Fish Audio Drama 3 vs VoxCPM2: tabela rankingowa kontra arkusz danych

Fish Audio Drama 3 ma ranking Elo, a VoxCPM2 go nie ma, co uniemożliwia oczywiste porównanie między nimi i sprawia, że to ciekawsze łatwo przeoczyć. Drama 3, zaprezentowana 13 października 2026 r. i od tego czasu oceniana przez Artificial Analysis, zajmuje szóste miejsce na 100 w Provider Voice Arena z wynikiem 1,278. VoxCPM2 nie ma wiersza na żadnej z tablic mowy Artificial Analysis i nie występuje w żadnej z dwóch aren wymienionych na tej stronie. Oba laboratoria publikują natomiast Seed-TTS-eval i tam liczby mówią coś, czego nie potrafiłby przekazać pojedynczy ranking: w przypadku własnego przebiegu każdego dostawcy Drama 3 potrzebuje dwóch przebiegów, by pobić jeden przebieg VoxCPM2. Wybór między tymi dwoma modelami nie dotyczy tak naprawdę jakości. Chodzi o to, czy chcesz silnik wydajnościowy, który wynajmujesz za znak, czy model o dwóch miliardach parametrów, który możesz trzymać.

Jeden ma Elo, drugi ma kartę danych.

Asymetria jest warta wyraźnego podkreślenia, ponieważ większość stron porównawczych po cichu ją pomija. Drama 3 znajduje się na każdej liczącej się liście rankingowej: szóste miejsce na 100 w Provider Voice Arena z wynikiem 1 278, dwunaste na 49 w Controlled Voice Arena z wynikiem 1 085, pierwsze miejsce ex aequo na 31 pod względem odporności wymowy angielskiej na poziomie 93,2%. VoxCPM2 nie pojawia się na żadnej z nich.

Ta nieobecność nie jest skandalem i nie jest nowością. VoxCPM2 jest dostępny od wiosny 2026 roku — dokumentacja projektu datuje linię 2.0 na marzec, repozytorium oznacza ją tagiem 2026.04, a raport techniczny ukazał się w czerwcu jako arXiv:2606.06928 — i przez cały ten czas nikt nie umieścił go w ślepej arenie odsłuchowej. Najbardziej prawdopodobne wyjaśnienie jest nudne: sloty w arenie zwykle zajmują dostawcy, którzy mają do promowania hostowany endpoint, a OpenBMB takiego nie sprzedaje. VoxCPM2 udostępnia wagi na Hugging Face i ModelScope oraz serwer /v1/audio/speech zgodny z OpenAI za pośrednictwem vLLM-Omni — i to cała historia dystrybucji.

Zatem uczciwe stanowisko jest takie: możemy porównać Drama 3 z oceną albo porównać dwa modele ze sobą. Nie możemy zrobić obu rzeczy naraz, a każda strona przedstawiająca Elo VoxCPM2 kontra Drama 3 wymyśla jedno z nich.

Jedyna oś, którą oboje publikują

Seed-TTS-eval to najbliższe, co ta dziedzina ma do wspólnej miary, i oba laboratoria podają na nim wyniki. Haczyk polega na tym, że żadne z nich nie publikuje pełnej tabeli w tym samym formacie, więc to, co następuje, to dwóch dostawców mierzących samych siebie.

• Wskaźnik błędów słów w języku angielskim — Drama 3 podaje 1,54% na ujęciu finalnym i 2,20% na swoim pierwszym ujęciu; VoxCPM2 podaje 1,84% w pojedynczym przebiegu. Ukończone ujęcie Drama 3 jest najlepsze z tych trzech liczb, a jego pierwsze ujęcie jest najgorsze.

• Wskaźnik błędów dla chińskiego — Drama 3 osiąga 0,83% CER w finalnej próbie i 1,00% w pierwszej; VoxCPM2 osiąga 0,97% CER. Taki sam wzorzec, przy czym finalna próba Drama 3 wypada lepiej, a jej pierwsza kształtuje się mniej więcej na tym samym poziomie.

• Podobieństwo mówcy — Drama 3 podaje 0.640 dla języka angielskiego (skala 0–1); VoxCPM2 podaje 75.3 dla języka angielskiego i 79.5 dla języka chińskiego, co przy stosowanej gdzie indziej w jego raporcie konwencji 0–100 daje 0.753 i 0.795. Według własnych danych VoxCPM2 jest silniejszym klonerem.

Szerszy test obciążeniowy — VoxCPM2 publikuje również odsetki błędów CV3-eval w jedenastu językach (3,65% zh, 5,00% en, 8,55% hard-zh, 9,85% fr, 4,25% it, 5,21% ru) oraz wewnętrzną średnią dla 30 języków wynoszącą 1,68%. Drama 3 nie publikuje równoważnej tabeli odsetek błędów dla poszczególnych języków, więc nie ma nic, co można by zestawić z nimi.

Przykładaj dużą wagę do różnicy w podobieństwie, a niewielką do różnicy we wskaźniku błędów słów. Podobieństwo mówcy to metryka, która najprawdopodobniej przetrwa różnicę w narzędziu testowym, ponieważ jest to odległość kosinusowa między osadzeniami tego samego audio referencyjnego. Wskaźniki błędów słów zależą od normalizacji, przetwarzania wstępnego tekstu i tego, których klipów referencyjnych użyto, a dwa laboratoria nie musiały się zgadzać co do żadnego z tych elementów. Kierunek jest wiarygodny — VoxCPM2 klonuje wierniej, Drama 3 transkrybuje dokładniej po korekcie — ale wartości liczbowe nie stanowią pomiaru.

Podatek od poprawek, którego nikt nie umieszcza w nagłówku

1,54% i 2,20% to ten sam model w tym samym teście, różnią się tylko tym, czy próba została zaakceptowana za pierwszym razem. Raport techniczny Fish Audio jest w tej kwestii nietypowo szczery: podaje obie wartości, ponieważ produktem jest właśnie możliwość wielokrotnego poprawiania prób. Przesłanie jest takie: reżyserujesz kwestię zwykłym językiem, słuchasz, zmieniasz kierunek i zachowujesz próbę, którą chcesz — a benchmark odzwierciedla tę zatrzymaną próbę.

Jeśli tak działa Twój potok, zobaczysz liczbę 1,54%. Jeśli strumieniujesz pojedyncze przejście do rozmowy na żywo, wiersza dialogu w grze lub renderowania wsadowego bez udziału człowieka, kupujesz 2,20% — gorzej niż 1,84% w pojedynczym przejściu VoxCPM2. To odwrócenie jest najprzydatniejszym faktem w tym porównaniu i tym, którego nie uwidacznia wprost tabela żadnego z dostawców. Pozwala też wycenić sposób pracy: każde dodatkowe podejście to kolejna pełna synteza, a Drama 3 rozlicza według liczby znaków wejściowych, więc nawyk robienia trzech podejść mnoży rachunek przez trzy.

{{1}}VoxCPM2{{/1}} nie ma tego rodzaju mechanizmu wersjonowania. Oferuje cztery tryby generowania — zero-shot, kontynuację, tylko referencję oraz połączenie referencji z dźwiękiem podpowiedzi — a jego odpowiedzią na nieudane nagranie jest ponowne wygenerowanie z innymi tagami stylu. Taniej za próbę, bo nie płacisz za znak, ale bez pamięci na poziomie modelu o odrzuconym nagraniu.

Dolny limit sprzętowy to rzeczywista decyzja.

W tym miejscu dwa modele przestają być substytutami.

• Zapotrzebowanie VoxCPM2 na pamięć — około 8 GB VRAM, współczynnik czasu rzeczywistego wynoszący w przybliżeniu 0,30 na RTX 4090 i 0,13 z Nano-VLLM; projekt podaje również 1,76 przy Q8_0 na Apple M4 Pro przez llama.cpp-omni. Działa na stacji roboczej.

• Zapotrzebowanie na Drama 3 — Fish Audio nie podaje minimalnego progu VRAM. Tabelę przepustowości zmierzono na kartach H200: 166,7 klatek na sekundę i 88,9 ms mediany czasu do pierwszego dźwięku przy jednym współbieżnym strumieniu, 927,6 klatek/s przy szesnastu strumieniach, 1687 klatek/s przy sześćdziesięciu czterech strumieniach, ze współczynnikiem RTF 0,131 w trybie pojedynczego strumienia. Recenzenci szacują wymóg bf16 na kartę 48 GB, a kompilacje 4-bitowe tworzone przez społeczność deklarują około 32 GB. Działa na serwerze albo na sprzęcie kogoś innego.

• Zastrzeżenie dotyczące przepustowości — post premierowy podaje 271 klatek na sekundę z pojedynczego H200, podczas gdy tabela strumieniowania w karcie modelu osiąga maksimum 166,7 przy jednym żądaniu. Oba wartości mogą być prawdziwe w przypadku różnych konfiguracji pomiarowych, ale oznacza to, że podana w nagłówku wartość prędkości nie będzie tą, którą odtworzy Twój test obciążenia.

Rachunek wygląda następująco. Milion znaków to około piętnastu do dwudziestu godzin gotowej mowy przy zwykłym tempie narracji. Na karcie 4090 przy RTF 0,30 daje to od pięciu do sześciu godzin czasu GPU; w API Fish Audio to 10 USD podczas promocji startowej i 50 USD po jej zakończeniu 12 listopada. Samodzielne hostowanie VoxCPM2 jest tańsze w przeliczeniu na godzinę audio i znacznie tańsze w przeliczeniu na godzinę eksperymentowania — możesz dopracowywać projekt głosu przez popołudnie, nie patrząc na licznik.

Routing nie znosi tego wyboru, więc warto precyzyjnie wyjaśnić, co robi. OrcaRouter nie hostuje żadnego z tych modeli; Drama 3 jest dostępny przez własne API Fish Audio i kilka platform zewnętrznych, a VoxCPM2 jest dostępny jako wagi, które serwujesz samodzielnie. To, co obsługujemy, to część potoku związana z mową wokół nich — linia TTS Gemini oraz OpenAI's TTS-1-HD, z automatycznym przełączaniem awaryjnym między dostawcami, dzięki czemu hostowany endpoint, który staje się niedostępny, nie powoduje wyłączenia całego produktu. Jeśli pytanie brzmi „który z tych dwóch mam uruchomić”, odpowiedź rozstrzyga VRAM, a nie routing.

Reżyseria występu a projektowanie głosu

Obydwa modele różnią się co do tego, gdzie odbywa się praca twórcza, a ta różnica zdań ma charakter architektoniczny, nie kosmetyczny.

Drama 3 to narzędzie reżysera. Piszesz instrukcje w nawiasach kwadratowych przed słowami, których dotyczą — [ze ściśniętym gardłem, cicho płacząc] — i zmieniasz je w środku zdania. Sparowane znaczniki zawężają wskazówkę do konkretnych słów: <whisper>, <emphasis>, <soft>, <fast>, <slow>, <stress>, <forceful>. Wymowę można ustalać fonem po fonemie za pomocą CMU Arpabet, pinyin lub romaji, a sceny przyjmują tablicę z jednym identyfikatorem głosu dla każdego mówcy. Wiele wykonań można poprawiać w odniesieniu do wcześniejszych, a inpainting na poziomie słów renderuje ponownie pojedyncze oznaczone słowo, aby dopasować je do otaczającego wykonania — choć zarówno edycja interaktywna, jak i inpainting wciąż są w testach dostępnych tylko na zaproszenie, a API do edycji wymieniono jako mające pojawić się wkrótce.

VoxCPM2 to narzędzie projektowe. Jego flagową funkcją jest Voice Design: opisz mówcę w języku naturalnym i otrzymaj głos bez żadnego audio referencyjnego. Poza tym wykonuje zero-shot cloning, kontynuację od promptu, klonowanie wyłącznie na podstawie referencji z wydzielonym kanałem referencyjnym (więc nie potrzebujesz transkrypcji pasującej do klipu) oraz kontrolę stylu za pomocą tagów. Ograniczeniem jest zakres: kształtuje głos i sposób mówienia, a nie scenę. Nie ma składni tablicy mówców, trybu dialogu wielu postaci ani naprawy na poziomie słów.

W słuchowisku z dwoma aktorami ta różnica rozstrzyga sprawę, zanim zrobi to jakikolwiek benchmark. W przypadku produktu, który potrzebuje jednego spójnego głosu marki w całym katalogu, tryb projektowania VoxCPM2 to krótsza droga, a składnia dyrektyw Drama 3 to w dużej mierze zbędny narzut.

Częstotliwość próbkowania, języki i argument kodeka

• Dane wyjściowe — VoxCPM2 generuje 48 kHz poprzez asymetryczny AudioVAE V2, który koduje z częstotliwością 16 kHz i dekoduje z częstotliwością 48 kHz; Drama 3 pozostaje przy 44,1 kHz, generując dźwięk za pomocą Descript Audio Codec z dziesięcioma książkami kodowymi przy około 21,5 klatki na sekundę. Dodatkowe 3,9 kHz w VoxCPM2 jest rzeczywiste, ale rzadko słyszalne w zestawieniu ze skompresowanym formatem dostarczania.

• Architektura — VoxCPM2 jest z założenia wolny od tokenizera: przewiduje ciągłe latentne bezpośrednio na szkielecie MiniCPM-4 i argumentuje, że to kodek audio jest wąskim gardłem; Drama 3 zachowuje dyskretne tokeny i zużywa swoje 35B na dekoder z książką kodową do przewidywania wielu tokenów naraz, który przewiduje dziewięć resztkowych książek kodowych po pierwszych dwóch. Dwa zakłady o to, gdzie znajduje się sufit jakości.

• Języki — 83 deklarowane dla Drama 3, wobec 30 dla VoxCPM2 plus dziewięć dialektów chińskich (syczuański, kantoński, wu, północno-wschodni, henański, shaanxiński, szanduński, tianjin, minnański). Jeśli potrzebujesz tajskiego, wietnamskiego, hebrajskiego i suahili, VoxCPM2 ma wszystkie cztery, a Drama 3 nie jest wyraźnie lepszy w żadnym z nich; jeśli potrzebujesz 83, tylko jeden z nich wchodzi w rachubę.

• Dane treningowe — VoxCPM2 był trenowany na 2,36 mln godzin mowy (1,8 mln godzin po chińsku i angielsku oraz 560 tys. godzin wielojęzycznych), a jego dokumentacja podaje tę liczbę dokładnie. Fish Audio nie publikuje równoważnej wartości, co nie jest tyle krytyką, ile kolejnym miejscem, w którym oba artykuły nie są napisane z myślą o porównaniu.

Licencja: jedyne miejsce, w którym VoxCPM2 wygrywa bezapelacyjnie

VoxCPM2 jest objęty licencją Apache 2.0. Każda firma, niezależnie od przychodów, może go osadzać, modyfikować, dostrajać, redystrybuować i sprzedawać wyniki, bez żadnego progu i bez negocjacji. Dostrajanie LoRA i SFT jest obsługiwane i udokumentowane.

Drama 3 podlega licencji Fish Audio Community License v1.0: jest darmowa do badań i prac niekomercyjnych, darmowa do użytku komercyjnego, dopóki Ty i podmioty stowarzyszone utrzymujecie roczny przychód poniżej 500 000 USD, a powyżej tej kwoty wymagana jest wynegocjowana licencja — albo niezależnie od przychodu, jeśli chcesz oferować Drama 3 jako usługę TTS, klonowania głosu lub wnioskowania. Ukończone audio klienta jest wyraźnie dozwolone przy dowolnym przychodzie; konkurujący API syntezy już nie. Artificial Analysis określa ją jako „otwarte wagi bez praw do użytku komercyjnego”, co jest uczciwym jednowierszowym podsumowaniem tego ograniczenia.

Jest też szczegół, który warto sprawdzić, zamiast mu ufać: metadane Hugging Face dla fishaudio/drama-3 wciąż wskazują fish-audio-research-license, podczas gdy treść karty opisuje Community License. Przeczytaj plik licencji w repozytorium, zanim zbudujesz produkt w oparciu o tę etykietę.

Dla firmy z finansowaniem, która wdraża funkcję głosową, całe porównanie sprowadza się do jednego zdania: VoxCPM2 nie kosztuje cię niczego w przeglądzie prawnym, a Drama 3 kosztuje cię rozmowę z zespołem sprzedaży.

Wybierz według ograniczeń, a nie według wyniku

Masz jedną GPU i produkt do wypuszczenia. VoxCPM2. Osiem gigabajtów, Apache 2.0, 48 kHz i tryb projektowania głosu, który już pierwszego popołudnia zapewnia ci użyteczny głos marki. Rezygnujesz z reżyserii scen i najlepszej oceny głosu dostawcy w tej kategorii.

Tworzysz audio ze scenariuszem z człowiekiem w pętli. Drama 3. Wskazówki reżyserskie w nawiasach, tagi z określonym zakresem, zmiany w środku zdania i poprawki na poziomie pojedynczych słów to najbliższe doświadczenie sesji nagraniowej, jakie oferują otwarte wagi, a 1,54% WER dla angielskiego to efekt, który daje pętla poprawek. Uwzględnij w budżecie zmianę ceny z 12 listopada i najpierw przeczytaj klauzulę usługową.

Potrzebujesz języka spoza tych trzydziestu. Drama 3 albo żaden — ale sprawdź konkretny język w deklaracjach zasięgu samego Fish Audio, a nie w „83” na opakowaniu.

Klonujesz głos konkretnej osoby na dużą skalę. Podobieństwo głosu w VoxCPM2 to najlepszy wynik na tej stronie, a jego izolowany kanał referencyjny oznacza, że możesz sklonować głos z nagrania bez pasującego transkryptu. Zaletą Drama 3 jest reżyseria, a nie wierność względem referencji.

Jedyne, czego nie należy robić, to je szeregować. Nie ma wspólnej areny, wspólnego badania preferencji ludzi ani wspólnego środowiska testowania błędów — jest tylko jeden model z Elo, a drugi z kartą danych, i decyzja, która zależy od tego, jaki masz sprzęt i co licencja pozwala ci z nim zrobić.