Fish Audio Drama 3 Preview lidera o Open-Weights Speech Arena

Fish Audio Drama 3 Preview é o modelo que a Fish Audio publicou em 13 de outubro de 2026 e, na manhã seguinte, já havia assumido o primeiro lugar entre os sistemas de pesos abertos no ranking de conversão de texto em fala da Artificial Analysis. O que faz essa colocação merecer uma segunda olhada não é o topo — é o preço atrelado a ela. A entrada traz uma tarifa de tabela de US$ 15,00 por milhão de caracteres, enquanto todos os modelos classificados perto dela custam de duas a cinco vezes mais, e os dois modelos imediatamente acima dela no ranking, ElevenLabs Eleven v4 Turbo e ElevenLabs Eleven v4, são sistemas fechados com preços por caractere que escalam no sentido errado para quem produz áudio de formato longo.

Na Provider Voice Arena do ranking, onde as próprias vozes de cada fornecedor competem entre si, o Fish Audio Drama 3 Preview ocupa a 10ª posição, com um Elo de 1.243. Isso o deixa atrás da dupla da ElevenLabs, com 1.330 e 1.328, atrás do Cartesia Sonic 3.6, com 1.286, atrás do Qwen-Audio-3.1-TTS-Plus, com 1.300, e do Qwen-Audio-3.0-TTS-Plus, com 1.268, e atrás do Gemini 3.8 Flash TTS, com 1.274. Está à frente da segunda entrada de pesos abertos, Breeze TTS 2, que está em 1.221 e custa US$ 34,00 por milhão de caracteres — um pouco mais que o dobro da tarifa do Drama 3 Preview. Dos 97 modelos naquele ranking, 17 são de pesos abertos, e o novo preview da Fish Audio é o mais bem classificado entre eles.

Leia o número com as barras de erro anexadas. O intervalo reportado pelo ranking para a entrada vai de 1.226,8 a 1.258,8, aproximadamente 1.857 comparações cegas, em 8 vozes da arena. Contra o Breeze TTS 2, a diferença é confortável. Contra o Speechify Simba 3.2, a 1.245 e US$ 6,60, não é — trata-se de uma diferença de 2 pontos com intervalos sobrepostos, e ninguém deveria basear uma decisão de compra nisso. O resumo honesto é que o Drama 3 Preview colocou um modelo de pesos abertos no top ten de um ranking onde antes não tinha nada que fazer, e fez isso a um preço de faixa intermediária.

O que o modelo realmente é

Fish Audio descreve o Drama 3 Preview como um modelo de mistura de especialistas com 35 bilhões de parâmetros, com cerca de 3 bilhões de parâmetros ativos por token. Ele usa uma pilha de atenção híbrida — Gated DeltaNet combinado com atenção completa com gate — emparelhada com um decodificador codebook-MTP e um tokenizador baseado em DAC operando a 44,1 kHz. A fusão parcial de codebooks realimenta apenas os dois primeiros codebooks no loop. O treinamento passou por três estágios de pré-treinamento, depois ajuste fino por instruções e, em seguida, aprendizado por reforço contra um único modelo de recompensa de preferência humana, sem modelagem de recompensa baseada em regras.

A alegação de throughput que o acompanha é a parte que mais interessará aos profissionais: a Fish Audio relata 271 frames por segundo numa única H200, contra 177 do modelo S2 a que sucede, apesar de ter muitos mais parâmetros. Este é um valor do fornecedor, não um benchmark verificado, e irá variar com o batching e o comprimento da sequência — mas a direção é consistente com uma arquitetura esparsa a fazer o que as arquiteturas esparsas devem fazer.

A superfície da API está inalterada em relação ao endpoint S2.1 Pro. As requisições vão para POST https://api.fish.audio/v1/tts, e uma requisição que omite o campo model ou informa um que o serviço não reconhece faz fallback para s2.1-pro em vez de retornar erro. Esse fallback é conveniente e vale a pena conhecer, porque significa que um erro de digitação no nome do modelo produz áudio que soa plausível com a voz errada, em vez de um 400.

Controle de direção, diálogo em uma única passagem e reparo de palavra única

Três capacidades distinguem esta versão da geração anterior, e todas as três estão voltadas para o trabalho de produção roteirizada, e não para conversa ao vivo.

• Direção em linguagem natural. Em vez de um vocabulário fixo de tags, o modelo aceita instruções descritivas simples, como [nervoso, quase desmoronando] ou [caloroso e relaxado, como conversar com um velho amigo], e pode mudar a emoção ou a entrega no meio da frase sem gerar uma nova tomada. Tags inline emparelhadas como <whisper>…</whisper> e sinais como [sigh] aplicam-se apenas ao texto que envolvem, de modo que uma linha pode mudar de registro no meio por construção, e não por sorte.

• Diálogo com vários falantes em uma única passagem. Cada personagem mantém sua própria voz dentro de uma geração, o que remove a etapa de emenda que normalmente fica entre um modelo TTS e uma cena finalizada. Para drama em áudio e diálogos de jogos, essa é a diferença entre um pipeline e um projeto de pesquisa.

• Inpainting de áudio. Um segmento pode ser reselecionado, receber uma nova instrução e ser regenerado de forma independente, o que é a correção de fluxo de trabalho para a única palavra pronunciada incorretamente que antes exigia uma renderização completa. O Fish Audio lista a experiência de edição interativa, a ferramenta de inpainting e uma API de edição como acesso somente por convite ou em breve, então o recurso existe, mas a interface ainda não está aberta ao público em geral.

Fish Audio também afirma 83 idiomas com consistência linguística em roteiros longos e troca no meio da cena, controle de pronúncia em nível de fonema em inglês, chinês, japonês, coreano e vários outros idiomas, e clonagem de voz no estilo S2 a partir de clipes de referência de cerca de 10 a 30 segundos. A demonstração de lançamento usou um clone de voz do Uncle Roger que a empresa diz ter sido feito e usado com permissão.

A alegação sobre a pronúncia e de onde ela vem

O anúncio da Fish Audio afirma que o Drama 3 Preview obtém 93,2% no geral em um leaderboard de Robustez de Pronúncia da Artificial Analysis e ocupa o primeiro lugar, à frente do ElevenLabs Eleven v4 e do Eleven v4 Turbo. As subpontuações que publica são 95,9% em nomes, marcas e termos técnicos, contra 87,3% do Fish Audio S2.1 Pro; 95,3% em palavras dependentes de contexto, contra 86,1%; 93,6% em números, datas e unidades, contra 92,7%; e 86,3% em códigos, caminhos e endereços de e-mail, contra 79,4%.

Esses números vêm do próprio anúncio da Fish Audio. Quando fui procurar o quadro para ler diretamente as pontuações por modelo, os caminhos de robustez de pronúncia retornaram erros 404, e a interface do leaderboard que consegui carregar exibiu o ranking Elo sem nenhum valor citável de pronúncia por modelo anexado. Portanto, todo número no parágrafo acima é informado pelo fornecedor e deve ser rotulado como tal em qualquer apresentação que o utilize. Os números de Elo em outras partes deste artigo são diferentes: esses eu li diretamente do quadro, e eles trazem os próprios intervalos de confiança do quadro.

A queixa subjacente que a alegação aborda é real, independentemente de em qual número você confie. A pronúncia de nomes próprios, códigos de produto e caminhos de arquivo é o modo de falha que faz as equipes voltarem a contratar talentos de voz humana, e é o que a maioria dos fornecedores de TTS tem demorado mais para corrigir, porque não é um problema de prosódia. Um modelo que acerta 86,3% dos códigos, caminhos e e-mails, contra 79,4% de um antecessor, ainda erra aproximadamente uma vez em cada sete.

O que "pesos abertos" significa sob esta licença

Fish Audio Drama 3 Preview é distribuído sob a Fish Audio Community License v1.0. Leia os termos antes de planejar com base neles. A licença é gratuita para pesquisa e uso não comercial, e é gratuita para uso comercial se você e suas afiliadas permanecerem abaixo de US$500.000 em receita anual. Acima desse limite — ou se você quiser oferecer o modelo como um serviço de texto para fala, clonagem de voz ou inferência, independentemente do porte — você precisa de uma licença da Fish Audio. A linha S2 permanece sob uma Licença de Pesquisa separada. Clonar a voz de uma pessoa real sem consentimento é terminantemente proibido.

O limiar comercial é corroborado de forma independente: o painel da Artificial Analysis sinaliza a entrada como pesos abertos sem direitos de uso comercial, o que é consistente com uma licença condicionada à receita, e não com uma licença irrestrita. Se você é um pequeno estúdio, pesos abertos sob esta licença representam uma opção genuína. Se você é uma plataforma que revende inferência, não são pesos abertos no sentido que você esperava.

Preços e a oferta de lançamento

O preço de tabela da API é US$ 50 por milhão de caracteres, com desconto de 80% para US$ 10 por milhão de 13 de outubro a 12 de novembro de 2026. Os créditos do Creator correspondem aos do S2.1 Pro, e os novos planos Plus, Pro e Max estão pela metade do preço durante o mesmo período. O Artificial Analysis registra o preço do ranking como US$ 15,00 por milhão de caracteres nas configurações padrão, que é o número a ser usado ao comparar com outras entradas nesse ranking, e não com a própria tabela de preços da Fish Audio.

A janela promocional é a parte que tem um prazo real. A US$ 10 por milhão de caracteres, o Drama 3 Preview cobra menos do que praticamente todos os modelos concorrentes do ranking, por uma margem ampla. A US$ 50, é mais caro que o Cartesia Sonic 3.6, a US$ 49, e muito acima do Qwen-Audio-3.0-TTS-Plus, a US$ 19,30. Quem estiver montando um modelo de custos com a tarifa com desconto deve montar um segundo com a tarifa de tabela e verificar se o projeto ainda funciona.

Onde isto se encaixa em uma stack de produção

Áudio roteirizado, renderizado uma vez, é o ponto ideal: audiolivros, drama em áudio, diálogos de jogos e animação, vídeos de formato curto. A geração de múltiplos locutores em passagem única e o fluxo de trabalho de inpainting existem para atender a esse tipo de trabalho, e o preço é por caractere em vez de por minuto, o que favorece roteiros longos. A edição interativa e a API de edição ainda não estão disponíveis de forma geral, então um fluxo de trabalho que depende delas é um fluxo de trabalho que depende de um convite.

A questão operacional depois disso é o roteamento, e ela é mais difícil para fala do que para texto. O Fish Audio Drama 3 Preview não é um dos modelos no OrcaRouter hoje. Ele é acessado pela própria API do fornecedor e por várias plataformas de terceiros. O mesmo vale para a maioria dos modelos comparados acima — o top ten do ranking de fala é um conjunto de endpoints específicos de fornecedores, com autenticação específica de fornecedor, e cada um é a sua própria integração e o seu próprio domínio de indisponibilidade. Do OrcaRouter, ~200 modelos atrás de uma única chave pelo preço de tabela do provedor, sem markup, cobrem trabalho de texto, visão e raciocínio, e o seu failover automático existe justamente para o caso em que o endpoint de um provedor se degrada no meio da execução. O padrão prático para um caminho de fala em produção é manter o fornecedor de fala direto e manter tudo o que ele orquestra — a sumarização, a etapa de tradução, o construtor de dicionário de pronúncia, o classificador de QA — atrás de um único endpoint roteado, para que um failover ali não leve o pipeline de renderização junto.

Conclusão

Fish Audio Drama 3 Preview é um resultado real, e não um artefato da semana de lançamento: 10º lugar na Provider Voice Arena, com um Elo de 1.243, o primeiro entre as 17 entradas de pesos abertos da tabela, a US$ 15,00 por milhão de caracteres contra US$ 34 do próximo modelo de pesos abertos abaixo. As diferenças para o topo da tabela ainda são grandes e os intervalos de confiança se sobrepõem aos de seus vizinhos mais próximos, então a coroa dos pesos abertos é uma posição de partida, não uma liderança. A porcentagem de 93,2% de pronúncia é do próprio fornecedor e não pôde ser verificada de forma independente na tabela. A licença tem um teto de receita de US$ 500.000 para uso comercial, o que o tornará completamente inviável para algumas equipes. E a tarifa de US$ 10 expira em 12 de novembro de 2026.

Para um estúdio que produz áudio roteirizado em volume, a combinação de geração de vários locutores em uma única passagem, inpainting de palavra única e uma licença de pesos abertos sob o limite de receita é o argumento mais forte aqui — mais forte do que a posição no leaderboard que vai render as manchetes.

É também em escolhas de modelo como esta que os modos de falha se manifestam: os incidentes de IA documentados e as falhas de agentes por trás dos modelos desta classe estão reunidos no Arquivo de Incidentes de IA da OrcaRouter, onde cada entrada traz suas próprias fontes, gravidade, grau de confiança e indicador de disputa.