Fish Audio Drama 3 agora ocupa as duas arenas de fala ao mesmo tempo — e nenhum dos números é o que você viu na semana passada

A tabela de classificação contém dois registros para um mesmo produto. Fish Audio Drama 3 ocupa o sexto lugar no Artificial Analysis Provider Voice Arena, com um Elo de 1.278, e o décimo segundo lugar no Controlled Voice Arena, com 1.085, e, em ambas as tabelas, é o modelo de pesos abertos mais bem classificado da tabela. O registro rotulado Fish Audio Drama 3 Preview — o que ganhou a imprensa quando a Fish Audio o publicou em 2026-10-13 — ainda aparece listado separadamente, com 1.240 e 1.063. Isso representa uma diferença de 38 pontos em uma tabela e de 22 na outra, para o que a própria página do produto do fornecedor chama de um único modelo sob dois nomes. Se você citou um Elo do Drama 3 nas últimas duas semanas, este é o texto que diz qual dos dois você estava citando.

O que os conselhos realmente dizem hoje

Ambas as cifras foram lidas no Artificial Analysis em 29/10/2026, e ambas trazem o mesmo preço registrado no ranking, de US$ 15,00 por milhão de caracteres, portanto a diferença de 38 pontos não é uma mudança de preço — são duas avaliações de dois estados arquivados do mesmo modelo. As posições de vozes de provedores acima do Drama 3 são todas de sistemas fechados: Eleven v4 Turbo com 1.336 e US$ 40,00, Eleven v4 com 1.334 e US$ 80,00, Qwen-Audio-3.1-TTS-Plus com 1.305 e US$ 19,30, Cartesia Sonic 3.6 com 1.296 e US$ 49,00 e Google Gemini 3.8 Flash TTS com 1.283 e US$ 16,50. Cada uma delas custa mais por milhão de caracteres do que a entrada da Fish Audio classificada imediatamente abaixo delas.

O painel de voz controlada é onde os dois registros do Drama 3 mais se separam em classificação, e onde a afirmação sobre open-weights é mais fácil de verificar, porque todos os modelos ali são avaliados nas mesmas vozes de referência fixas, e não no catálogo próprio de cada fornecedor. Distribuição completa das entradas open-weights até hoje:

Voz do Provedor — Fish Audio Drama 3 1.278 (#6); Fish Audio Drama 3 Prévia 1.240 (#12); Breeze TTS 2 1.228 (#13); Voxtral 3 TTS 1.223 (#15).

• Voz Controlada — Fish Audio Drama 3 1.085 (#12); Ming-3.0-tts 1.068 (#17); Fish Audio Drama 3 Preview 1.063 (#20); Breeze TTS 2 1.021 (#28).

• A diferença que importa — em vozes controladas, o Drama 3 ainda está atrás do Eleven v4 (1.156, #4), do Inworld Realtime TTS-2 (1.146, #7), e o Google Gemini 3.8 Flash TTS (1.053, #24) está abaixo dele, mas os sistemas fechados no topo desse ranking não estão a quatro pontos de distância, e sim a setenta. O HeyGen Voice lidera com 1.193.

Duas coisas se seguem. Primeiro, "primeiro entre os pesos abertos" é verdadeiro em ambas as arenas hoje, e não é um empate em nenhuma delas. Segundo, a margem no painel controlado — 17 Elo sobre Ming-3.0-tts com um quinto do número de parâmetros — está dentro do intervalo em que alguns milhares de votos podem alterar a ordem, então trate isso como uma liderança, e não como uma vantagem garantida.

A pontuação de pronúncia é um primeiro lugar compartilhado, não um primeiro lugar absoluto.

O anúncio da Fish Audio cita 93,2% no benchmark English Pronunciation Robustness da Artificial Analysis, contra 88,1% do seu S2.1 Pro anterior, e o descreve como a pontuação mais alta do ranking. Isso era exato quando a pontuação foi registrada em 2026-10-20, com uma ressalva que o texto de marketing omite: o Ming-3.0-tts da Ant Group alcançou os mesmos 93,2%, de modo que o ranking mostra um empate em primeiro lugar entre 31 modelos avaliados, e não um líder único. O Eleven v4 está em 91,7%, e o Eleven v4 Turbo, em 90,1%.

O agregado esconde uma troca real. A força do Drama 3 são os nomes próprios e as palavras dependentes do contexto — 95,9% em termos isolados, como marcas, lugares e nomes técnicos, e 95,3% em palavras cuja leitura depende da frase. A sua fraqueza é tudo o que tem de ser reproduzido caráter por caráter: 86,3% em códigos, caminhos e endereços de e-mail, que é onde o Ming atinge 90,6%. A única categoria em que o Drama 3 perde claramente é a expansão de abreviaturas — números, datas e unidades — com 93,6% contra 94,1% do Eleven v4. Se o seu pipeline lê números de encomenda, códigos de peças ou cadeias de rastreio em voz alta, o valor de destaque de 93,2% é o número errado para planear; os 86,3% são o número certo.

O que foi lançado em 2026-10-13, e o que dezesseis dias mudam

Nada disso é um lançamento, e não deve ser noticiado como tal. A Fish Audio disponibilizou o modelo em seu aplicativo web, em seus aplicativos iOS e Android e em sua API em 2026-10-13, com o id de modelo da API "drama-3". O que é novo nas últimas duas semanas é a avaliação independente do modelo comercial, não a existência do modelo. Vale explicitar as consequências práticas dessa distinção, porque a cobertura anterior deste modelo — inclusive neste blog — foi escrita com base nos dados do Preview.

A arquitetura não mudou entre os dois registros: uma mistura de especialistas com 35 bilhões de parâmetros, inicializada a partir do Qwen3.5-35B-A3B, com cerca de 3 bilhões de parâmetros ativos por token e 8 de 256 especialistas roteados, mais um especialista compartilhado, sendo ativados. Quarenta camadas organizadas em blocos repetidos de três camadas Gated DeltaNet e uma camada de atenção completa com gate, de modo que apenas uma camada em cada quatro mantém um cache KV. O decodificador é um design codebook-MTP — quatro camadas compartilhadas alimentando nove camadas de largura total, uma por codebook acústico — e apenas os codebooks 0 e 1 são realimentados no backbone. O tokenizador é a mesma configuração do Descript Audio Codec que o S2 usou: 44,1 kHz, dez codebooks, cerca de 21,5 quadros por segundo, totalmente causal. Vale observar uma pequena inconsistência, porque ela confundirá qualquer pessoa que compare as duas fontes: o anúncio da Fish Audio diz 35 bilhões de parâmetros, e o model card do Hugging Face informa um tamanho de modelo de 36B. A diferença provavelmente é uma convenção de arredondamento ou de contagem de embeddings, e não um checkpoint diferente, mas os dois números são o que você encontrará em cada lugar.

A vazão em um único H200 é um número do fornecedor de 271 quadros por segundo, contra 177 para o S2, que é o que um MoE de 35B com um caminho ativo de 3B deve proporcionar. O serving é feito via SGLang-Omni. Os pesos estão no Hugging Face como fishaudio/drama-3 — cerca de 40 GB distribuídos em um conjunto de shards safetensors mais um arquivo de codec separado — e a inferência em FP8 exige aproximadamente 48 GB de VRAM, sem nenhum caminho documentado para CPU ou ROCm. Essa última restrição é a que decide a maioria das questões de auto-hospedagem, e é o assunto da comparação do Breeze TTS 2, e não desta.

Três preços, e o cartão não é aquele contra o qual você deve planejar.

Aqui, a procedência precisa ser explícita, porque há três números em circulação e dois deles não são o que parecem. A Artificial Analysis registra $15.00 por milhão de caracteres para ambas as entradas do Drama 3. A própria página de anúncio da Fish Audio informa um preço de tabela de $50.00 por milhão de caracteres, com uma tarifa de lançamento de $10.00, 80% de desconto, até 2026-11-12. E a documentação para desenvolvedores da Fish Audio cobra em uma terceira unidade completamente distinta: por milhão de bytes UTF-8, com drama-3 a $50.00, s2.1-pro a $15.00, e a tarifa de lançamento a $10.00 até 2026-11-12 09:00 PT. O inglês fica próximo de um byte por caractere, então os números em bytes e em caracteres são aproximadamente intercambiáveis para texto em inglês e divergem acentuadamente para sistemas de escrita que custam mais de um byte por glifo.

Os $15,00 no ranking merecem uma segunda olhada, em vez de um encolher de ombros, porque correspondem exatamente à tarifa de tabela do s2.1-pro, modelo anterior da Fish Audio, e não à tarifa do modelo que está sendo avaliado. Ou o ranking registrou um valor combinado ou transportado, ou precificou o modelo a uma tarifa que a Fish Audio não publica para ele. O número para orçar é o da própria tabela de preços da Fish Audio: $50,00 por milhão de bytes UTF-8 na tabela, que a documentação do provedor equipara a cerca de 180.000 palavras em inglês, ou aproximadamente doze horas de fala — o que dá $4,17 por hora de áudio finalizado. Um desconto de lançamento que expira em duas semanas não é uma tabela de preços; a $10,00, as mesmas doze horas custam cerca de $0,83.

Licença: pesos abertos, não código aberto, e uma cláusula que decide muito

Os pesos são publicados sob a Fish Audio Community License v1.0. A utilização para investigação e uso não comercial é gratuita. O uso comercial é gratuito se você e as suas afiliadas permanecerem abaixo de US$ 500.000 de receita anual; acima desse valor, ou se quiser oferecer o Drama 3 como serviço de conversão de texto em fala, clonagem de voz ou inferência, precisará de uma licença separada da Fish Audio. A licença também proíbe a clonagem da voz de uma pessoa real sem consentimento, e o FAQ da Fish Audio considera "produzir áudio finalizado para clientes" como permitido, o que é a cláusula que importa para agências e produtoras de pós-produção. O S2 continua sob a licença de investigação mais restritiva, pelo que as duas gerações não são interoperáveis numa implementação comercial.

A Artificial Analysis lista o modelo como pesos abertos sem direitos comerciais completos. Essa é a descrição honesta: você pode baixá-lo e executá-lo, mas não necessariamente pode vender acesso a ele. Qualquer pessoa que planeje criar um produto hospedado com base nesses pesos deve ler a cláusula de serviço antes de construir a página de cobrança, não depois.

Como fica um pipeline de produção

O motivo de o resultado nas duas arenas merecer um post em vez de uma nota de rodapé é que ele muda o que uma equipe pode assumir. Dezesseis dias atrás, a afirmação defensável era que um modelo de pesos abertos havia entrado no top ten de um ranking de preferências e reivindicado liderança em pronúncia com base em sua própria avaliação. Hoje, o veredito independente é mais restrito e mais forte: ele é o melhor modelo de pesos abertos nas duas arenas, divide o primeiro lugar em pronúncia em vez de ocupá-lo sozinho, e faz isso a uma taxa de nível intermediário, com pesos que qualquer pessoa pode baixar.

O Drama 3 não é um dos modelos disponíveis no OrcaRouter. Ele é acessado pela API própria do Fish Audio e por diversas plataformas de terceiros, e um texto que fingisse o contrário estaria mentindo para você sobre justamente aquilo que este blog existe para fazer. O que fazemos é a outra metade do problema: os ~200 modelos atrás de uma única chave, pelo preço de tabela do provedor e sem markup, failover automático, o DSL de roteamento e a fusão de modelos são a forma como um pipeline que já chama outros fornecedores absorve um modelo como este sem um segundo contrato e um segundo SDK. Se o Drama 3 se tornar a voz de narração em uma fila de renderização e a fila tiver um prazo, o valor de rotear todo o resto por um único endpoint é que um caminho de nova tentativa já existe.

O que observar nas próximas duas semanas, em ordem de quanto isso mudaria o panorama: se a diferença de 22 pontos entre os dois registros do Drama 3 diminui ou aumenta à medida que mais votos chegam à entrada de varejo; se o Ming-3.0-tts passa à frente em pronúncia depois que sua pontuação de nomes próprios em 21º lugar for medida novamente com uma contagem de spans maior; e se alguém fora da Fish Audio reproduz o número de 271 quadros por segundo em hardware que não seja um H200. Os números da arena estão consolidados o suficiente para serem citados. O número de vazão ainda é uma alegação do fornecedor, e a licença continua sendo o fator mais provável de determinar se uma equipe pode sequer usar isto.