Fish Audio Live 3 vs Drama 3: Jeden model czyta scenariusz, a drugi słyszy pomieszczenie

Fish Audio Live 3 i Fish Audio Drama 3 nie są dwiema odpowiedziami na to samo pytanie, a traktowanie ich jak rywali to najszybszy sposób, by kupić niewłaściwy model. Drama 3, który Fish Audio opublikował 2026-10-13, to model zamiany tekstu na mowę: podajesz mu słowa i wskazówki interpretacyjne, a on zwraca dźwięk. Live 3, ogłoszony 2026-11-10, to dupleksowy model głosowy do połączeń obsługiwanych przez agentów: słucha, jednocześnie mówiąc, rozstrzyga, kiedy pauza oznacza „mów dalej”, a kiedy „skończyłem”, i według Fish Audio potrafi zareagować w zaledwie 186 milisekund. Jeden jest rendererem, drugi rozmówcą.

Zamieszanie jest zrozumiałe, ponieważ oba są modelami Fish Audio, oba są niedawne i oba są sprzedawane jako dobre w czymś, w czym inne modele Fish Audio nie były. Ale znajdują się na różnych warstwach stosu głosowego, są dokumentowane osobno i tylko jeden z nich pojawia się w opublikowanym przez Fish Audio cenniku. Użyteczne porównanie nie polega więc na tym, który jest lepszy — lecz na tym, do jakiego zadania każdy z nich jest właściwie przeznaczony i gdzie spotykają się w obrębie jednego produktu.

Co każdy model robi według dokumentacji

Drama 3 to model zamiany tekstu na mowę, a publiczne dowody na jego temat dotyczą preferencji i wymowy, a nie naprzemiennego mówienia. W Provider Voice Arena firmy Artificial Analysis zajmuje szóste miejsce z wynikiem Elo 1 278; w Controlled Voice Arena, gdzie każdy model jest oceniany względem tych samych głosów referencyjnych, jest dwunasty z wynikiem 1 085. Na obu listach rankingowych jest najwyżej sklasyfikowanym modelem o otwartych wagach w tabeli, a wcześniejszy wpis Drama 3 Preview — ten, który trafił do prasy w październiku — nadal widnieje osobno z wynikami 1 240 i 1 063. W benchmarku English Pronunciation Robustness uzyskuje 93,2% ogółem, ex aequo pierwsze miejsce wśród 31 ocenianych modeli wraz z Ming-3.0-tts, przy czym podział na kategorie ma większe znaczenie niż wynik ogólny: 95,9% w przypadku pojedynczych terminów, takich jak nazwy marek i nazwy techniczne, 93,6% w przypadku rozwijania skrótów, takich jak liczby i daty, 86,3% w przypadku zachowywania dokładnych sekwencji, takich jak kody i ścieżki, oraz 95,3% w przypadku wymowy odpowiedniej do kontekstu.

Publiczne dowody w przypadku Live 3 mają zupełnie inny kształt. Zapowiedź Fish Audio opiera się na konwersacji, a nie na renderowaniu, a jej trzy rozpisane przykłady dotyczą wyłącznie wyczucia czasu.

• Numer telefonu odczytywany fragmentami — „415… 555… 0132” — gdzie Live 3 może powiedzieć „mhm” lub „okej, 415” między fragmentami, a następnie poczekać na resztę.

• Sytuacja, gdy dzwoniący mówi „yeah” lub „mm-hmm”, podczas gdy agent odczytuje godziny otwarcia, a Live 3 kontynuuje, zamiast potraktować to potwierdzenie jako przerwanie.

• Dzwoniący zmieniający zamówienie w połowie wypowiedzi — „dwie pizze… nie, trzy. Trzy duże. I… właściwie niech jedna z nich będzie margheritą” — gdzie Live 3 przeczekuje każdą korektę, zamiast reagować na pierwsze wiarygodne kompletne zamówienie.

Fish Audio twierdzi, że model może zdecydować się na odpowiedź w zaledwie 186 milisekund, opisując to jako krótkie reakcje, takie jak „mm-hmm”, „okay” i szybkie potwierdzenia, a nie pełne odpowiedzi. W chwili premiery obsługuje wyłącznie język angielski i jest dostępny na Fish Agent Platform, poprzez API Fish Audio oraz on-premises dla przedsiębiorstw. Nie ma natomiast żadnego opublikowanego benchmarku, żadnego niezależnego wyniku — według stanu na 2026-11-11 Artificial Analysis nie ma wiersza Live 3 duplex — ani pozycji w cenniku Fish Audio.

Dlaczego jednostki cenowe wskazują, że to różne produkty

Fish Audio rozlicza Drama 3 w bajtach UTF-8 tekstu wejściowego: $50.00 za milion bajtów według cennika, z promocją premierową $10.00 za milion obowiązującą do 2026-11-30. Dokumentacja samej firmy przelicza milion bajtów UTF-8 na około 180 000 angielskich słów, czyli około dwunastu godzin mowy — co daje drama-3 około $4.17 za godzinę wygenerowanego dźwięku według cennika i około $0.83 za godzinę w czasie promocji. Ta jednostka istnieje, ponieważ TTS ma znaną ilość tekstu na wejściu i znaną ilość dźwięku na wyjściu.

Live 3 w ogóle nie pasuje do tej jednostki i nie ma go w cenniku. Rozmowa dwukierunkowa z agentem nie ma ustalonego skryptu: dźwięk na wejściu to cokolwiek powie dzwoniący, dźwięk na wyjściu to tyle, ile model zdecyduje się powiedzieć, a interesującym kosztem są minuty połączenia, a nie bajty tekstu. Fish Audio nie ujawniło, jakiego mechanizmu rozliczania użyje, dlatego kolumna Live 3 w dowolnym porównaniu kosztów jest pusta, a nie tania.

To, co łączy oba modele, to platforma. Agent Platform firmy Fish Audio, obecnie w publicznej becie, hostuje agentów Live 3 i udostępnia interfejs REST pod /v1/agent/* z zestawami SDK dla JavaScript i React, kanałami dla widżetu internetowego, numeru telefonu lub niestandardowego klienta oraz uwierzytelnianiem za pomocą tokenów sesji. Hak niestandardowego LLM na tej platformie wskazuje na punkt końcowy zgodny z OpenAI, który jest miejscem styku, w którym umieszcza się wybraną przez Ciebie warstwę rozumowania.

Gdzie spotykają się w jednym produkcie

Interesujące pytanie nie brzmi, który model wygrywa, lecz jak wygląda pojedynczy produkt, gdy oba modele są używane do tego, w czym są dobre. Linia rezerwacyjna potrzebuje Live 3 podczas rozmowy na żywo, ponieważ to w trakcie rozmowy pojawiają się pauzy i korekty. Ten sam produkt zwykle potrzebuje też Drama 3, albo podobnego modelu, do wszystkiego, co nie jest rozmową: odczytania potwierdzenia po zakończeniu połączenia, powitania w wiadomości głosowej, przypomnienia wychodzącego, długiej narracji na stronie marketingowej, która skierowała dzwoniącego. To są zadania renderowania ze znanym scenariuszem, a publikowane mocne strony Drama 3 — preferencja wśród słuchaczy, 93,2% poprawności wymowy, 83 języki, otwarte wagi opublikowane na licencji Fish Audio Community License v1.0 z limitem przychodów 500 000 USD — są dokładnie tym, czego potrzebuje zadanie renderowania.

Ten podział ma konsekwencję kosztową, którą warto jasno przedstawić, ponieważ właśnie w tym miejscu warstwa routingu przestaje być abstrakcją. Warstwa rozumowania za agentem Live 3 może wskazywać na dowolne miejsce, które mówi protokołem OpenAI; OrcaRouter stoi za tym punktem końcowym z 216 modelami na jednym kluczu, w cenie katalogowej dostawcy bez marży i automatycznym przełączaniem awaryjnym, gdy dostawca zwróci błąd, dzięki czemu planistę wewnątrz agenta można wymienić bez dotykania warstwy mowy ani numeru telefonu. DSL routingu decyduje, który model obsługuje jaki rodzaj połączenia, a fuzja modeli pozwala taniemu modelowi przygotować wywołanie narzędzia, podczas gdy silniejszy sprawdza je przed uruchomieniem. OrcaRouter nie hostuje Fish Audio Live 3 ani Drama 3 — żaden z nich nie jest dostępny przez zewnętrzny punkt końcowy, a warstwa mowy w tym stosie pozostaje przy Fish Audio. Hostuje wszystko wokół mowy.

Którego właściwie potrzebujesz

Potrzebujesz Drama 3, jeśli wynikiem jest plik. Narracja, audiobooki, reklamy, głos postaci, dubbing, czytanie w celach dostępności — wszystko, gdzie człowiek napisał słowa, a słuchacz usłyszy je raz, dopracowane. Ma oceny preferencji, rozbicie wymowy, liczbę języków i opublikowaną stawkę za bajt, względem której możesz prognozować. Jest także dostępny jako otwarte wagi, co ma znaczenie, jeśli musisz uruchomić go samodzielnie.

Potrzebujesz Live 3, jeśli wynikiem jest rozmowa, która musi przetrwać przerwanie. Agenci telefoniczni, linie rezerwacyjne, przyjmowanie zamówień, segregacja zgłoszeń wsparcia — wszystko, gdzie dzwoniący odpowiada, a trybem awarii jest bycie zagłuszanym lub konieczność powtórzenia sekwencji cyfr. Ma argument behawioralny, vendorowy próg opóźnienia i platformę, a jeszcze nie ma benchmarku ani ceny.

Prawdopodobnie potrzebujesz obu, jeśli budujesz produkt głosowy, a nie demo, a podział przebiega wzdłuż granicy między trybem na żywo a renderowanym. Błąd, którego należy unikać, to wybranie jednego do wykonywania zadania drugiego: model TTS nie potrafi zdecydować, kiedy przestać mówić, a model agenta dupleksowego jest kosztownym i niezweryfikowanym sposobem tworzenia powitania poczty głosowej. Fish Audio sprzedaje oba, jednostki rozliczeniowe są celowo różne, a plan działania, który traktuje je jako jeden produkt, będzie błędnie prognozować własne koszty już od pierwszego miesiąca.