Fish Audio Drama 3 vs VoxCPM2: Um Ranking Contra uma Ficha Técnica

O Fish Audio Drama 3 tem um Elo e o VoxCPM2 não, o que torna impossível a comparação óbvia entre eles e fácil de passar despercebida a interessante. O Drama 3, anunciado em 13 de outubro de 2026 e pontuado pela Artificial Analysis desde então, ocupa o sexto lugar entre 100 na Provider Voice Arena, com 1.278. O VoxCPM2 não tem linha em nenhum dos painéis de fala da Artificial Analysis e está ausente de ambas as arenas citadas nesta página. O que ambos os laboratórios publicam é o Seed-TTS-eval, e aí os números dizem algo que um único ranking não conseguiria: na execução própria de cada fornecedor, o Drama 3 precisa de duas passagens para superar a única do VoxCPM2. A escolha entre esses dois modelos não é realmente uma questão de qualidade. É uma questão de se você quer um motor de desempenho que aluga por caractere, ou um modelo de dois bilhões de parâmetros que você pode manter.

Um tem um Elo, o outro tem uma ficha técnica.

A assimetria merece ser dita de forma clara, porque a maioria das páginas de comparação a esconde discretamente. O Drama 3 está em todas as listas que importam: sexto de 100 na Provider Voice Arena, com 1.278; décimo segundo de 49 na Controlled Voice Arena, com 1.085; empatado em primeiro lugar entre 31 em robustez de pronúncia em inglês, com 93,2%. O VoxCPM2 não aparece em nenhuma delas.

Essa ausência não é um escândalo, e não é novidade. O VoxCPM2 já está disponível desde a primavera de 2026 — a documentação do projeto data a linha 2.0 em março, o repositório marca 2026.04, e o relatório técnico chegou em junho como arXiv:2606.06928 — e durante todo esse tempo ninguém o colocou em uma arena de escuta às cegas. A explicação mais provável é entediante: as vagas nas arenas costumam ser preenchidas por fornecedores que têm um endpoint hospedado para promover, e a OpenBMB não vende um. O VoxCPM2 distribui pesos no Hugging Face e no ModelScope e um servidor /v1/audio/speech compatível com OpenAI por meio do vLLM-Omni, e essa é toda a história da distribuição.

Portanto, a posição honesta é esta: podemos comparar o Drama 3 com uma pontuação, ou podemos comparar os dois modelos entre si. Não podemos fazer as duas coisas ao mesmo tempo, e qualquer página que apresente um Elo VoxCPM2 versus Drama 3 está a inventar um.

O único eixo que ambos publicam

O Seed-TTS-eval é o que este campo tem de mais próximo de um padrão de comparação comum, e ambos os laboratórios relatam resultados nele. O detalhe é que nenhum dos dois publica uma tabela completa no mesmo formato, então o que se segue são dois fornecedores medindo a si próprios.

• Taxa de erro de palavras em inglês — o Drama 3 reporta 1,54% em uma tomada final e 2,20% em sua primeira tomada; o VoxCPM2 reporta 1,84% em uma única passagem. A tomada finalizada do Drama 3 é o melhor dos três números, e sua primeira tomada é o pior.

• Taxa de erro em chinês — Drama 3 com 0,83% de CER em uma tomada final, 1,00% na primeira; VoxCPM2 com 0,97% de CER. O mesmo padrão, com a tomada final do Drama 3 à frente e a primeira aproximadamente no mesmo nível.

• Similaridade de locutor — O Drama 3 reporta 0,640 em inglês (escala de 0 a 1); o VoxCPM2 reporta 75,3 em inglês e 79,5 em chinês, o que, na convenção de 0 a 100 usada em outras partes de seu relatório, corresponde a 0,753 e 0,795. Segundo seus próprios números, o VoxCPM2 é o clonador mais forte.

• Estresse mais amplo — O VoxCPM2 também publica taxas de erro do CV3-eval em onze idiomas (3,65% zh, 5,00% en, 8,55% hard-zh, 9,85% fr, 4,25% it, 5,21% ru) e uma média interna de 1,68% para 30 idiomas. O Drama 3 não publica nenhuma tabela equivalente de erro por idioma, portanto não há nada para colocar ao lado delas.

Leve a sério a diferença de similaridade e dê pouca importância à diferença de erro de palavra. A similaridade de locutor é a métrica com maior probabilidade de resistir a uma diferença de harness, porque é uma distância de cosseno entre embeddings do mesmo áudio de referência. As taxas de erro de palavra dependem da normalização, do pré-processamento de texto e de quais trechos de referência foram usados, e os dois laboratórios não tinham obrigação de concordar sobre nada disso. A direção é crível — o VoxCPM2 clona com mais fidelidade, o Drama 3 transcreve com mais precisão após revisão —, mas as magnitudes não são uma medição.

O imposto de revisão que ninguém coloca na manchete

1,54% e 2,20% são o mesmo modelo no mesmo teste, diferindo apenas se a tomada foi aceita de primeira. O relatório técnico da Fish Audio é incomumente honesto sobre isso: ele relata ambos, porque a revisão com múltiplas tomadas é o produto. A proposta é que você dirija uma fala em linguagem natural, ouça, redirecione e fique com a tomada que quiser — e o benchmark reflete a tomada mantida.

Se é assim que seu pipeline funciona, o 1,54% é o número que você verá. Se você está fazendo streaming de uma única passagem para uma chamada ao vivo, uma linha de diálogo de jogo ou uma renderização em lote sem intervenção humana, você está comprando os 2,20% — pior do que os 1,84% de passagem única do VoxCPM2. Essa inversão é o fato mais útil nesta comparação e aquele que nenhuma das tabelas dos fornecedores torna óbvio. Ela também precifica o fluxo de trabalho: cada tomada extra é outra síntese completa, e o Drama 3 cobra por caracteres de entrada, então um hábito de três tomadas multiplica a fatura por três.

O VoxCPM2 não tem um mecanismo de revisão desse tipo. Ele oferece quatro modos de geração — zero-shot, continuação, somente referência e referência combinada com áudio de prompt — e sua resposta a uma tomada ruim é renderizar novamente com tags de estilo diferentes. Mais barato por tentativa, porque você não paga por caractere, mas sem memória no nível do modelo da tomada rejeitada.

O piso de hardware é a decisão real.

É aqui que os dois modelos deixam de ser substitutos.

• Pegada do VoxCPM2 — cerca de 8 GB de VRAM, um fator de tempo real de aproximadamente 0,30 em uma RTX 4090 e 0,13 com Nano-VLLM; o projeto também relata 1,76 em Q8_0 em um Apple M4 Pro por meio do llama.cpp-omni. Ele roda em uma estação de trabalho.

• Pegada do Drama 3 — a Fish Audio não divulga nenhum requisito mínimo de VRAM. Sua tabela de throughput foi medida em H200s: 166,7 quadros por segundo e uma mediana de 88,9 ms até o primeiro áudio em um stream simultâneo, 927,6 quadros/s em dezesseis, 1.687 quadros/s em sessenta e quatro, com um RTF de 0,131 na configuração de stream único. Os reviewers situam o requisito bf16 em uma placa de 48 GB, e builds 4-bit da comunidade alegam cerca de 32 GB. Ele roda em um servidor — ou no de outra pessoa.

• Ressalva sobre a taxa de transferência — o post de lançamento cita 271 quadros por segundo em um único H200, enquanto a tabela de streaming da ficha do modelo atinge no máximo 166,7 com uma requisição. Ambas as informações podem ser verdadeiras em configurações de medição diferentes, mas isso significa que o número de velocidade em destaque não é o que seu teste de carga reproduzirá.

A aritmética é a seguinte. Um milhão de caracteres corresponde, aproximadamente, a quinze a vinte horas de fala finalizada em ritmo normal de narração. Numa 4090, com um RTF de 0,30, isso representa cinco a seis horas de tempo de GPU; na API da Fish Audio, custa 10 dólares durante a promoção de lançamento e 50 dólares depois de terminar, a 12 de novembro. Alojar o VoxCPM2 por conta própria é mais barato por hora de áudio e muito mais barato por hora de experimentação — pode iterar num design de voz durante uma tarde sem estar sempre a olhar para o contador.

O roteamento não elimina essa escolha, por isso vale ser preciso sobre o que ele faz. O OrcaRouter não hospeda nenhum dos dois modelos; o Drama 3 está disponível pela API própria da Fish Audio e por várias plataformas de terceiros, e o VoxCPM2 está disponível como pesos que você mesmo serve. O que nós fornecemos é a parte de fala do pipeline ao redor deles — a linha TTS do Gemini e TTS-1-HD da OpenAI, com failover automático entre provedores, de modo que um endpoint hospedado que fique indisponível não derruba o produto junto. Se a pergunta é "qual destes dois eu executo", a resposta é determinada pela VRAM, não pelo roteamento.

Direcionar uma performance versus projetar uma voz

Os dois modelos discordam sobre onde o trabalho criativo acontece, e essa divergência é arquitetural, não cosmética.

O Drama 3 é uma ferramenta de diretor. Você escreve instruções entre colchetes antes das palavras que elas regem — [engasgado, chorando baixinho] — e as altera no meio da frase. Tags em pares aplicam uma direção a palavras específicas: <whisper>, <emphasis>, <soft>, <fast>, <slow>, <stress>, <forceful>. A pronúncia pode ser fixada fonema por fonema com CMU Arpabet, pinyin ou romaji, e as cenas recebem um ID de voz por falante como um array. Várias tomadas podem ser revisadas com referência às anteriores, e o inpainting no nível da palavra renderiza novamente uma única palavra marcada para se ajustar à tomada ao seu redor — embora tanto a edição interativa quanto o inpainting ainda estejam em testes apenas por convite, com uma API de edição indicada como futura.

VoxCPM2 é uma ferramenta de design. A sua principal funcionalidade é o Voice Design: descreva um falante em linguagem natural e obtenha uma voz sem qualquer áudio de referência. Além disso, faz clonagem zero-shot, continuação a partir de um prompt, clonagem apenas com referência através de um canal de referência isolado (para que não precise da transcrição correspondente ao clipe) e controlo de estilo por meio de tags. A limitação está no âmbito: molda uma voz e uma forma de falar, não uma cena. Não existe sintaxe de array de falantes, nem modo de diálogo com múltiplas personagens, nem reparação ao nível da palavra.

Para um áudio drama de dois atores, essa diferença decide a questão antes de qualquer benchmark. Para um produto que precisa de uma voz de marca consistente em todo um catálogo, o modo de design do VoxCPM2 é o caminho mais curto, e a sintaxe de direção do Drama 3 é, em grande parte, sobrecarga.

Taxa de amostragem, idiomas e o argumento do codec

• Saída — O VoxCPM2 emite 48 kHz por meio de um AudioVAE V2 assimétrico que codifica a 16 kHz e decodifica a 48 kHz; o Drama 3 permanece em 44,1 kHz, gerando por meio de um Descript Audio Codec de dez codebooks a cerca de 21,5 quadros por segundo. Os 3,9 kHz extras do VoxCPM2 são reais, mas raramente audíveis diante de um formato de entrega comprimido.

• Arquitetura — O VoxCPM2 é livre de tokenizador por design, prevendo latentes contínuos diretamente sobre um backbone MiniCPM-4 e argumentando que o codec de áudio é o gargalo; o Drama 3 mantém tokens discretos e emprega seus 35B em um decodificador de predição multi-token de codebook que prevê os nove codebooks residuais após os dois primeiros. Duas apostas sobre onde reside o teto de qualidade.

Idiomas — 83 alegados para o Drama 3, contra 30 do VoxCPM2, além de nove dialetos chineses (sichuanês, cantonês, wu, nordestino, henan, shaanxi, shandong, tianjin, minnan). Se você precisa de tailandês, vietnamita, hebraico e suaíli, o VoxCPM2 tem todos os quatro, e o Drama 3 não é obviamente melhor em nenhum deles; se você precisa de 83, apenas um deles está em questão.

• Dados de treinamento — o VoxCPM2 foi treinado com 2,36 milhões de horas de fala (1,8 milhão em chinês e inglês, mais 560 mil em multilíngue), um número que sua documentação divulga com precisão. A Fish Audio não publica um equivalente, o que não é tanto uma crítica quanto outro ponto em que os dois artigos não foram escritos para serem comparados.

A licença: o único ponto em que o VoxCPM2 vence claramente

O VoxCPM2 é Apache 2.0. Qualquer empresa, independentemente do seu faturamento, pode incorporá-lo, modificá-lo, ajustá-lo por fine-tuning, redistribuí-lo e vender o resultado, sem exigência de limite e sem negociação. O fine-tuning com LoRA e SFT é suportado e documentado.

Drama 3 está sob a Fish Audio Community License v1.0: gratuito para pesquisa e trabalho não comercial, gratuito para uso comercial enquanto você e suas afiliadas permanecerem abaixo de US$ 500.000 em receita anual, e uma licença negociada acima disso — ou em qualquer porte se você quiser oferecer o Drama 3 como serviço de TTS, clonagem de voz ou inferência. Áudio final do cliente é explicitamente permitido em qualquer receita; uma API de síntese concorrente não é. A Artificial Analysis o classifica como "pesos abertos sem direitos de uso comercial", o que é um resumo justo em uma linha do critério.

Há também um detalhe a verificar em vez de confiar: os metadados do Hugging Face para fishaudio/drama-3 ainda indicam fish-audio-research-license, enquanto o texto do card descreve a Licença Comunitária. Leia o arquivo de licença no repositório antes de criar um produto com base na tag.

Para uma empresa com financiamento que está lançando um recurso de voz, essa é a comparação inteira em uma linha: o VoxCPM2 não custa nada em revisão jurídica; o Drama 3 custa uma conversa com uma equipe de vendas.

Escolha por restrição, não por pontuação.

Você tem uma GPU e um produto para lançar. VoxCPM2. Oito gigabytes, Apache 2.0, 48 kHz e um modo de design de voz que lhe dá uma voz de marca utilizável já na primeira tarde. Você abre mão da direção de cena e da melhor pontuação de voz de provedor da categoria.

Você está produzindo áudio roteirizado com um humano no loop.Drama 3. Direção entre colchetes, tags com escopo, mudanças no meio da frase e correção no nível da palavra são o mais próximo que os pesos abertos têm de uma sessão de gravação, e o WER de 1,54% em inglês é o que o loop de revisão proporciona. Inclua no orçamento a mudança de preço de 12 de novembro e leia a cláusula de serviço primeiro.

Você precisa de um idioma fora dos trinta. Drama 3, ou nenhum dos dois — mas confira o idioma específico com as próprias alegações de cobertura do Fish Audio, em vez do "83" no rótulo.

Você está clonando a voz de uma pessoa específica em escala.A similaridade de locutor do VoxCPM2 é o melhor número nesta página, e seu canal de referência isolado significa que você pode clonar a partir de um trecho sem transcrição correspondente. A vantagem do Drama 3 é a direção, não a fidelidade a uma referência.

A única coisa que não se deve fazer é classificá-los. Não há arena compartilhada, estudo compartilhado de preferência humana nem conjunto compartilhado de testes de erro — apenas um modelo com um Elo e outro com uma ficha técnica, e uma decisão que depende do hardware que você possui e do que a licença permite fazer com ele.