Fish Audio Live 3 vs Drama 3: Um modelo lê o roteiro, o outro ouve a sala

Fish Audio Live 3 e Fish Audio Drama 3 não são duas respostas para a mesma pergunta, e tratá-los como rivais é o caminho mais rápido para comprar o errado. O Drama 3, que a Fish Audio publicou em 13/10/2026, é um modelo de texto para fala: você fornece palavras e uma direção de atuação, e ele retorna áudio. O Live 3, anunciado em 10/11/2026, é um modelo de voz duplex para chamadas de agente: ele ouve enquanto fala, decide quando uma pausa significa "continue" e quando significa "terminei", e pode reagir em apenas 186 milissegundos, segundo a Fish Audio. Um é um renderizador; o outro é um interlocutor.

A confusão é compreensível porque ambos são modelos da Fish Audio, ambos são recentes e ambos são vendidos pela promessa de serem bons naquilo em que os outros modelos da Fish Audio não eram. Mas eles ocupam camadas diferentes de um stack de voz, são documentados separadamente e apenas um deles aparece na tabela de preços publicada da Fish Audio. A comparação útil, portanto, não é qual é melhor — é para qual tarefa cada um realmente serve, e onde eles se encontram dentro de um mesmo produto.

O que cada modelo está documentado para fazer

Drama 3 é um modelo de conversão de texto em fala, e as evidências públicas a seu respeito são de preferência e pronúncia, e não de troca de turnos. Na Provider Voice Arena da Artificial Analysis, ele ocupa o sexto lugar, com Elo de 1.278; na Controlled Voice Arena, onde cada modelo é julgado em relação às mesmas vozes de referência, é o décimo segundo, com 1.085. Em ambos os rankings, é o modelo de pesos abertos mais bem colocado da tabela, e o registro anterior do Drama 3 Preview — aquele que recebeu cobertura da imprensa em outubro — ainda aparece listado separadamente, com 1.240 e 1.063. No benchmark English Pronunciation Robustness, ele obtém 93,2% no geral, empatado em primeiro lugar entre 31 modelos pontuados com o Ming-3.0-tts, sendo que o detalhamento por categoria importa mais do que o número geral: 95,9% em termos isolados, como marcas e nomes técnicos, 93,6% na expansão de abreviações, como números e datas, 86,3% na preservação de sequências exatas, como códigos e caminhos, e 95,3% em pronúncia adequada ao contexto.

As evidências públicas do Live 3 têm um formato completamente diferente. O anúncio da Fish Audio gira em torno da conversa, e não da renderização, e os seus três exemplos práticos são todos sobre timing.

• Um número de telefone lido em partes — “415… 555… 0132” — em que o Live 3 pode dizer “mm-hmm” ou “certo, 415” entre as partes e então esperar pelo restante.

• Uma pessoa que liga dizendo "sim" ou "hã-hã" enquanto o agente lê os horários de funcionamento, situação em que o Live 3 continua em vez de tratar o reconhecimento como uma interrupção.

• Um cliente que liga revisando um pedido no meio da fala — "duas pizzas… não, três. Três grandes. E… na verdade, faça uma delas de margherita" — em que o Live 3 aguarda cada correção em vez de agir com base no primeiro pedido completo plausível.

A Fish Audio afirma que o modelo pode decidir responder em apenas 186 milissegundos, descrevendo reações curtas como "mm-hmm", "okay" e confirmações rápidas, em vez de respostas completas. No lançamento, ele fala apenas inglês e está disponível na Fish Agent Platform, por meio da API da Fish Audio e on-premises para empresas. O que ele não tem é qualquer benchmark publicado, qualquer pontuação independente — a Artificial Analysis não traz nenhuma linha de duplex do Live 3 em 2026-11-11 — ou uma linha na tabela de preços da Fish Audio.

Por que as unidades de preço indicam que são produtos diferentes

A Fish Audio cobra pelo Drama 3 em bytes UTF-8 do texto de entrada: US$ 50,00 por milhão de bytes na tabela de preços, com uma promoção de lançamento de US$ 10,00 por milhão válida até 30/11/2026. A documentação da própria empresa converte um milhão de bytes UTF-8 em aproximadamente 180.000 palavras em inglês, ou cerca de doze horas de fala — o que coloca o drama-3 a aproximadamente US$ 4,17 por hora de áudio gerado na tabela, e cerca de US$ 0,83 por hora durante a promoção. Essa unidade existe porque o TTS tem uma quantidade calculável de texto na entrada e uma quantidade calculável de áudio na saída.

O Live 3 não se encaixa de jeito nenhum nessa unidade e está ausente da tabela de preços. Uma chamada duplex de agente não tem roteiro fixo: o áudio de entrada é o que o chamador disser, o áudio de saída é o quanto o modelo escolher falar, e o custo interessante são os minutos de conexão, não os bytes de texto. A Fish Audio não publicou qual métrica de cobrança usará, e é por isso que a coluna do Live 3 em qualquer comparação de custos aparece em branco, e não como barata.

O que os dois modelos têm em comum é uma plataforma. A Agent Platform da Fish Audio, atualmente em beta público, hospeda agentes Live 3 e expõe uma superfície REST em /v1/agent/* com SDKs JavaScript e React, canais para um widget web, um número de telefone ou um cliente personalizado, e autenticação por token de sessão. O hook de LLM personalizado nessa plataforma aponta para um endpoint compatível com OpenAI, que é o ponto de conexão onde entra uma camada de raciocínio à sua escolha.

Onde eles se encontram em um único produto

A questão interessante não é qual modelo vence, mas como é um único produto quando ambos são usados para aquilo em que são bons. Uma linha de reservas precisa do Live 3 na chamada ao vivo, porque é na chamada que acontecem as pausas e correções. O mesmo produto normalmente também precisa do Drama 3, ou de um modelo parecido, para tudo o que não é uma conversa: a confirmação relida após a chamada, a saudação de caixa postal, o lembrete ativo, a narração longa na página de marketing que levou o interlocutor até ali. Essas são tarefas de renderização com um roteiro conhecido, e os pontos fortes publicados do Drama 3 — preferência entre ouvintes, 93,2% de pronúncia, 83 idiomas, os pesos abertos publicados sob a Fish Audio Community License v1.0 com um limite de receita de US$ 500.000 — são exatamente os pontos fortes de que uma tarefa de renderização precisa.

Essa separação tem uma consequência de custo que vale a pena deixar clara, porque é aí que uma camada de roteamento deixa de ser uma abstração. A camada de raciocínio por trás de um agente Live 3 pode apontar para qualquer lugar que fale o protocolo OpenAI; o OrcaRouter fica atrás desse endpoint com 216 modelos a partir de uma única chave, pelo preço de tabela do provedor e sem nenhuma margem e failover automático quando um provedor apresenta erro, de modo que o planejador dentro do agente pode ser trocado sem mexer na camada de fala nem no número de telefone. Um DSL de roteamento decide qual modelo trata cada tipo de chamada, e a fusão de modelos permite que um modelo barato rascunhe uma chamada de ferramenta enquanto um mais forte a verifica antes de ela ser disparada. O OrcaRouter não hospeda o Fish Audio Live 3 nem o Drama 3 — nenhum dos dois está disponível por meio de um endpoint de terceiros, e a camada de fala desta stack permanece com a Fish Audio. O que ele hospeda é tudo o que envolve a fala.

Qual você realmente precisa

Você precisa do Drama 3 se a saída for um arquivo. Narração, audiolivros, anúncios, voz de personagem, dublagem, leituras de acessibilidade — qualquer coisa em que uma pessoa escreveu as palavras e um ouvinte as ouvirá uma vez, com acabamento profissional. Ele tem as pontuações de preferência, o detalhamento de pronúncia, a contagem de idiomas e uma taxa por byte publicada que você pode usar para fazer previsões. Ele também é de pesos abertos, o que importa se você precisar executá-lo por conta própria.

Você precisa do Live 3 se a saída for uma conversa que precise sobreviver a interrupções. Agentes telefônicos, linhas de reserva, recebimento de pedidos, triagem de suporte — qualquer coisa em que o interlocutor responda e o modo de falha seja ser interrompido ou ter que repetir uma sequência de dígitos. Ele tem um argumento de comportamento, um piso de latência de fornecedor e uma plataforma, e ainda não tem benchmark nem preço.

Você provavelmente precisa dos dois se estiver construindo um produto de voz em vez de uma demonstração, e a divisão segue a linha entre ao vivo e renderizado. O erro a evitar é escolher um para fazer o trabalho do outro: um modelo TTS não consegue decidir quando parar de falar, e um modelo de agente duplex é uma forma cara e não avaliada de produzir uma saudação de caixa postal. A Fish Audio vende os dois, as unidades de preço são diferentes de propósito, e o roadmap que os trata como um único produto vai fazer previsões erradas dos próprios custos desde o primeiro mês.