością, ponieważ większość publikowanych tabel błędów słów jest uruchamiana przez laboratoria na ich własnych promptach.

Ile naprawdę kosztuje milion znaków

Drama 3 nalicza opłaty według rozmiaru danych wejściowych: 50 USD za milion bajtów UTF-8, obniżone do 10 USD do 12 listopada 2026 r. o 09:00 czasu pacyficznego. Ten pięciokrotny skok 13 listopada to największa pojedyncza liczba w tym porównaniu i zmienia ranking dwóch modeli pod względem kosztu za ukończoną godzinę w zależności od tego, kiedy się go czyta.

Jest też pułapka rozliczeniowa, o której warto wiedzieć, zanim cokolwiek podłączysz. Drama 3 ma ten sam endpoint POST /v1/tts co S2.1 Pro, a jeśli nagłówka modelu brakuje lub jest źle zapisany, żądanie po cichu przełącza się na s2.1-pro i nalicza Ci za to opłatę. Otrzymujesz wiarygodne audio i żadnego błędu, więc literówka w zmiennej środowiskowej może działać przez tygodnie, zanim ktokolwiek zauważy, że głos jest nieprawidłowy.

Ming nie ma żadnej faktury, co nie jest równoznaczne z tym, że jest darmowy. Płacisz w godzinach GPU i w czasie pracy inżynierów: checkpoint 0.5B ma 2,96 GB, wymaga połączenia ze sobą VAE audio, enkodera mówcy CAM++ i tokenizera, a za nim nie stoi żadne zobowiązanie dostawcy dotyczące wsparcia. Ant opublikował tabele benchmarków i demo Gradio, a nie umowę o poziomie usług.

Tu router jest naprawdę przydatny, a tu naprawdę nie. OrcaRouter przekazuje cenę listową dostawcy z 0% marży, więc promocja dostawcy, taka jak Fish Audio, obowiązuje tego samego dnia dla wszystkiego, co kierujemy — Drama 3 nie jest jednym z nich, podobnie jak Ming. Punkty końcowe mowy, które obecnie oferujemy, to linia Google Gemini TTS oraz OpenAI TTS-1-HD, wszystkie dostępne przez jeden API za pomocą jednego klucza wraz z modelami tekstowymi. Jeśli porównujesz Drama 3 i Ming, żadna warstwa routingu nie będzie udostępniać żadnego z nich dla Ciebie; jeden klucz daje dostęp do reszty potoku wokół nich.

Licencja ma większe znaczenie niż tabela wyników.

MIT kontra Fish Audio Community License v1.0 to najostrzejszy rozłam w tej parze i nie jest to rozłam filozoficzny. Warunki MIT Minga pozwalają dowolnej firmie, niezależnie od wielkości, osadzić model w płatnym produkcie, odsprzedawać go, dostrajać i wdrażać produkt pochodny, bez progu przychodowego i bez rozmów z Ant.

Licencja Drama 3 jest bezpłatna do badań i prac niekomercyjnych, bezpłatna do użytku komercyjnego, dopóki Ty i Twoje podmioty stowarzyszone utrzymujecie się poniżej US$500,000 rocznego przychodu, a powyżej tego progu wymaga wynegocjowanej licencji — lub niezależnie od rozmiaru, jeśli chcesz oferować Drama 3 jako usługę zamiany tekstu na mowę, klonowania lub inferencji. FAQ w samej karcie modelu jest jaśniejsze niż w większości przypadków: gotowe audio dla klientów jest w porządku, konkurencyjne API syntezy już nie.

Jeden szczegół warto sprawdzić, a nie zakładać: metadane Hugging Face dla fishaudio/drama-3 wciąż wskazują fish-audio-research-license, podczas gdy tekst karty opisuje Community License. Jeśli to Ty zatwierdzasz wdrożenie, przeczytaj plik licencji w repozytorium, a nie tag.

W przypadku studia tworzącego słuchowiska próg $500,000 nie stanowi problemu, a klauzula usługowa to ta, którą trzeba przeczytać. Dla firmy, która dodaje funkcję głosową do produktu o przychodach powyżej tego progu, Drama 3 to rozmowa o zakupach, a Ming to po prostu pip install.

Który wybrać?

Głos wsparcia lub transakcyjny, angielski lub chiński. Ming. Wygrywa w dwóch kategoriach, które mają największe znaczenie, gdy bot odczytuje numer zamówienia lub referencję rezerwacji, ma licencję MIT i działa na sprzęcie, który już masz. Remis w kategorii sklonowanego głosu oznacza, że nie rezygnujesz z naturalności, aby to osiągnąć.

Narracja, słuchowisko, scenariusze nasycone markami, wiele języków. Drama 3. Przewaga dostawcy głosu jest realna, nazwy własne to jego najmocniejsza kategoria, a 83 języki wobec siedmiu to nie jest luka, którą nadrobisz inżynierią promptów. Zaplanuj budżet na listopadową zmianę cen i przeczytaj klauzulę umowy serwisowej.

Potok, który już wykonuje wiele ujęć. Drama 3, ale tylko wtedy, gdy faktycznie korzystasz z pętli poprawek. Fish Audio wytrenowało go z modelem nagrody opartym na preferencjach człowieka i przedstawia wieloturową korektę jako sposób na uzyskanie pożądanego wykonania; Ming to model jednorazowy, bez mechanizmu korekty, z którym można by go zestawić, więc struktura ujęć jest powodem, by wybrać Drama 3, a nie powodem, by je porównywać.

Każde wdrożenie, w którym ograniczeniem jest VRAM.Ming, bez dwóch zdań. Mieszanka ekspertów o 35B, której benchmarki przeprowadza się na H200, nie jest modelem, który uruchamiasz, bo jest wygodny.

Co obejrzeć

Trzy daty i jedna luka. 13 listopada wygasa promocyjna cena Drama 3 i US$10 zmienia się w US$50 — pięciokrotna zmiana, która z dnia na dzień uporządkuje na nowo każde porównanie kosztów w tej kategorii. Zanim to nastąpi, obserwuj, czy Artificial Analysis połączy wiersze Drama 3 i Drama 3 Preview, ponieważ ranking, który wymienia jeden model dwukrotnie, zaprasza dokładnie do takiego niestarannego cytowania, którego ten artykuł stara się uniknąć. I wypatruj wyniku dla Ming-3.0-tts-tiny: wariant 7.9B MoE to ten, który Ant faktycznie promuje do generowania podcastów, a na razie ma tylko dane od dostawcy — 0,820% błędu słów w języku chińskim, 6,000% w koreańskim — za którymi nie stoi nic niezależnego.

Uczciwe podsumowanie brzmi: to nie są dwie wersje tego samego produktu. Jedna to mały, objęty liberalną licencją koń roboczy, który akurat jest znakomity dokładnie w tekście psującym systemy głosowe; druga to duży silnik wydajnościowy z ograniczeniami licencyjnymi, który akurat jest najlepiej brzmiącym otwartym modelem w zestawieniu, gdy korzysta z własnej obsady głosowej. Przewaga 91 punktów jest prawdziwa. Po prostu dotyczy pytania, którego większość produktów nigdy nie stawia.