AssemblyAI-TTS-1 против Fish Audio Drama 3: кнопка оформления заказа против загрузки на 41.5 ГБ

Первое, что нужно понять о AssemblyAI-TTS-1 в сравнении с Fish Audio Drama 3, — это то, что один из них является файлом. Drama 3, выпущенная 13 октября 2026 года, — это речевая модель mixture-of-experts с 35 миллиардами параметров, опубликованная на Hugging Face как fishaudio/drama-3: примерно 41,5 ГБ весов ещё до добавления кодека и около 48 ГБ VRAM для обслуживания в FP8. AssemblyAI-TTS-1, общедоступная с 27 октября 2026 года по цене 15 долларов за миллион символов, — это HTTPS-эндпоинт в US-East или EU-North, который отвечает менее чем за одну десятую секунды и не требует от вас ничего, кроме текста. Любое сравнение между ними, начинающееся с оценок Elo, начинается не с того места, потому что эти два продукта разделяет сначала операционное решение, а лишь затем — решение о качестве.

Что можно купить за 15 долларов и что — за 41,5 гигабайта

Сторону AssemblyAI-TTS-1 можно описать кратко: фиксированные 15 долларов США за миллион входных символов, включая все более чем 4 000 голосов библиотеки, мгновенное клонирование по 24-секундному образцу, временные метки слов, шесть языков на старте (английский, испанский, французский, немецкий, итальянский, португальский), обработка в США или ЕС, конечные точки WebSocket и HTTP плюс маршрут, совместимый с OpenAI, сообщение об отмене для прерывания и неограниченная параллельность без дополнительной платы. Нет SSML, нет параметра скорости, нет словаря произношения, нет тегов эмоций, нет тарифа профессионального клонирования.

Drama 3 — это продукт совершенно иного формата. Это 35B MoE с примерно 3 млрд активных параметров на токен, инициализированная из Qwen3.5-35B-A3B, 40 слоёв, 8 из 256 маршрутизируемых экспертов плюс один общий — именно поэтому она может звучать выразительно и при этом помещаться на одном ускорителе. Она охватывает 83 языка, клонирует голоса, обрабатывает до 16 говорящих за один проход и принимает заключённые в квадратные скобки режиссёрские ремарки на естественном языке, такие как [sighs], которые модель отыгрывает. Кроме того, согласно собственной карточке модели Fish, она создана для режиссируемого исполнения: дубляжа, нарратива, сцен с несколькими персонажами. Телефонный цикл с задержкой менее 100 мс — не то, для чего её настраивали.

Это различие не принижает ни один из них. Именно поэтому это сравнение вообще существует: Drama 3 — единственная модель в этой серии, которой можно владеть полностью, а AssemblyAI-TTS-1 — единственная в этой серии, которую можно уже сегодня днём запустить в разговор с абонентом без покупки GPU.

Математика конкурентности — вот настоящий аргумент.

Оба поставщика публикуют показатель задержки, и ни один из них не поддаётся прямому сравнению, поэтому воспринимайте нижеследующее как два отдельных утверждения, а не как прямое сравнение.

• Drama 3, карточка модели от производителя — медианное время до первого аудио 88,9 мс при одном потоке на одном H200, коэффициент реального времени 0,131, 271 кадр в секунду. Поддержка сервинга появилась в течение нескольких дней после релиза, и та же аппаратная конфигурация обеспечивает медианное время до первого аудио 255 мс при 128 одновременных потоках, или около 222 секунд аудио на одну секунду реального времени.

• AssemblyAI-TTS-1, лаборатория поставщика — 47 мс медианного времени до первого байта; независимо измерено Cekura: 159 мс медианного времени запуска потоковой передачи и 296 мс при p90, при пропускной способности 162 символа в секунду по данным измерения Artificial Analysis.

Посмотрите, что происходит с числом Drama 3 по мере роста нагрузки: 88,9 мс в одиночном режиме, 255 мс при 128 потоках. Это вполне хорошая кривая для конвейера дубляжа и пограничная для колл-центра, где каждая миллисекунда до того, как звонящий что-то услышит, — это миллисекунда мёртвой тишины. Контраргумент AssemblyAI — не более быстрое число, а отсутствие кривой: неограниченная конкурентность по единому фиксированному тарифу, потому что проблема планирования — на стороне поставщика, и вы её никогда не видите. Выдержит ли это обещание ваш собственный трафик — именно это и стоит проверить, поскольку утверждение о неограниченной конкурентности без опубликованного поведения при очередях — это утверждение о чьём-то чужом кластере.

Два счёта, которые выражены не в одних и тех же единицах.

Fish указывает для Drama 3 цену 50,00 долл. США за миллион байтов UTF-8, что, согласно собственной документации поставщика, соответствует примерно двенадцати часам речи — около 4,17 долл. США за час аудио. В рамках стартовой акции действует цена 10,00 долл. США за миллион байтов, около 0,83 долл. США за час; акция продлится до 12 ноября 2026 года. AssemblyAI-TTS-1 по цене 15 долл. США за миллион символов обходится примерно в 0,81 долл. США за час речи при том же щедром допущении — около 900 символов в минуту обычной разговорной речи.

Так что во время промо-акции цена этих двух отличается в пределах погрешности округления, а по прайс-листовой цене Fish примерно в пять раз дороже в расчёте на час вывода — и это ещё до покупки H200. Самостоятельный хостинг не устраняет затраты: он превращает счёт за символы в счёт за часы работы GPU плюс человека, который умеет это обслуживать.

Стоит назвать две ловушки, потому что в них легко попасться.

• Символы — это не байты. Fish считает по байтам UTF-8, AssemblyAI — по символам. Английский текст близок к одному байту на символ, поэтому эти два показателя выглядят сопоставимо; японский, арабский или текст с обилием эмодзи раздувает количество байтов и незаметно увеличивает счёт за Drama 3 на 30–100% при том же сценарии.

• Отсутствие заголовка модели не приводит к явному сбою. В собственной документации Fish отмечается, что отсутствующий или неправильно написанный идентификатор модели незаметно переключается на s2.1-pro по цене $15.00 за миллион байт — это надбавка в 50% к промо-тарифу Drama 3, для другой модели, при этом в ответе нет ошибки.

Есть и третье число в обращении, и его стоит назвать, потому что вы встретите его в таблице лидеров. В колонке цен Artificial Analysis Drama 3 указан по $15,0 за миллион символов, что не согласуется с $50 за миллион байтов у Fish или с промоценой $10. Три цифры — прайс-лист, промоакция, нормализация в таблице лидеров — и только первые две исходят от поставщика. Число из таблицы лидеров — это единица сравнения, а не котировка.

Лицензионный шлюз внизу публикации

Drama 3 не является открытым исходным кодом в том смысле, в каком предполагают большинство команд. Она распространяется по лицензии Fish Audio Community License v1.0: коммерческое использование бесплатно при годовом доходе ниже 500 000 долларов США, выше этого порога применяется отдельная лицензия, а перепродажа модели в качестве хостингового TTS API требует отдельного соглашения независимо от масштаба. Artificial Analysis указывает её как модель с открытыми весами без полных прав на коммерческое использование, что является точным описанием.

У AssemblyAI-TTS-1 нет такого ограничения, потому что у него нет весов — вы не можете развернуть его на собственных серверах, дообучить его или продолжать использовать, если поставщик изменит цены. Это тот компромисс, который никто не вносит в сравнительную таблицу: лицензия Drama 3 ограничивает, что вы можете делать с моделью, а архитектура AssemblyAI-TTS-1 ограничивает, что вы можете делать без поставщика.

Разрыв в качестве — сказано однажды

В Provider Voice Arena от Artificial Analysis — по данным на 30 октября 2026 года, то есть для обоих использовался один и тот же прогон — Drama 3 занимает шестое место с 1,278 Elo, а AssemblyAI-TTS-1 — четырнадцатое с 1,227. В Controlled Voice Arena Drama 3 находится на двенадцатом месте с 1,085, а AssemblyAI-TTS-1 — на десятом с 1,110; это меняет порядок и показывает, что две таблицы измеряют разные вещи: готовые голоса в первой и точность клонирования относительно фиксированного эталона во второй. Из этих двух Drama 3 выше по естественности голоса, а при фиксированной эталонной записи разница между ними находится в пределах шума.

Наиболее резко их разделяет устойчивость произношения: здесь Drama 3 безоговорочно лидирует — источники приводят значение где-то в диапазоне от примерно 93% до 95% в зависимости от того, когда читалась страница, так что считайте рейтинг фактом, а десятичную дробь — украшением. AssemblyAI-TTS-1 получает 81,7% по тому же инструменту и занимает шестнадцатое место, а его weakest субпоказатель — раскрытие сокращений — составляет 73,8%. Если ваш ввод полон аббревиатур, Drama 3 обрабатывает их без словаря. Если ваш ввод — номер телефона, произносимый вслух, независимый тест Cekura ставит AssemblyAI-TTS-1 первым в своей области с 91,7% именно в этой категории.

Собственные бенчмарки ни одного из поставщиков не следует воспринимать как независимые. Показатели AssemblyAI — точность на уровне слов 99,0%, прогнозируемый MOS 3,85 и оценка TTSDS 85,5 — получены с помощью собственного испытательного стенда компании на её собственных отложенных наборах данных; показатели Fish — 88,9 мс и 271 кадр в секунду — взяты из её собственной карточки модели. Сторонние измерения — Artificial Analysis, Cekura, Coval — единственные в этой статье, выполненные кем-то, у кого нет продукта на продажу.

Выбирайте по тому, чем можете управлять, а не по тому, что выше в рейтинге.

Существует ровно три ситуации, когда Drama 3 — правильный ответ. Вам нужно выразительное, режиссёрски выстроенное исполнение с ремарками и несколькими говорящими за один проход — тут спорить не о чем: у AssemblyAI-TTS-1 нет аналога. Вам нужен язык за пределами тех шести, с которыми запустилась AssemblyAI, — 83 против 6, и на этом сравнение заканчивается. Или вам нужна модель на собственном оборудовании по причинам резидентности данных, которым не удовлетворяет регион поставщика в США или ЕС, — это реальное требование для некоторых регулируемых рабочих нагрузок и единственное, что оправдывает GPU.

Все остальные покупают телефонного агента, а телефонному агенту нужен фиксированный счёт, отсутствие очереди за чужим H200 и проблема произношения, которую он может исправить. AssemblyAI-TTS-1 даёт первые два и пока не даёт третьего. Вот честная картина: Drama 3 — лучшая модель и худший продукт для этой задачи.

Практический компромисс, к которому придёт большинство команд, — использовать оба варианта: Drama 3 для генерируемого аудио, которое вы публикуете как контент, AssemblyAI-TTS-1 для речи с репликами в реальном цикле, с одним резервным путём между ними. Подключение второго TTS-поставщика — та же дисциплина, которую OrcaRouter применяет к языковой модели в этой связке: один API для более чем 200 моделей по прайс-листовой цене провайдера с наценкой 0%, автоматическое переключение при деградации провайдера и DSL маршрутизации, который позволяет одной конечной точке обслуживать несколько моделей вместо нескольких контрактов. Ни одна из этих двух речевых моделей сегодня не входит в каталог OrcaRouter — речевые маршруты, которые мы поддерживаем, — это семейство tts-1 от OpenAI и предварительные версии Gemini TTS от Google — так что воспринимайте это как суть аргумента, а не как предположение, что здесь можно купить Drama 3.

Что изменило бы этот вердикт: публикация Fish кривой параллелизма, подтверждающей задержку ниже 150 мс при нагрузке колл-центра, или добавление AssemblyAI словаря произношений и ещё четырёх языков. За вторым следите в первую очередь. Это изменение конфигурации, и компания, выпустившая единую тарифную сетку в $15, уже показала, что предпочитает конкурировать ценой в счёте.