Fish Audio Drama 3 vs Ming 3.0 TTS: A vantagem de 91 pontos que desaparece com uma voz clonada

{{1}}Fish Audio Drama 3{{/1}} lidera o {{2}}Ming 3.0 TTS{{/2}} por {{3}}91{{/3}} pontos Elo no ranking em que cada modelo fala com seu próprio elenco de vozes, e por {{4}}17{{/4}} no ranking em que ambos recebem as mesmas oito referências clonadas — uma diferença pequena o bastante para que seus intervalos de confiança se sobreponham. Ambos são lançamentos de pesos abertos das últimas seis semanas, ambos são avaliados pela Artificial Analysis e, no único teste que pergunta a uma pessoa se uma palavra difícil realmente saiu da boca corretamente, eles ficam em {{5}}93.2%{{/5}}. Três números, dois deles apontando em direções diferentes. Qual deles você acredita decide qual modelo você compra, e a resposta depende de seu produto soar como ele mesmo ou soar como outra pessoa.

Dois lançamentos, com seis semanas de intervalo, construídos em escalas opostas

O Drama 3 foi anunciado em 13 de outubro de 2026 e está ativo na API da Fish Audio como drama-3, com pesos no Hugging Face sob uma nova licença comunitária. O Ming 3.0 TTS chegou mais discretamente e em partes: os repositórios InclusionAI no Hugging Face surgiram em 22 de setembro, os pesos 0.5B em 24 de setembro, e o código de inferência apenas em 19 de outubro — razão pela qual o Artificial Analysis não conseguiu avaliá-lo até 20 de outubro. O Ant Group nunca publicou um post de lançamento para ele, e ele não tem endpoint hospedado nem preço de tabela.

As fichas técnicas não estão nem perto, e essa é a primeira coisa a entender antes que os rankings signifiquem qualquer coisa.

• Parâmetros — mistura de especialistas de 35B com cerca de 3B ativos por token, inicializada a partir de Qwen3.5-35B-A3B e roteando 8 de 256 especialistas, além de um especialista compartilhado, contra um modelo denso de 0,5B sobre um backbone Qwen2.5-0.5B. A Ant também disponibiliza um MoE chamado Ming-3.0-tts-tiny, com 7,9B no total / 1,3B ativos, que não possui nenhuma pontuação independente.

• Cobertura de idiomas — 83 idiomas declarados para o Drama 3, contra sete para o checkpoint Ming de 0,5B (chinês, inglês, alemão, espanhol, francês, coreano, japonês), além de sichuanês e cantonês quando você fornece um clipe de referência de dialeto.

• Saída — 44,1 kHz de ambos, gerados por mecanismos muito diferentes: o Drama 3 mantém o tokenizador Descript Audio Codec do seu antecessor em dez codebooks e cerca de 21,5 quadros por segundo, enquanto o Ming decodifica um latente contínuo por meio de um AudioVAE.

• Pesos e licença — Drama 3 sob a Fish Audio Community License v1.0, gratuita abaixo de US$ 500.000 em receita anual e negociável acima disso ou se você revender a síntese como serviço. Ming 3.0 TTS sob MIT, sem qualquer limite de receita.

• Preço — US$50 por milhão de bytes UTF-8 no preço de tabela, com desconto para US$10 até 12 de novembro de 2026, contra nenhum preço, porque não há nada para comprar: você baixa o checkpoint de 2,96 GB e o executa.

A diferença de escala funciona nos dois sentidos. O backbone de 35B do Drama 3 é o que lhe permite manter uma direção ao longo de um roteiro longo e colocar vários falantes em uma única cena, com um ID de voz por falante passado como um array; também é por isso que ninguém vai colocá-lo em um laptop. O 0.5B do Ming é um modelo que você pode servir em uma única GPU modesta e fazer fine-tuning em uma alugada.

Por que a Artificial Analysis dá duas respostas diferentes

O ranking que todos citam primeiro é o Provider Voice Arena, e lá o Drama 3 abriu uma liderança real. Em 29 de outubro, ocupa o sexto lugar entre 100 modelos, com um Elo de 1.278, com preço de US$ 15 por milhão de caracteres segundo a Artificial Analysis, nas suas configurações padrão. O Ming 3.0 TTS está em vigésimo quarto, com 1.187, sem preço registrado porque não há endpoint comercial para registrar. Uma diferença de 91 pontos em um ranking cujos intervalos de confiança ficam em torno de ±13 a ±18 não é ruído; as vozes nativas do Drama 3 são preferidas, e claramente. Um detalhe da mesma tabela explica parte do porquê: a Artificial Analysis avaliou o Ming em comparação com três vozes da arena e o Drama 3 com oito.

O segundo ranking faz uma pergunta diferente, e a vantagem evapora. O Controlled Voice Arena entrega a todos os sistemas as mesmas oito vozes clonadas — quatro dos EUA, quatro do Reino Unido —, de modo que a comparação deixa de ser sobre quem tem os melhores atores de voz e passa a ser sobre quão bem cada modelo veste a voz de outra pessoa. Ali, o Drama 3 pontua 1.085, décimo segundo de 49, com um intervalo de 1.069 a 1.101. O Ming pontua 1.068, décimo sétimo, com um intervalo de 1.053 a 1.083. Os intervalos compartilham a faixa de 1.069 a 1.083. Isso é um empate, e dizer o contrário seria ler precisão em uma pesquisa que não a tem.

Observe também que Artificial Analysis ainda mantém uma linha separada Drama 3 Preview nesse painel, em 1.063, classificada em vigésimo lugar. O checkpoint de produção e a prévia lançada em setembro são pontuados como dois sistemas diferentes, portanto, uma comparação que cite "Drama 3" sem dizer a qual linha se refere não é uma comparação. Nossos números aqui são os da linha de produção.

A leitura prática: se o seu produto traz o seu próprio elenco de vozes — um narrador, um agente de suporte, um personagem do jogo —, a vantagem do Drama 3 é real e grande. Se o seu produto clona a voz de um cliente ou de um criador e fala com essa voz, os dois modelos ficam efetivamente empatados, e a decisão passa a depender de preço, licenciamento e cobertura de idiomas.

O empate de pronúncia de 93,2% é quatro resultados diferentes.

Os dois modelos são citados com 93,2% no teste de robustez de pronúncia do inglês da Artificial Analysis — o resultado que o painel publicou em 20 de outubro, que os colocou empatados em primeiro lugar entre 31 sistemas e à frente do Eleven v4, com 91,7%. Essa manchete foi repetida em toda parte e esconde a única parte que importa operacionalmente: os dois modelos falham em tipos opostos de texto.

• Sequências exatas — Ming preserva-as em 90,6%, primeiro de 31; o valor equivalente de Drama 3 é 86,3%. Números de pedido, URLs, caminhos de arquivo e códigos de série sobrevivem melhor em Ming.

• Expansão de abreviaturas — Ming 96,5%, também em primeiro lugar entre 31, contra 93,6% para Drama 3. Datas, unidades e abreviaturas ditas em voz alta em vez de soletradas.

• Termos independentes — Drama 3 com 95,9%, contra Ming com 88,5%, sendo que Ming ocupa a vigésima primeira posição entre 31. Nomes de marcas, nomes de lugares e vocabulário técnico são a categoria mais forte da Drama 3.

• Termos contextualmente apropriados — Drama 3 com 95,3%, Ming com 91,0% e décimo terceiro de 31.

A fraqueza do Ming com nomes isolados acompanha seu inventário de vozes: o 0.5B traz mais de cem vozes chinesas integradas e cinco em inglês, então seu processamento de nomes próprios em inglês tem menos com que trabalhar. A fraqueza do Drama 3 é a imagem espelhada — um modelo treinado para entregar uma performance às vezes entregará um número de código como se fosse uma performance.

Nenhum dos 93,2% é informado pelo fornecedor. Ambos vêm do mesmo harness independente, e é por isso que podem ser comparados — e vale dizer que isso é raro nesta categoria, em que a maioria das tabelas publicadas de erro de palavra é executada pelos próprios laboratórios com seus próprios prompts.

Quanto custa realmente um milhão de caracteres

A Drama 3 cobra pelo tamanho da entrada: US$ 50 por milhão de bytes UTF-8, reduzido para US$ 10 até 12 de novembro de 2026 às 09:00, horário do Pacífico. Esse salto de cinco vezes em 13 de novembro é o maior número isolado nesta comparação, e altera o ranking dos dois modelos em custo por hora finalizada, dependendo de quando você o lê.

Há também uma armadilha de cobrança que vale a pena conhecer antes de conectar qualquer coisa. O Drama 3 mantém o mesmo endpoint POST /v1/tts que o S2.1 Pro, e, se o cabeçalho do modelo estiver ausente ou escrito incorretamente, a solicitação recai silenciosamente para s2.1-pro e cobra você por isso. Você recebe um áudio plausível e nenhum erro, então um erro de digitação em uma variável de ambiente pode durar semanas antes que alguém perceba que a voz está errada.

O Ming não tem fatura nenhuma, o que não é o mesmo que ser gratuito. Você paga em horas de GPU e em tempo de engenharia: o checkpoint de 0,5B tem 2,96 GB, precisa do VAE de áudio, de um encoder de locutor CAM++ e de um tokenizer interligados, e não tem nenhum compromisso de suporte do fornecedor por trás. A Ant publicou tabelas de benchmark e uma demo no Gradio, não um acordo de nível de serviço.

É aqui que um roteador é genuinamente útil e onde genuinamente não é. O OrcaRouter repassa o preço de lista do provedor com 0% de markup, então uma promoção do fornecedor como a da Fish Audio chega no mesmo dia em tudo o que roteamos — o Drama 3 não é um deles, e o Ming também não. Os endpoints de fala que de fato oferecemos hoje são a linha Gemini TTS do Google e o TTS-1-HD da OpenAI, todos acessíveis por meio de uma API por trás de uma única chave junto com os modelos de texto. Se você está comparando o Drama 3 e o Ming, nenhuma camada de roteamento vai hospedar nenhum dos dois para você; o que uma única chave oferece é o restante do pipeline ao redor deles.

A licença decide mais do que a tabela de classificação

A licença MIT versus a Fish Audio Community License v1.0 é a bifurcação mais acentuada neste par, e não é filosófica. Os termos MIT da Ming permitem que qualquer empresa de qualquer porte incorpore o modelo em um produto pago, revenda-o, faça seu fine-tuning e distribua o derivado, sem limite de receita e sem conversa com a Ant.

A licença do Drama 3 é gratuita para pesquisa e trabalhos não comerciais, gratuita para uso comercial enquanto você e suas afiliadas permanecerem abaixo de US$ 500.000 em receita anual, e exige uma licença negociada acima disso — ou em qualquer porte, se você quiser oferecer o Drama 3 como serviço de conversão de texto em fala, clonagem ou inferência. As próprias FAQ do cartão do modelo são mais claras que a maioria: áudio finalizado para clientes é permitido, uma API de síntese concorrente não é.

Um detalhe a verificar em vez de assumir: os metadados do Hugging Face para fishaudio/drama-3 ainda indicam fish-audio-research-license, enquanto o texto do card descreve a Community License. Se você é a pessoa que aprova a implantação, leia o arquivo de licença no repositório, não a tag.

Para um estúdio que produz dramas em áudio, a barreira de US$ 500.000 não é um problema, e a cláusula de serviço é a que precisa ser lida. Para uma empresa que integra um recurso de voz a um produto acima dessa faixa de receita, o Drama 3 é uma conversa de aquisição, e o Ming é um pip install.

Qual escolher

Voz de suporte ou transacional, em inglês ou chinês. Ming. Ela vence as duas categorias que mais importam quando um bot lê de volta um número de pedido ou uma referência de reserva, é do MIT, e roda em hardware que você já tem. O empate da voz clonada significa que você não abre mão da naturalidade para chegar lá.

Narração, drama em áudio, roteiros repletos de marcas, muitos idiomas.Drama 3. A liderança em vozes de provedores é real, os nomes próprios são sua categoria mais forte, e 83 idiomas contra sete não é uma lacuna que se fecha com engenharia de prompt. Reserve orçamento para a mudança de preço de novembro e leia a cláusula de serviço.

Um pipeline que já realiza várias tomadas.Drama 3, mas só se você realmente usar o loop de revisão. A Fish Audio o treinou com um modelo de recompensa baseado em preferência humana e apresenta a revisão multi-turno como a forma de obter o desempenho que você queria; Ming é um modelo de tomada única, sem mecanismo de revisão para contrabalançar, então a estrutura de tomadas é um motivo para escolher Drama 3, e não um motivo para compará-los.

Qualquer implantação em que a VRAM seja a restrição. Ming, sem dúvida. Um modelo de mistura de especialistas de 35B que faz benchmarks em H200s não é um modelo que se executa por ser conveniente.

O que assistir

Três datas e uma lacuna. Em 13 de novembro, o preço promocional do Drama 3 expira e US$10 passa a US$50, um movimento de cinco vezes que vai reordenar todas as comparações de custo nesta categoria da noite para o dia. Antes disso, observe se a Artificial Analysis vai fundir suas linhas Drama 3 e Drama 3 Preview, porque um ranking que lista um modelo duas vezes convida exatamente ao tipo de citação descuidada que este artigo está tentando evitar. E fique de olho em uma pontuação para Ming-3.0-tts-tiny: a variante MoE de 7.9B é a que a Ant realmente promove para geração de podcasts, e no momento ela tem apenas números do fornecedor — 0.820% de erro de palavra em chinês, 6.000% em coreano — sem nada independente por trás.

O resumo honesto é que não se trata de duas versões do mesmo produto. Um é uma pequena ferramenta robusta, com licenciamento permissivo, que por acaso é excelente exatamente no texto que derruba sistemas de voz; o outro é um grande motor de desempenho, restrito por licença, que por acaso é o modelo aberto com melhor sonoridade do ranking quando usa o seu próprio conjunto de vozes. A vantagem de 91 pontos é real. Ela apenas pertence a uma pergunta que a maioria dos produtos nunca faz.