GPT-Live-1 vs Fish Audio Drama 3: Jeden można pobrać, drugi można tylko wypożyczyć

Fish Audio Drama 3 Preview jest dostarczany jako 41,5 gigabajta wag do pobrania, które możesz uruchomić na własnej GPU, sprawdzić, dostroić i utrzymywać w działaniu, gdy dostawca straci zainteresowanie. GPT-Live-1 jest dostarczany jako URL. Nie ma żadnych wag do pobrania, lokalnej ścieżki wnioskowania ani sposobu, by go w ogóle usłyszeć, bez otwarcia sesji z punktem końcowym OpenAI v1/live/sessions w cenie 0,05 USD za minutę.

To brzmi jak szczegół zakupowy. To jest decyzja. Jeden z tych modeli to aktyw z przypisaną licencją; drugi to usługa z przypisanym licznikiem, a oba zachowują się zupełnie inaczej, gdy Twój produkt przetrwa stronę z cennikiem.

Czym Drama 3 właściwie jest

Fish Audio udostępniło Drama 3 Preview w połowie października 2026 r.: model zamiany tekstu na mowę typu mixture-of-experts o 35 miliardach parametrów, z około 3 miliardami parametrów aktywnych na token, zbudowany na rdzeniu Qwen3.5-35B-A3B. Obejmuje 83 języki, obsługuje do 16 różnych mówców w ramach jednego żądania, klonuje głosy na podstawie krótkich próbek i przyjmuje wskazówki sformułowane prostym językiem — powiedz, że dana kwestia ma brzmieć z rezygnacją, dodaj dźwięk albo zaznacz, które słowa się zmieniają, a model to odegra, zamiast czytać ją płasko.

Maksymalna liczba mówców to funkcja, która ma znaczenie komercyjne. Słuchowisko z dwoma aktorami, podcast z prowadzącym i gościem, film szkoleniowy z narratorem i klientem — każdy z nich to jedno wywołanie API, a nie szesnaście sklejonych plików z niedopasowanym tłem akustycznym.

W Provider Voice Arena Artificial Analysis, według stanu na 29 października 2026 r., Drama 3 Preview plasuje się na 1240 Elo, zajmując jedenaste miejsce ogółem i pierwsze wśród zgłoszeń z otwartymi wagami, wyprzedzając Breeze TTS 2 z wynikiem 1228. Fish podaje 93,2% odporności wymowy — najwyższy deklarowany wynik w momencie premiery i wyższy od 91,7% podawanych przez ElevenLabs dla Eleven v4.

Czym właściwie jest GPT-Live-1

Model OpenAI jest obiektem przeciwnego rodzaju. Od 10 września 2026 r. można go wywoływać za 0,05 USD za minutę głosową, rozliczany co sekundę, z dźwiękiem i tekstem na wejściu i wyjściu, z obsługą strumieniowania i wywoływania funkcji, natomiast bez obsługi ustrukturyzowanych danych wyjściowych. Działa w trybie pełnodupleksowym: słyszy cię, gdy mówi, a złożone rozumowanie w tle przekazuje modelowi tekstowemu.

Nie ma produktu do klonowania głosu, nie ma trybu wielogłośnego ani udokumentowanego sposobu na przyjęcie scenariusza i zwrócenie deterministycznego pliku audio. Ma natomiast rozmowę. W przypadku agenta telefonicznego to jest dokładnie to, czego trzeba. W scenie z czterema postaciami nie jest gorszym narzędziem — jest narzędziem z zupełnie niewłaściwej kategorii.

Numer drukowany przez obie strony

Oto szczegół wart podkreślenia, ponieważ zmyli każdego, kto porównuje karty specyfikacji: Drama 3 od Fish Audio i Ming-3.0-TTS od Ant Group podają 93,2% odporności wymowy w ramach tego samego pomiaru Artificial Analysis. Dwa różne laboratoria, dwie różne architektury, ten sam wynik co do jednego miejsca dziesiętnego.

To nie jest błąd kopiowania i wklejania ani remis. Tak wygląda sufit — pozostałe 6,8% to twardy ogon tekstu angielskiego: ciągi alfanumeryczne, nietypowe nazwy własne, liczby czytane w kontekście. Każdy, kto twierdzi, że wśród czołowych modeli z otwartymi wagami istnieje zdecydowana przewaga w wymowie, odczytuje szum. Przydatne pytanie brzmi, jakie przypadki błędów faktycznie zawiera twoja treść, a to wymaga przetestowania własnego tekstu, a nie czytania rankingu.

Licencja to ta część, której nikt nie czyta.

Drama 3 to otwarte wagi, a nie open source w sensie permisywnym. Jest udostępniany na licencji Fish Audio Community License v1.0: darmowy do badań i pracy niekomercyjnej, darmowy do użytku komercyjnego poniżej 500 000 USD rocznego przychodu, a powyżej tej kwoty wymagana jest odrębna umowa. Hosting API przez podmioty zewnętrzne wymaga własnej licencji, a podanie autorstwa jest wymagane.

To rozsądna licencja i rzeczywiste ograniczenie. Wynikają z tego trzy konsekwencje:

• Poniżej linii przychodów self-hosting jest naprawdę darmowy — płacisz wyłącznie za prąd i czas GPU, i nic więcej.

• Powyżej znów jesteś w negocjacjach, a przewaga „wagi należą do nas” kurczy się do „wciąż możemy je uruchamiać, podczas gdy rozmawiamy”.

• Odsprzedawanie dostępu własnym klientom niemal na pewno wymaga odrębnej umowy, niezależnie od Twoich przychodów.

Licencja GPT-Live-1 jest prostsza w taki sposób, w jaki prostsza jest umowa najmu: płacisz za minutę, używasz jej, przestajesz. Żadnego progu przychodu, żadnej klauzuli atrybucji, żadnego obowiązku ujawniania liczby klientów. Ta prostota jest coś warta, a im mniejszy jesteś, tym jest warta więcej.

Ile faktycznie kosztuje sprzęt

Samodzielne hostowanie Drama 3 wymaga około 48 GB pamięci NVIDIA w FP8, a około 41,5 GB z tego to wagi. H100 lub dzierżawiona instancja klasy A100 poradzi sobie z tym; konsumencka karta już nie, przynajmniej nie komfortowo. Poniżej dwa ujęcia.

Jeśli już posiadasz GPU, koszt krańcowy syntezy jest bliski zeru, a cena usługi hostowanej wydaje się absurdalna: Fish podaje 50 USD za milion znaków, prowadzi promocję premierową po 10 USD za milion do 12 listopada 2026 r., a Artificial Analysis odnotowuje cenę w zestawieniu jako 15 USD. Dziesięciominutowa scena licząca około 9000 znaków kosztuje od dziewięciu do czterdziestu pięciu centów, w zależności od tego, która z tych trzech kwot zostanie Ci faktycznie naliczona.

Jeśli nie posiadasz GPU, i tak go wynajmujesz, a porównanie sprowadza się do godzin GPU wobec milionów znaków. Przy typowej stawce $2 za godzinę GPU model, który syntezuje dziesięć razy szybciej niż w czasie rzeczywistym, wytwarza około dziesięciu godzin audio na godzinę wynajmu — mniej więcej 540 000 znaków w normalnym tempie mowy. Daje to około $3.70 za milion znaków, znacznie poniżej każdej ceny hostingu w zestawieniu, ale tylko przy stałym wykorzystaniu. Poniżej około 30% współczynnika wykorzystania wynajem nie zyskuje nic, a założenie dotyczące przepustowości jest dokładnie tym: założeniem, które musisz zmierzyć na własnej instancji, a nie liczbą publikowaną przez Fish.

W przeciwieństwie do tego koszt GPT-Live-1 jest liniowy i nudny: 0,05 USD za minutę, za każdą minutę, bez kosztów stałych, bez ryzyka wykorzystania. Dziesięć minut rozmowy to 0,50 USD. Dziesięć minut narracji Drama 3 to około 0,135 USD przy zarejestrowanej cenie z tablicy. Różne zadania, różne liczniki, a jedno z nich ma koszt stały, który można amortyzować.

Gdzie wynajem wciąż wygrywa

Zgodność z regulacjami to cichy argument za modelem hostowanym. Wagi Drama 3 można skopiować, dostroić i włączyć do produktu konkurenta albo pozostawić działające w jurysdykcji, o której twój zespół prawny ma swoje zdanie. GPT-Live-1 daje ci endpoint, fakturę i dostawcę, który bierze na siebie ryzyko po stronie modelu. Dla przedsiębiorstwa objętego regulacjami to nie lenistwo; to składka ubezpieczeniowa.

Polityka opóźnień jest drugą kwestią. Naprzemienne zabieranie głosu w trybie pełnego dupleksu to zachowanie, a nie checkpoint: 0,8-sekundowa tura i 87% dokładności wywoływania narzędzi to wartości, które OpenAI podaje dla tego modelu, i obie są danymi dostawcy, a nie niezależnymi pomiarami. Nie można pobrać tego zachowania wraz z Drama 3, ponieważ Drama 3 nie próbuje cię słyszeć.

A obsługa awarii jest trzecia. Model do pobrania zawodzi, gdy zawodzi Twoja karta GPU. Model hostowany zawodzi, gdy zawodzi cudza — co stanowi inne ryzyko, niekoniecznie gorsze, i takie, które można zabezpieczyć.

Gdzie umieścić żywopłot

Zabezpieczenie należy umieścić za warstwą głosową, a nie w niej. Żaden z tych modeli nie jest obsługiwany przez OrcaRouter: wagi Drama 3 nie znajdują się w naszym katalogu, a GPT-Live-1 ma dokładnie jeden endpoint i brak kompatybilnej powierzchni. To, co można routować, to etap rozumowania, od którego zależy agent konwersacyjny — GPT-6 Astra, GPT-5.6 Terra, Claude, Gemini, Qwen — dostępne za pomocą pojedynczego klucza z automatycznym przełączaniem awaryjnym, po cenach listowych dostawców przekazywanych dalej z 0% marżą.

To właściwe miejsce, by przeznaczyć budżet nadmiarowości. Awaria wyjścia głosowego jest głośna i oczywista; awaria stojącego za nim modelu tekstowego to błąd, który przez tydzień po cichu psuje jakość połączeń. Utrzymuj ucho zwrócone na model, który wybrałeś. Utrzymuj mózg wymienny.

Decyzja — każda w jednym akapicie

Wybierz Drama 3, jeśli tworzysz audio, a nie rozmowy: sceny, podcasty, dubbing, treści szkoleniowe z wieloma postaciami — oraz jeśli jesteś poniżej progu przychodów albo gotowy negocjować powyżej niego. 35B MoE, limit szesnastu mówców i 1240 Elo to naprawdę mocny pakiet, a wagi sprawiają, że nikt nie może ci tego odebrać.

Wybierz GPT-Live-1, jeśli produktem jest rozmowa na żywo, a wartością jest obsługa przerwań. Jest droższy w przeliczeniu na dostarczoną minutę, nie daje ci niczego, co mógłbyś posiadać, i robi jedną rzecz, której Drama 3 strukturalnie nie potrafi: słucha, gdy mówi.

Te dwa leżą obok siebie na karcie specyfikacji, a w praktyce są od siebie bardzo daleko. Każdy, kto kupuje jeden, oczekując, że wykona zadanie drugiego, uzna, że model jest zły — choć modelowi po prostu nigdy nie zlecono tej rzeczy.