Fish Audio Drama 3 vs Breeze TTS 2: A comparação de pesos abertos que termina em um número de VRAM

Fish Audio Drama 3 e Breeze TTS 2 são os dois modelos de conversão de texto em fala com pesos abertos mais bem classificados na Provider Voice Arena, da Artificial Analysis, separados por 50 pontos de Elo, e não estão realmente competindo pelo mesmo tipo de implantação. O Drama 3 é um modelo de mistura de especialistas com 35 bilhões de parâmetros que exige uma única placa de 48 GB. O Breeze TTS 2, da BreezeBlue, é um modelo denso de 3 bilhões de parâmetros com código de inferência em PyTorch publicado. Essa diferença de pegada decide mais questões de compra do que a diferença de Elo, porque o modelo que você não consegue executar não é um modelo que você consegue avaliar — e, além disso, as duas licenças puxam em direções opostas.

Mesmo rótulo, dois tipos diferentes de pesos abertos

Ambas as entradas exibem um link de pesos no quadro, e ambas seriam descritas num comunicado de imprensa como abertas. Nenhuma delas é de código aberto, e as restrições não têm a mesma forma.

Os pesos do Breeze TTS 2 foram disponibilizados no Hugging Face em 25 de agosto de 2026 como BreezeBlue/Breeze-TTS-2, juntamente com o código de inferência em PyTorch, sob uma licença de pesquisa e não comercial. Isso é um impedimento absoluto para a implantação comercial sem um acordo separado, e isso não mudou desde então. A empresa anunciou o modelo em 16 e 17 de agosto de 2026 como um modelo de voz em tempo real para mídia interativa, lançou uma API hospedada a US$ 34 por milhão de caracteres e publicou os pesos nove dias depois. A BreezeBlue foi fundada por Yang Bin, ex-cofundador técnico da MiniMax, com uma rodada seed de US$ 6 milhões liderada pela Yuanjing Capital e pela Redpoint China.

O Fish Audio Drama 3 é distribuído sob a Fish Audio Community License v1.0, que é materialmente mais permissiva no aspecto que mais importa para a maioria das equipes: o uso comercial é gratuito abaixo de US$ 500.000 em receita anual para você e suas afiliadas, e o FAQ considera permitida a produção de áudio finalizado para clientes. Acima desse limite, ou se você quiser hospedar o Drama 3 como serviço de texto para fala, clonagem de voz ou inferência, você precisará de uma licença da Fish Audio. A licença também proíbe clonar a voz de uma pessoa real sem consentimento. O S2 — o antecessor — permanece sob a Research License mais restritiva, portanto as duas gerações da Fish Audio não podem ser tratadas como uma única categoria jurídica.

A leitura prática: Breeze TTS 2 é o modelo mais fácil de experimentar e o mais difícil de lançar comercialmente; Drama 3 é o inverso. Se a sua avaliação é uma demonstração de pesquisa ou uma ferramenta interna, a licença do Breeze não está no seu caminho, e seu footprint de 3B torna o experimento barato. Se a sua avaliação termina em um produto, os termos da Fish Audio são os que um advogado assinará sem negociação.

Um detalhe na ficha do modelo Breeze merece ser destacado porque agora está desatualizado. A introdução da ficha ainda diz que o modelo "ocupa o 1.º lugar entre modelos de pesos abertos no ranking TTS da Artificial Analysis". Isso era verdade quando foi escrito; o ranking atual coloca o Breeze TTS 2 em décimo terceiro lugar em vozes de provedores e em vigésimo oitavo em vozes controladas, atrás de ambas as entradas da Fish Audio. As fichas de modelo envelhecem mais rápido que os rankings, e um leitor que verificasse apenas a ficha ficaria com a classificação errada.

Os números da arena, e por que a lacuna da voz controlada é a maior

Leia a partir do Artificial Analysis em 2026-10-29:

• Provider Voice Arena — Fish Audio Drama 3 na 6ª posição, com Elo de 1.278 e US$ 15,00 por milhão de caracteres registrados no ranking; Breeze TTS 2 na 13ª posição, com 1.228 e US$ 34,00. Uma diferença de 50 pontos, com todos os modelos classificados entre eles sendo sistemas fechados.

• Controlled Voice Arena — Fish Audio Drama 3 em 12º lugar, com 1.085; Breeze TTS 2 em 28º lugar, com 1.021. Uma diferença de 64 pontos, e este é o ranking em que cada modelo é avaliado com as mesmas vozes de referência fixas, em vez das vozes que o próprio fornecedor projetou.

• A direção da ampliação — a vantagem do Drama 3 cresce 14 pontos quando você exclui o catálogo de vozes do próprio fornecedor da comparação. Esse é o número mais útil deste confronto, porque mostra que a vantagem da Fish Audio não é um artefato de quão agradáveis soam suas vozes padrão.

Cinquenta ou sessenta e quatro pontos de Elo representam uma diferença real em testes cegos de preferência, e não é uma diferença que se sustente quando é o único modelo na comparação. Ambos estão muito abaixo da fronteira fechada: o Eleven v4 Turbo lidera o ranking de provedores com 1.336, e o HeyGen Voice lidera o ranking controlado com 1.193. O que o par de pesos abertos oferece é um piso auto-hospedável, não uma fronteira.

O que cada um realmente precisa para funcionar

É aqui que a comparação deixa de ser abstrata.

• Drama 3 — 35B parâmetros totais, cerca de 3B ativos por token, 8 de 256 especialistas roteados mais um compartilhado. Os pesos ocupam cerca de 40 GB distribuídos por um conjunto de shards mais um arquivo de codec separado, e a inferência em FP8 exige aproximadamente 48 GB de VRAM. A Fish Audio não documenta nenhum caminho para CPU, Apple Silicon ou ROCm. Em uma única H200, o fabricante relata 271 quadros por segundo, contra 177 do S2, o que é o retorno do investimento na arquitetura esparsa; esse número é informado pelo fabricante e não foi reproduzido fora da Fish Audio.

• Breeze TTS 2 — 3B parâmetros densos. Um checkpoint BF16 tem aproximadamente 6 GB, então cabe confortavelmente em uma placa de 24 GB e, plausivelmente, em placas menores com quantização. O código de inferência está no repositório, em vez de apenas subentendido. Não há números publicados de latência no nível de um único stream, mas o modelo foi projetado e vendido para mídia interativa em tempo real, o que é um requisito diferente de narração de alta fidelidade.

• Tokenizador — Drama 3 mantém a configuração do Descript Audio Codec do S2: 44,1 kHz, dez codebooks, cerca de 21,5 quadros por segundo, totalmente causal. O tokenizador do Breeze TTS 2 não é algo que eu possa citar de uma fonte primária, e uma comparação que inventasse um seria falsa precisão.

A consequência é dura. Uma equipe com quatro placas de 24 GB pode rodar o Breeze TTS 2 hoje e não consegue rodar o Drama 3 sem truques de sharding que a Fish Audio não documenta. Uma equipe com uma única placa da classe H200 está escolhendo entre um modelo que se encaixa no seu hardware e um modelo que é 50 Elo melhor. Nenhuma dessas é a resposta errada; são respostas para perguntas diferentes.

Custo em volume, na unidade que a Fish Audio realmente cobra

A documentação da Fish Audio cobra por milhão de bytes UTF-8, não por caractere, o que muda a aritmética para quem não escreve em inglês. Segundo essa mesma documentação, um milhão de bytes UTF-8 equivale a cerca de 180.000 palavras em inglês ou doze horas de fala. O Drama 3 está listado a US$ 50,00 por milhão de bytes — cerca de US$ 4,17 por hora de áudio finalizado — com preço de lançamento de US$ 10,00, cerca de US$ 0,83 por hora, até 2026-11-12 09:00 PT. O Breeze TTS 2 custa US$ 34,00 por milhão de caracteres e, com a mesma conversão aproximada, isso equivale a cerca de US$ 2,83 por hora.

Então o ranking se inverte dependendo do dia em que você compra. Durante a promoção, Drama 3 custa cerca de um terço do custo por hora do Breeze TTS 2. Depois de 2026-11-12, Drama 3 no preço de tabela fica cerca de 47% mais caro por hora que o Breeze — embora seja de 50 a 64 Elo melhor nas arenas e significativamente melhor na pronúncia. E, para texto CJK ou cirílico, a cobrança baseada em bytes leva o Drama 3 ainda mais para cima: um caractere de três bytes custa três vezes o que custa um caractere inglês segundo essa tabela, enquanto um fornecedor que cobra por caractere cobra o mesmo pelos dois.

Dois detalhes de cobrança da mesma documentação merecem entrar num modelo de orçamento, porque ambos inflam o gasto real silenciosamente. Os limites de taxa aplicam-se a requisições simultâneas, não a requisições por segundo — 5 simultâneas no tier inicial, 15 a partir de $100 pagos, 50 a partir de $1.000 — e uma requisição acima do limite retorna um 429 sem cabeçalho retry-after, então um renderizador paralelo ingênuo precisa implementar seu próprio backoff. E requisições que nomeiam um id de modelo ausente ou que não seja uma correspondência exata são atendidas e cobradas como o modelo padrão, o que, no lado do TTS, significa que um cabeçalho Drama 3 com erro de digitação durante a promoção pode cobrar você à tarifa do S2.1 Pro em vez do desconto.

Colocando os dois por trás de um único pipeline

Nem Fish Audio Drama 3 nem Breeze TTS 2 é um dos modelos no OrcaRouter. Cada um é acessado pela própria API do seu fornecedor e, no caso do Fish Audio, por plataformas de terceiros, e a versão honesta desta seção diz isso em vez de sugerir uma rota que não temos.

A camada de orquestração é uma questão à parte, e é aí que a divisão em dois modelos se paga. Um pequeno estúdio que quer o Drama 3 para narração e o Breeze TTS 2 para prompts de interface em tempo real está executando dois SDKs, duas tabelas de preços e dois modos de falha contra um único prazo. Encaminhar o restante da stack por meio de um único endpoint pelo preço de tabela do provedor, sem markup, com failover automático entre upstreams, significa que a escolha do fornecedor de TTS se torna uma linha em uma configuração, em vez de um segundo contrato — e a DSL de roteamento pode compor uma chamada de modelo com a etapa de áudio, em vez de juntá-las no código da aplicação.

Se você está escolhendo um hoje e o hardware já foi comprado, a decisão está quase tomada: 48 GB de VRAM é uma linha orçamentária diferente de 6 GB, e a licença somente para pesquisa do Breeze passa por uma análise jurídica diferente da licença comunitária com teto de receita do Drama 3. Se você está escolhendo um pela qualidade dentro da classe de pesos abertos, a resposta é Drama 3 em ambas as arenas e na pronúncia, e o argumento de preço só se sustenta pelas próximas duas semanas.