AssemblyAI-TTS-1 vs Fish Audio Drama 3: um botão de checkout contra um download de 41,5 GB

A primeira coisa a entender sobre AssemblyAI-TTS-1 em comparação com Fish Audio Drama 3 é que um deles é um arquivo. O Drama 3, lançado em 13 de outubro de 2026, é um modelo de fala de mistura de especialistas com 35 bilhões de parâmetros, publicado no Hugging Face como fishaudio/drama-3 — cerca de 41,5 GB de pesos antes de adicionar um codec, e cerca de 48 GB de VRAM para servi-lo em FP8. O AssemblyAI-TTS-1, disponível em geral desde 27 de outubro de 2026 a US$ 15 por milhão de caracteres, é um endpoint HTTPS em US-East ou EU-North que responde em menos de um décimo de segundo e não pede nada além de texto. Toda comparação entre eles que começa com pontuações Elo começa no lugar errado, porque os dois produtos são separados por uma decisão operacional antes de serem separados por uma decisão de qualidade.

O que $15 compra, e o que 41,5 gigabytes compram

O lado AssemblyAI-TTS-1 é curto de descrever. US$ 15 fixos por milhão de caracteres de entrada, cobrindo todas as mais de 4.000 vozes da biblioteca, clonagem instantânea a partir de uma amostra de 24 segundos, marcações de tempo por palavra, seis idiomas de lançamento (inglês, espanhol, francês, alemão, italiano e português), processamento nos EUA ou na UE, endpoints WebSocket e HTTP, além de uma rota compatível com OpenAI, uma mensagem de cancelamento para barge-in e concorrência ilimitada sem nenhuma taxa associada. Sem SSML, sem parâmetro de velocidade, sem dicionário de pronúncia, sem tags de emoção, sem camada de clonagem profissional.

O lado Drama 3 é um tipo de produto completamente diferente. É um MoE de 35B com cerca de 3 bilhões de parâmetros ativos por token, inicializado a partir do Qwen3.5-35B-A3B, 40 camadas, 8 de 256 especialistas roteados mais um compartilhado — é por isso que consegue soar expressivo e ainda caber em um único acelerador. Ele cobre 83 idiomas, clona vozes, lida com até 16 falantes em uma única passagem e aceita indicações de cena em linguagem natural entre colchetes, como [suspiros], que o modelo interpreta. Também é, segundo o próprio model card da Fish, criado para performance dirigida: dublagem, narração, cenas com vários personagens. O loop de telefonia de menos de 100 ms não é para o que ele foi ajustado.

Essa distinção não é uma crítica a nenhum dos dois. É justamente o motivo pelo qual a comparação existe: Drama 3 é o único modelo desta série que você pode possuir em definitivo, e AssemblyAI-TTS-1 é o único desta série que você pode colocar diante de alguém que liga hoje à tarde sem comprar uma GPU.

A matemática da concorrência é o argumento de verdade.

Ambos os fornecedores publicam um número de latência e nenhum deles é diretamente comparável, então trate o que segue como duas alegações separadas, e não como um confronto direto.

• Drama 3, ficha do modelo do fornecedor — 88,9 ms de tempo mediano até o primeiro áudio em um único fluxo em uma H200, fator de tempo real 0,131, 271 quadros por segundo. O suporte de serving chegou em poucos dias após o lançamento, e o mesmo hardware mantém 255 ms de tempo mediano até o primeiro áudio com 128 fluxos simultâneos, ou cerca de 222 segundos de áudio por segundo real.

AssemblyAI-TTS-1, laboratório do fornecedor — 47 ms de tempo mediano até o primeiro byte; medido de forma independente pela Cekura em 159 ms de tempo mediano de inicialização do streaming e 296 ms no p90, com 162 caracteres por segundo de taxa de transferência na medição da Artificial Analysis.

Veja o que acontece com o número do Drama 3 à medida que a carga aumenta: 88,9 ms com um único fluxo, 255 ms com 128 fluxos. Essa é uma curva perfeitamente boa para um pipeline de dublagem e marginal para uma central de atendimento, onde cada milissegundo antes de o chamador ouvir algo é um milissegundo de silêncio total. A contra-alegação da AssemblyAI não é um número mais rápido, é a ausência de uma curva — concorrência ilimitada a uma taxa fixa, porque o problema de agendamento é do fornecedor e você nunca o vê. Se essa promessa sobrevive ao seu próprio tráfego é exatamente o que testar, já que uma alegação de concorrência ilimitada sem comportamento de fila publicado é uma alegação sobre o cluster de outra pessoa.

Duas contas que não estão nas mesmas unidades

A Fish lista o Drama 3 a US$ 50,00 por milhão de bytes UTF-8, o que a própria documentação do fornecedor equipara a aproximadamente doze horas de fala — cerca de US$ 4,17 por hora de áudio. Há uma promoção de lançamento a US$ 10,00 por milhão de bytes, cerca de US$ 0,83 por hora, válida até 12 de novembro de 2026. O AssemblyAI-TTS-1 a US$ 15 por milhão de caracteres equivale a aproximadamente US$ 0,81 por hora de fala, usando a mesma suposição generosa de cerca de 900 caracteres por minuto de áudio conversacional comum.

Então, durante a promoção, os preços dos dois ficam dentro de um erro de arredondamento um do outro e, pelo preço de tabela, o Fish é cerca de cinco vezes mais caro por hora de saída — e isso antes de você comprar a H200. A auto-hospedagem não elimina o custo: ela converte uma conta por caractere em uma conta por hora de GPU mais uma pessoa que saiba como servi-lo.

Vale a pena nomear duas armadilhas, porque é fácil cair nelas.

Caracteres não são bytes. O Fish cobra por byte UTF-8, a AssemblyAI por caractere. O texto em inglês fica próximo de um byte por caractere, então os dois parecem comparáveis; já sistemas de escrita japoneses, árabes ou com muitos emojis inflam a contagem de bytes e aumentam discretamente a conta do Drama 3 em 30–100% no mesmo roteiro.

• Um cabeçalho de modelo ausente não falha de forma explícita. A própria documentação do Fish observa que um identificador de modelo ausente ou escrito incorretamente recai sobre o s2.1-pro a US$ 15,00 por milhão de bytes — uma sobretaxa de 50% em relação à tarifa promocional do Drama 3, para um modelo diferente, sem qualquer erro na resposta.

Há um terceiro número em circulação, e vale a pena nomeá-lo porque você o encontrará em um ranking. A coluna de preços da Artificial Analysis registra o Drama 3 a $15.0 por milhão de caracteres, o que não bate com os $50 por milhão de bytes da Fish nem com os $10 promocionais. Três números — preço de tabela, promoção, normalização do ranking — e apenas os dois primeiros vêm do fornecedor. O número do ranking é uma unidade de comparação, não uma cotação.

O bloco de licença na parte inferior do post

O Drama 3 não é de código aberto no sentido que a maioria das equipes pressupõe. Ele é distribuído sob a Fish Audio Community License v1.0: o uso comercial é gratuito abaixo de US$ 500.000 em receita anual, acima disso aplica-se uma licença separada, e a revenda do modelo como uma API TTS hospedada exige um acordo próprio, independentemente do porte. A Artificial Analysis o registra como pesos abertos sem direitos comerciais plenos, que é a descrição correta.

O AssemblyAI-TTS-1 não tem essa barreira porque não tem pesos — você não pode hospedá-lo por conta própria, fazer fine-tuning nele nem continuar a usá-lo se o fornecedor alterar os preços. É essa a troca que ninguém coloca num gráfico comparativo: a licença do Drama 3 limita o que você pode fazer com o modelo, e a arquitetura do AssemblyAI-TTS-1 limita o que você pode fazer sem o fornecedor.

A lacuna de qualidade, dita uma vez

No Provider Voice Arena da Artificial Analysis — consultado em 30 de outubro de 2026, portanto a mesma execução para ambos —, o Drama 3 ocupa o sexto lugar, com 1.278 pontos Elo, e o AssemblyAI-TTS-1 o décimo quarto, com 1.227. No Controlled Voice Arena, o Drama 3 é o décimo segundo, com 1.085, e o AssemblyAI-TTS-1 é o décimo, com 1.110, o que inverte a ordem e indica que os dois rankings estão medindo coisas diferentes: vozes padrão no primeiro, fidelidade de clonagem em relação a uma referência fixa no segundo. O Drama 3 é o mais bem colocado dos dois em voz natural, e os dois ficam dentro da margem de ruído um do outro quando a gravação de referência é mantida constante.

O número que mais nitidamente os separa é a robustez de pronúncia, em que o Drama 3 lidera o ranking de forma incontestável — as fontes situam o valor em algum ponto entre aproximadamente 93% e 95%, dependendo de quando a página foi consultada, então considere a classificação o fato e a casa decimal mera decoração. O AssemblyAI-TTS-1 marca 81,7% no mesmo instrumento, em décimo sexto lugar, com sua subpontuação mais fraca em expansão de abreviações, com 73,8%. Se sua entrada estiver repleta de abreviações, o Drama 3 lida com elas sem dicionário. Se sua entrada for um número de telefone lido em voz alta, o teste independente da Cekura coloca o AssemblyAI-TTS-1 em primeiro lugar em seu campo, com 91,7% exatamente nessa categoria.

O benchmark de nenhum dos fornecedores deve ser lido como independente. A precisão de 99,0% por palavra, o MOS previsto de 3,85 e a pontuação TTSDS de 85,5 da AssemblyAI vêm do seu próprio harness de avaliação, aplicado aos seus próprios conjuntos de teste reservados; os 88,9 ms e os 271 quadros por segundo da Fish vêm do seu próprio model card. As medições de terceiros — Artificial Analysis, Cekura e Coval — são as únicas neste artigo produzidas por alguém sem produto para vender.

Escolha pelo que você consegue operar, não pelo que está mais bem ranqueado.

Existem exatamente três situações em que o Drama 3 é a resposta certa. Você precisa de uma performance expressiva e dirigida, com indicações de cena e vários falantes em uma única passagem — nem há discussão: o AssemblyAI-TTS-1 não tem equivalente. Você precisa de um idioma fora dos seis com que a AssemblyAI foi lançada — 83 contra 6, e a comparação termina aí. Ou você precisa do modelo em seu próprio hardware por motivos de residência de dados que uma região de fornecedor nos EUA ou na UE não satisfaz — o que é um requisito real para algumas cargas de trabalho regulamentadas e o único que justifica a GPU.

Todo mundo está comprando um agente telefônico, e um agente telefônico quer uma conta fixa, nenhuma fila atrás do H200 de outra pessoa e um problema de pronúncia que ele mesmo consiga corrigir. O AssemblyAI-TTS-1 entrega os dois primeiros e ainda não entrega o terceiro. É essa a real configuração da coisa: o Drama 3 é o melhor modelo e o pior produto para esta função.

O compromisso prático com que a maioria das equipes vai ficar é ambos — Drama 3 para o áudio gerado que você entrega como conteúdo, AssemblyAI-TTS-1 para a fala turno a turno no loop ao vivo, com um caminho de fallback entre eles. Manter um segundo fornecedor de TTS conectado é a mesma disciplina que o OrcaRouter aplica à metade de modelo de linguagem dessa stack: uma API para mais de 200 modelos pelo preço de tabela do fornecedor com 0% de markup, failover automático quando um fornecedor degrada, e uma DSL de roteamento que permite que um endpoint sirva vários modelos em vez de vários contratos. Nenhum desses dois modelos de fala está no catálogo do OrcaRouter hoje — as rotas de fala que oferecemos são a família tts-1 da OpenAI e as prévias do Gemini TTS do Google — então leia isso como o formato do argumento, e não como uma sugestão de que você pode comprar o Drama 3 aqui.

O que mudaria este veredito: a Fish publicar uma curva de concorrência que se mantenha abaixo de 150 ms com o volume de um call center, ou a AssemblyAI adicionar um dicionário de pronúncia e mais quatro idiomas. Fique de olho no segundo primeiro. É uma mudança de configuração, e a empresa que lançou uma tabela de tarifas fixa de US$ 15 já mostrou que prefere competir no valor da fatura.