Fish Audio Drama 3 vs Inworld Realtime TTS-2: Um Lê um Roteiro, o Outro Acompanha uma Conversa

A palavra "Realtime" em Inworld Realtime TTS-2 é uma alegação de latência, não uma descrição do que o modelo faz. O produto speech-to-speech da Inworld para conversas ao vivo é um item separado em sua própria página de preços; Realtime TTS-2 é um modelo de text-to-speech rápido o suficiente para uso interativo. Essa distinção importa no momento em que você o compara com Fish Audio Drama 3, que foi criado para o trabalho oposto — um modelo de 35 bilhões de parâmetros cujo design inteiro se baseia em você escrever indicações de cena no roteiro antes que uma única linha seja falada. Coloque-os lado a lado no Artificial Analysis e a divisão é excepcionalmente clara: Drama 3 lidera a Provider Voice Arena por 11 pontos, e a Inworld lidera a Controlled Voice Arena por 61. A direção dessa diferença diz mais sobre para que cada um serve do que qualquer um dos números isoladamente.

Dois produtos que nunca tiveram o mesmo objetivo

Inworld Realtime TTS-2 começou como uma prévia de pesquisa em 5 de maio de 2026 e alcançou disponibilidade geral em 2 de setembro de 2026. O argumento de venda na disponibilidade geral não era a fidelidade: era que o modelo recebe os turnos anteriores de uma conversa, como áudio, e raciocina sobre tom e ritmo antes de decidir como a próxima fala deve soar. Isso é um recurso de agente conversacional. Um bot de suporte que acabou de ouvir um cliente frustrado não precisa de uma indicação cênica — ele precisa inferi-la do que acabou de ser dito.

Fish Audio Drama 3, publicado em 2026-10-13, segue o caminho inverso. Todas as capacidades que ele anuncia dizem respeito à autoria explícita: direções entre colchetes antes da frase que regem, eventos de som e pausa colocados no meio da linha, tags emparelhadas que alteram apenas as palavras envolvidas (whisper, emphasis, soft, fast, slow, stress, forceful), fixação de fonemas para a pronúncia, uma tag de troca de idioma para uma única frase, direções escritas numa língua diferente do roteiro e diálogo com vários falantes em um único pedido por meio de um array de reference_id com tags de falante por turno. Nada dessa lista pode ser inferido a partir do contexto. Tudo isso é algo que um escritor digita.

Então, o enquadramento honesto não é "qual é melhor", mas sim "qual falha você não consegue tolerar". Um pipeline de drama que precisa renderizar uma cena com doze personagens com continuidade emocional não vai chegar lá com um modelo projetado para inferir tom a partir de um histórico de chat. Um agente de voz que precisa responder em menos de um segundo não vai chegar lá com um modelo que quer uma direção de cena e 48 GB de VRAM. A interseção em que ambos são genuinamente viáveis é estreita: narração roteirizada e de alta qualidade entregue por meio de uma API para conteúdo interativo — prévias de audiolivros, falas de NPC que são pré-renderizadas, locuções de marketing que precisam ser regeradas conforme um cronograma.

As placas, lidas na ordem correta

Ambos os números abaixo foram lidos do Artificial Analysis em 2026-10-29:

• Provider Voice Arena — Fish Audio Drama 3 na 6ª posição, com 1.278 e um custo de US$ 15,00 por milhão de caracteres registrado no quadro; Inworld Realtime TTS-2 na 8ª posição, com 1.267 e US$ 20,80. Inworld Realtime TTS-2 Flash ocupa a 19ª posição no quadro controlado, com 1.065.

• Controlled Voice Arena — Fish Audio Drama 3 na posição 12 com 1.085; Inworld Realtime TTS-2 na posição 7 com 1.146. Aqui, a Inworld está 61 pontos à frente.

• A assimetria — a vantagem de 11 pontos do provedor Drama 3 encolhe e se inverte no momento em que a comparação é feita com vozes de referência idênticas, em vez do catálogo próprio de cada fornecedor. Sua liderança é, em grande parte, uma liderança entre as vozes que a Fish Audio oferece; a da Inworld não é.

• A outra assimetria — as duas entradas da Inworld ficam em extremos opostos do ranking, com a principal em 1.146 e o Flash em 1.065, uma diferença de 81 pontos entre os níveis da mesma família. O Drama 3 não tem nenhum nível abaixo dele; ou você usa o modelo 35B, ou usa outra coisa.

Este é o padrão oposto ao dos mesmos dois rankings no Google Gemini 3.8 Flash TTS, em que o modelo fechado venceu nas vozes do provedor e perdeu no controlado. Nenhum dos padrões é ruído; ambos são lembretes de que um único número da arena descreve o pacote modelo mais biblioteca de vozes, e somente o ranking controlado isola o modelo.

Consciência do contexto versus direção, concretamente

O anúncio de GA do Inworld Realtime TTS-2 descreve um modelo que lê o histórico da conversa — turnos anteriores como áudio — e usa isso para moldar o ritmo e o tom. Trata-se de uma alegação do fornecedor, não de uma capacidade avaliada de forma independente, e as arenas da Artificial Analysis não testam isso; elas testam falas isoladas contra vozes de referência. Portanto, o recurso que a Inworld está de fato vendendo é justamente aquele que nenhum benchmark público mede atualmente. Trate a alegação como promissora e não testada, e teste-a com o seu próprio diálogo em vez de com um ranking.

As capacidades de direção do Drama 3 são mensuráveis no sentido restrito de que é possível ver a saída mudar quando você altera um colchete, e o Fish Audio documenta cada uma delas com áudio de exemplo. O recurso que nenhum concorrente nesta comparação iguala é a direção independente de idioma: uma direção escrita em chinês antes de uma fala em inglês, documentada e demonstrada. Para uma equipe internacional de pós-produção, isso é um desbloqueio operacional, e não apenas um extra agradável, e é o tipo de coisa que aparece em um piloto em até uma hora.

O teste prático para uma equipe que está escolhendo entre as duas opções é uma página do seu próprio diálogo. Renderize-a com o contexto de conversa do Inworld configurado como estaria em produção, e renderize-a com o Drama 3 e instruções explícitas. A opção que produzir menos linhas que você precise corrigir manualmente é a resposta, e será uma resposta diferente para um agente de chat do que para uma radionovela.

Clonagem, latência e os números com os quais você pode contar

A clonagem instantânea de voz da Inworld aceita de 5 a 15 segundos de áudio de referência, e o beta de clonagem profissional dela usa cerca de 10 minutos de áudio para um clone de maior fidelidade. Esses são números do fornecedor e são específicos o suficiente para serem testados. A clonagem da Fish Audio está dentro do mesmo sistema de créditos que a geração, e o Drama 3 usa os mesmos créditos que o S2.1 Pro nos planos de assinatura — mas a licença é a parte que difere, já que a licença comunitária da Fish Audio proíbe explicitamente clonar a voz de uma pessoa real sem consentimento, enquanto os termos da Inworld são os termos padrão da API.

A latência é exatamente o ponto em que o Inworld é claramente a ferramenta certa, e a comparação não deve fingir o contrário. O TTS-2 em tempo real e seu nível Flash foram criados para produtos interativos, com o nível Flash custando 40% menos que o carro-chefe exatamente para as cargas de trabalho que precisam dele. O número de velocidade publicado pela Fish Audio para o Drama 3 é de 271 quadros por segundo em um único H200, contra 177 do S2 — um número de throughput para renderização em lote, não um tempo até o primeiro byte para um stream ao vivo. Se seu requisito é "a voz deve começar dentro de um turno conversacional", você está no produto da Inworld, e nenhuma vantagem de 11 pontos do Drama 3 como provedor muda isso.

Preço, à taxa que você realmente pagará

O Inworld Realtime TTS-2 custa US$ 25,00 por milhão de caracteres sob demanda, passando para US$ 20,00 no plano Creator de US$ 25, US$ 17,50 no Builder, US$ 15,00 no Developer e US$ 12,50 no Growth, com o Flash a US$ 15,00 sob demanda, caindo para US$ 7,00 no Growth. O Fish Audio Drama 3 custa US$ 50,00 por milhão de bytes UTF-8 no preço de tabela e US$ 10,00 durante a promoção de lançamento até 12/11/2026 09:00 PT. Em um roteiro em inglês de 100.000 caracteres, isso é US$ 2,50 na tarifa sob demanda da Inworld contra US$ 5,00 do Drama 3 no preço de tabela, ou US$ 1,00 durante a promoção.

Três ressalvas devem entrar nesse cálculo, e não ficar abaixo dele. O Drama 3 cobra por byte UTF-8, então um roteiro CJK custa várias vezes o que um em inglês custa para o mesmo número de caracteres, enquanto a tarifa por caractere da Inworld não muda. Os colchetes de direção do Drama 3 são cobrados como texto de entrada, o que representa um acréscimo de 10-25% em um roteiro com muitas indicações de direção — exatamente os roteiros em que você precisa do modelo. E o fallback do Fish Audio é silencioso: uma solicitação cujo cabeçalho de modelo está ausente ou não corresponde exatamente é atendida e cobrada como s2.1-pro a US$ 15,00 por milhão de bytes, em vez de ser rejeitada.

A comparação que resiste às três ressalvas é mais curta do que as tabelas de preços sugerem. No preço de tabela, a Inworld custa cerca de metade do preço da Drama 3 por caractere em inglês e é melhor que ela em vozes controladas. Durante a promoção, a Drama 3 custa um terço do preço da Inworld. Quem decide apenas pelo preço está decidindo uma data, não um produto.

Nenhum dos dois está no nosso catálogo, e o que isso muda

Fish Audio Drama 3 e Inworld Realtime TTS-2 são ambos acessados por meio das APIs de seus próprios fornecedores e de plataformas de terceiros; nenhum dos dois é um dos modelos no OrcaRouter, e o argumento de roteamento aqui diz respeito ao restante da pilha, e não a esses dois. Um produto de voz raramente chama apenas um modelo de fala e nada mais — ele chama um LLM para a fala, um modelo de fala para o áudio, às vezes um segundo modelo de fala para um segmento diferente, e tem um prazo. Consolidar a metade que não é de fala por trás de uma única chave ao preço de tabela do provedor, sem acréscimo, com failover automático para que um único percalço no upstream não bloqueie a renderização, é o que mantém a escolha do modelo de fala como uma decisão de configuração, e não de arquitetura.

Onde o DSL de roteamento se justifica neste confronto específico é no pipeline misto: falas dramáticas pré-renderizadas pelo Drama 3 e turnos conversacionais ao vivo pelo Inworld, endereçados como duas rotas sob uma única chave, com a escolha feita por segmento. A fusão de modelos cobre o caso em que você não consegue decidir — renderize a mesma fala pelos dois, pontue-a contra uma referência e fique com a vencedora. Nenhuma dessas opções contorna o preço de qualquer um dos fornecedores. Elas contornam a manutenção de duas integrações para economizar uma linha em um arquivo de configuração.

Para um leitor que está decidindo qual escolher: Inworld Realtime TTS-2 se a fala precisar reagir a uma conversa, se a latência for a restrição, se você quiser um nível Flash para absorver volume e se uma API fechada for aceitável. Fish Audio Drama 3 se a fala for escrita, e não reativa, se a pronúncia de nomes e códigos tiver de ser confiável, se a direção tiver de ser registrada por escrito, se você quiser os pesos ou se o briefing for escrito em um idioma diferente do roteiro. A vantagem de 11 pontos do provedor é o número menos importante dessa lista; o déficit controlado de 61 pontos é o que deve ser comparado com suas próprias vozes de referência antes de você assumir o compromisso.