GPT-Live-1 vs Fish Audio Drama 3: Um você pode baixar, o outro só pode alugar

Fish Audio Drama 3 Preview é distribuído como 41,5 gigabytes de pesos baixáveis que você pode apontar para sua própria GPU, inspecionar, fazer ajuste fino e continuar executando depois que o fornecedor perder o interesse. GPT-Live-1 é distribuído como uma URL. Não há pesos para baixar, nenhum caminho de inferência local e nenhuma forma de ouvi-lo de modo algum sem abrir uma sessão contra o endpoint v1/live/sessions da OpenAI, a US$ 0,05 por minuto.

Isso parece um detalhe de aquisição. É a decisão. Um desses modelos é um ativo com uma licença vinculada; o outro é um serviço com um medidor vinculado, e os dois se comportam de forma completamente diferente quando seu produto dura mais do que uma página de preços.

O que Drama 3 realmente é

A Fish Audio lançou o Drama 3 Preview em meados de outubro de 2026: um modelo de conversão de texto em fala do tipo mistura de especialistas com 35 bilhões de parâmetros, dos quais cerca de 3 bilhões ficam ativos por token, construído sobre uma base Qwen3.5-35B-A3B. Ele cobre 83 idiomas, acomoda até 16 falantes distintos em uma única solicitação, clona vozes a partir de referências curtas e aceita instruções em linguagem natural — diga que uma fala deve soar resignada, acrescente um som ou marque quais palavras mudam, e ele executa isso em vez de lê-la de forma monótona.

O limite de vários falantes é o recurso que importa comercialmente. Um drama de áudio com dois atores, um podcast com um apresentador e um convidado, um vídeo de treinamento com um narrador e um cliente — cada um deles é uma única chamada de API, não dezesseis arquivos remendados com tons de ambiente incompatíveis.

No Provider Voice Arena da Artificial Analysis, com dados de 29 de outubro de 2026, o Drama 3 Preview está com 1240 Elo, em décimo primeiro lugar geral e primeiro entre os modelos de pesos abertos, à frente do Breeze TTS 2, com 1228. A Fish relata 93,2% de robustez de pronúncia, o maior valor declarado no lançamento e acima dos 91,7% que a ElevenLabs relata para o Eleven v4.

O que o GPT-Live-1 realmente é

O modelo da OpenAI é o tipo oposto de objeto. Desde 10 de setembro de 2026, ele pode ser chamado a US$ 0,05 por minuto de voz, cobrado por segundo, com áudio e texto tanto na entrada quanto na saída, com suporte a streaming e chamadas de função, mas não a saídas estruturadas, explicitamente. Ele é full-duplex: ouve você enquanto fala e delega o raciocínio pesado a um modelo de texto em segundo plano.

Não tem produto de clonagem de voz, nem modo multi-falante, nem uma forma documentada de pegar um roteiro e devolver um arquivo de áudio determinístico. O que tem é uma conversa. Para um agente de telefone, isso é exatamente certo. Para uma cena com quatro personagens, não é uma ferramenta pior: é a categoria errada de ferramenta.

O número que ambos os lados imprimem

Aqui está um detalhe que vale a pena destacar, porque vai confundir qualquer pessoa que compare fichas técnicas: o Drama 3 da Fish Audio e o Ming-3.0-TTS da Ant Group relatam ambos 93,2% de robustez de pronúncia na mesma medição da Artificial Analysis. Dois laboratórios diferentes, duas arquiteturas diferentes, o mesmo valor até uma casa decimal.

Isso não é um erro de copiar e colar e não é um empate. É assim que um teto se parece — os 6,8% restantes são a cauda difícil do texto em inglês: sequências alfanuméricas, nomes próprios incomuns, números lidos no contexto. Qualquer pessoa que afirme uma vitória decisiva em pronúncia entre os principais modelos de pesos abertos está lendo ruído. A pergunta útil é quais casos de falha o seu conteúdo realmente contém, e isso exige testar o seu próprio texto, não ler um ranking.

A licença é a parte que ninguém lê.

O Drama 3 tem pesos abertos, não código aberto no sentido permissivo. É distribuído sob a Fish Audio Community License v1.0: gratuita para pesquisa e trabalhos não comerciais, gratuita para uso comercial abaixo de US$ 500.000 em receita anual, e exigindo um acordo separado acima disso. A hospedagem de API por terceiros precisa de sua própria licença, e a atribuição é obrigatória.

Isso é uma licença razoável e uma restrição real. Seguem-se três consequências:

• Abaixo da linha de receita, a auto-hospedagem é genuinamente gratuita — você paga por eletricidade e tempo de GPU e nada mais.

• Acima disso, você está de volta a uma negociação, e a vantagem de "somos donos dos pesos" se reduz a "ainda podemos executá-los enquanto conversamos".

• Revender acesso aos seus próprios clientes quase certamente exige um acordo separado, independentemente da sua receita.

A licença do GPT-Live-1 é mais simples da mesma forma que um contrato de aluguel é mais simples: você paga por minuto, usa e para. Sem limite de receita, sem cláusula de atribuição, sem obrigação de divulgar o número de clientes. Essa simplicidade tem seu valor, e vale mais quanto menor você for.

Quanto custa realmente o hardware

Auto-hospedar o Drama 3 exige aproximadamente 48 GB de memória NVIDIA em FP8, e cerca de 41,5 GB disso são pesos. Uma H100 ou uma instância alugada da classe A100 dá conta disso; uma placa de consumidor não, confortavelmente. Seguem-se duas abordagens.

Se você já possui a GPU, o custo marginal de síntese é próximo de zero e o preço do serviço hospedado parece absurdo: a Fish lista US$ 50 por milhão de caracteres, está com uma promoção de lançamento a US$ 10 por milhão até 12 de novembro de 2026, e a Artificial Analysis registra o preço de tabela como US$ 15. Uma cena de dez minutos com cerca de 9.000 caracteres custa entre nove centavos e quarenta e cinco centavos, dependendo de qual desses três valores você realmente é cobrado.

Se você não possui a GPU, ainda assim está alugando uma, e a comparação passa a ser entre hora-GPU e milhão de caracteres. A uns US$ 2 por hora-GPU, um modelo que sintetiza dez vezes mais rápido que o tempo real produz cerca de dez horas de áudio por hora de aluguel — aproximadamente 540.000 caracteres em um ritmo normal de fala. Isso dá algo perto de US$ 3,70 por milhão de caracteres, bem abaixo de todos os preços de serviços hospedados na tabela, mas somente com utilização sustentada. Abaixo de cerca de 30% de ciclo de utilização, o aluguel não ganha nada, e a suposição sobre a taxa de transferência é exatamente isso: uma suposição que você precisa medir na sua própria instância, não um número que a Fish publica.

Em contrapartida, o custo do GPT-Live-1 é linear e monótono: US$ 0,05 por minuto, a cada minuto, sem custo fixo, sem risco de utilização. Dez minutos de conversa custam US$ 0,50. Dez minutos de narração do Drama 3 custam aproximadamente US$ 0,135 pelo preço de tabela registrado. Trabalhos diferentes, métricas diferentes, e um deles tem um custo fixo que você pode amortizar.

Onde o aluguel ainda vence

A conformidade é o argumento silencioso a favor do modelo hospedado. Os pesos do Drama 3 podem ser copiados, sujeitos a fine-tuning para o produto de um concorrente ou deixados a correr numa jurisdição sobre a qual a sua equipa jurídica tem opiniões. O GPT-Live-1 dá-lhe um endpoint, uma fatura e um fornecedor que assume o risco do lado do modelo. Para uma empresa regulada, isso não é preguiça; é um prémio de seguro.

A política de latência é a segunda. A alternância de turnos full-duplex é um comportamento, não um checkpoint: um turno de 0,8 segundo e 87% de precisão de chamada de ferramentas são o que a OpenAI relata para este modelo, e ambos são números do fornecedor, e não medições independentes. Você não pode baixar esse comportamento com o Drama 3, porque o Drama 3 não está tentando ouvir você.

E o tratamento de falhas é o terceiro. Um modelo baixável falha quando a sua GPU falha. Um modelo hospedado falha quando a de outra pessoa falha — o que é um risco diferente, não necessariamente pior, e que você pode mitigar.

Onde colocar a cerca viva

A proteção pertence atrás da camada de voz, não dentro dela. Nenhum desses modelos é disponibilizado pela OrcaRouter: os pesos do Drama 3 não estão em nosso catálogo, e o GPT-Live-1 tem exatamente um endpoint e nenhuma superfície compatível. O que é roteável é o componente de raciocínio do qual um agente conversacional depende — GPT-6 Astra, GPT-5.6 Terra, Claude, Gemini, Qwen — acessível por meio de uma única chave com failover automático, aos preços de tabela dos provedores repassados com 0% de margem.

É o lugar certo para gastar seu orçamento de redundância. A falha na saída de voz é escancarada e óbvia; já a falha do modelo de texto por trás dela é a que arruína silenciosamente a qualidade das chamadas por uma semana. Mantenha o ouvido fixo no modelo que você escolheu. Mantenha o cérebro trocável.

A decisão, em um parágrafo cada.

Escolha o Drama 3 se você produz áudio em vez de conversas: cenas, podcasts, dublagem, conteúdo de treinamento com vários personagens, e se você estiver abaixo do limite de receita ou preparado para negociar acima dele. O MoE de 35B, o teto de dezesseis falantes e o Elo de 1240 são um pacote genuinamente forte, e os pesos significam que ninguém pode tirá-lo de você.

Escolha o GPT-Live-1 se o produto for uma conversa ao vivo e o valor estiver no tratamento de interrupções. Custa mais caro por minuto entregue, não lhe dá nada para possuir e faz a única coisa que o Drama 3, estruturalmente, não consegue: ouvir enquanto fala.

Os dois ficam lado a lado numa ficha técnica e não têm nada a ver um com o outro no uso real. Quem compra um esperando que ele faça o trabalho do outro vai concluir que o modelo é ruim, quando na verdade o modelo simplesmente nunca foi solicitado a fazer aquilo.