Fish Audio Drama 3 теперь одновременно удерживает обе речевые арены — и ни одна из этих цифр не совпадает с той, что вы видели на прошлой неделе.

В таблице лидеров есть две записи об одном продукте. Fish Audio Drama 3 занимает шестое место в Artificial Analysis Provider Voice Arena с Elo 1 278 и двенадцатое место в Controlled Voice Arena с Elo 1 085, и в обеих таблицах это модель с открытыми весами с самым высоким рейтингом. Запись под названием Fish Audio Drama 3 Preview — та, о которой писали в прессе, когда Fish Audio опубликовала её 2026-10-13, — по-прежнему указана отдельно, с показателями 1 240 и 1 063. Это разница в 38 пунктов в одной таблице и в 22 пункта в другой — при том что на собственной странице продукта поставщика это называется одной моделью под двумя названиями. Если за последние две недели вы приводили Elo Drama 3, этот материал подскажет, какой из двух вы цитировали.

О чём на самом деле говорят советы директоров сегодня

Оба показателя были взяты из Artificial Analysis на 2026-10-29, и у обоих указана одна и та же зафиксированная в рейтинге цена $15.00 за миллион символов, поэтому разрыв в 38 пунктов — это не изменение цены, а две оценки двух архивных состояний одной и той же модели. Все позиции провайдерских голосов выше Drama 3 являются закрытыми системами: Eleven v4 Turbo — 1 336 и $40.00; Eleven v4 — 1 334 и $80.00; Qwen-Audio-3.1-TTS-Plus — 1 305 и $19.30; Cartesia Sonic 3.6 — 1 296 и $49.00; Google Gemini 3.8 Flash TTS — 1 283 и $16.50. Каждая из них стоит дороже за миллион символов, чем позиция Fish Audio, находящаяся непосредственно ниже.

Таблица с контролируемым голосом — это место, где две записи Drama 3 наиболее резко расходятся по позициям в рейтинге и где утверждение об открытых весах проще всего проверить, поскольку все модели там оцениваются на одних и тех же фиксированных эталонных голосах, а не по собственному каталогу каждого поставщика. Полный разброс для записей с открытыми весами на сегодня:

• Голос провайдера — Fish Audio Drama 3 1 278 (#6); Fish Audio Drama 3 Preview 1 240 (#12); Breeze TTS 2 1 228 (#13); Voxtral 3 TTS 1 223 (#15).

Управляемый голос — Fish Audio Drama 3 1 085 (#12); Ming-3.0-tts 1 068 (#17); Fish Audio Drama 3 Preview 1 063 (#20); Breeze TTS 2 1 021 (#28).

• Разрыв, который имеет значение — на контролируемых голосах Drama 3 всё ещё уступает Eleven v4 (1,156, #4) и Inworld Realtime TTS-2 (1,146, #7), а Google Gemini 3.8 Flash TTS (1,053, #24) находится ниже, но закрытые системы на вершине этой таблицы отстают не на четыре пункта, а на семьдесят. HeyGen Voice лидирует с результатом 1,193.

Из этого следуют два вывода. Во-первых, «первое место среди открытых весов» сегодня верно на обеих аренах, и ни на одной из них это не ничья. Во-вторых, отрыв в контролируемом рейтинге — 17 Elo над Ming-3.0-tts при пятой части числа параметров — находится в диапазоне, где несколько тысяч голосов могут изменить порядок, так что воспринимайте это как лидерство, а не как гарантию.

Оценка произношения — это разделённое первое место, а не единоличное.

В анонсе Fish Audio приводится показатель 93,2% по бенчмарку English Pronunciation Robustness от Artificial Analysis против 88,1% у предыдущей S2.1 Pro, и он описывается как лучший результат в таблице лидеров. Это было верно, когда результат появился 2026-10-20, с одной оговоркой, которую маркетинговый текст опускает: Ming-3.0-tts от Ant Group достигла тех же 93,2%, поэтому в таблице показана ничья за первое место среди 31 оценённой модели, а не единоличный лидер. Eleven v4 находится на уровне 91,7%, а Eleven v4 Turbo — на 90,1%.

Сводный показатель скрывает реальный компромисс. Сильная сторона Drama 3 — имена собственные и слова, зависящие от контекста: 95,9% на изолированных терминах, таких как бренды, места и технические названия, и 95,3% на словах, чтение которых зависит от предложения. Её слабость — всё, что должно воспроизводиться символ в символ: 86,3% на кодах, путях и адресах электронной почты, где Ming достигает 90,6%. Единственная категория, в которой Drama 3 безоговорочно проигрывает, — развёртывание сокращений: числа, даты и единицы — 93,6% против 94,1% у Eleven v4. Если ваш пайплайн читает вслух номера заказов, коды деталей или строки отслеживания, заявленные 93,2% — неподходящая цифра для планирования; правильная — 86,3%.

Что вышло 2026-10-13 и что меняют шестнадцать дней

Ничто из этого не является запуском, и об этом не следует сообщать как о запуске. Fish Audio добавила модель в своё веб-приложение, приложения для iOS и Android и свой API 13 октября 2026 года, с идентификатором модели в API «drama-3». Новым за последние две недели является независимая оценка розничной модели, а не существование самой модели. Практические последствия этого различия стоит разъяснить, поскольку предыдущие материалы об этой модели — в том числе в этом блоге — были написаны на основе данных Preview.

Архитектура не изменилась между двумя записями: смесь экспертов с 35 млрд параметров, инициализированная из Qwen3.5-35B-A3B, при этом на каждый токен активно примерно 3 млрд параметров, и срабатывают 8 из 256 маршрутизируемых экспертов плюс один общий эксперт. Сорок слоев, организованных в повторяющиеся блоки из трех слоев Gated DeltaNet и одного слоя полного внимания с гейтированием, поэтому KV-кэш сохраняет только каждый четвертый слой. Декодер имеет архитектуру codebook-MTP — четыре общих слоя подают данные в девять слоев полной ширины, по одному на каждую акустическую кодовую книгу, — и только кодовые книги 0 и 1 возвращаются в базовую сеть. Токенизатор — та же конфигурация Descript Audio Codec, что использовалась в S2: 44,1 кГц, десять кодовых книг, около 21,5 кадра в секунду, полностью каузальная. Стоит отметить одно небольшое несоответствие, потому что оно запутает любого, кто сравнивает два источника: в анонсе Fish Audio указано 35 млрд параметров, а в карточке модели на Hugging Face сообщается размер модели 36B. Разница, вероятно, связана с округлением или способом подсчета эмбеддингов, а не с другим чекпоинтом, но именно эти два числа вы найдете в каждом из источников.

Пропускная способность на одном H200 составляет заявленные производителем 271 кадр/с против 177 у S2 — именно это и должен обеспечивать 35B MoE с 3B активным путём. Сервинг реализован через SGLang-Omni. Веса доступны на Hugging Face как fishaudio/drama-3 — около 40 ГБ в наборе шардов safetensors плюс отдельный файл кодека — а для инференса FP8 требуется примерно 48 ГБ видеопамяти; при этом документированного пути для CPU или ROCm нет. Именно это последнее ограничение решает большинство вопросов о самостоятельном хостинге, и оно является предметом сравнения Breeze TTS 2, а не этого.

Три цены, и эта карта — не та, на которую стоит ориентироваться.

Здесь источники должны быть указаны явно, потому что в обращении находятся три числа, и два из них не таковы, какими кажутся. Artificial Analysis фиксирует $15.00 за миллион символов для обеих позиций Drama 3. На собственной странице анонса Fish Audio указана прейскурантная цена $50.00 за миллион символов при стартовой ставке $10.00, скидка 80%, до 2026-11-12. А документация Fish Audio для разработчиков ведёт расчёты в совершенно третьей единице: за миллион байт UTF-8, причём drama-3 стоит $50.00, s2.1-pro — $15.00, а стартовая ставка — $10.00 до 2026-11-12 09:00 PT. В английском тексте примерно один байт на символ, поэтому для английского текста показатели в байтах и символах примерно взаимозаменяемы, а для письменностей, в которых на глиф приходится больше байта, они резко расходятся.

На $15.00 в таблице лидеров стоит взглянуть внимательнее, а не просто отмахнуться, потому что это в точности прайс-листовая ставка s2.1-pro — предыдущей модели Fish Audio, — а не ставка той модели, которая оценивается. Либо таблица записала смешанную или перенесённую цифру, либо она оценила модель по ставке, которую Fish Audio для неё не публикует. Ориентироваться в бюджете стоит на цифре из собственной таблицы цен Fish Audio: $50.00 за миллион байт UTF-8 по прайс-листу, что документация провайдера приравнивает к примерно 180 000 английских слов, или примерно двенадцати часам речи, — то есть $4.17 за час готового аудио. Стартовая скидка, которая заканчивается через две недели, — это не тарифная сетка; при $10.00 те же двенадцать часов стоят около $0.83.

Лицензия: открытые веса, а не открытый исходный код, и один пункт, который решает многое

Веса опубликованы под лицензией Fish Audio Community License v1.0. Исследовательское и некоммерческое использование бесплатно. Коммерческое использование бесплатно, если вы и ваши аффилированные лица не превышаете US$500,000 годовой выручки; при превышении этого порога или если вы хотите предлагать Drama 3 как сервис синтеза речи, клонирования голоса или инференса, вам нужна отдельная лицензия от Fish Audio. Лицензия также запрещает клонировать голос реального человека без согласия, а в FAQ Fish Audio создание готового аудио для клиентов рассматривается как разрешённое — это тот пункт, который важен для агентств и студий постпродакшна. S2 остаётся под более строгой Research License, поэтому эти два поколения не взаимозаменяемы при коммерческом развёртывании.

Artificial Analysis указывает модель как открытые веса без полных прав на коммерческое использование. Это честная формулировка: вы можете скачать и запустить её, но не обязательно имеете право продавать доступ к ней. Всем, кто планирует хостинговый продукт на основе этих весов, стоит прочитать пункт об услугах до того, как они примутся за страницу оплаты, а не после.

Что это значит для производственного конвейера

Результат по двум аренам заслуживает поста, а не сноски, потому что меняет то, что команда может предполагать. Шестнадцать дней назад защитимым утверждением было то, что модель с открытыми весами вошла в топ-10 рейтинга предпочтений и заявила о лидерстве по произношению по собственной оценке. Сегодняшний независимый вердикт — более узкий и при этом более сильный: это лучшая модель с открытыми весами на обеих аренах, она делит первое место по произношению, а не занимает его единолично, и добивается этого по цене среднего уровня с весами, которые может скачать каждый.

Drama 3 — не одна из моделей на OrcaRouter. До неё можно добраться через собственный API Fish Audio и несколько сторонних платформ, и материал, который утверждал бы обратное, лгал бы вам о том единственном, ради чего существует этот блог. А то, что делаем мы, — это вторая половина проблемы: ~200 моделей за одним ключом по цене из прайс-листа провайдера, без наценки, автоматическое переключение при сбое, DSL маршрутизации и слияние моделей — это то, как конвейер, который уже обращается к другим поставщикам, поглощает такую модель без второго контракта и второго SDK. Если Drama 3 становится голосом повествования в очереди рендеринга, а у очереди есть дедлайн, ценность маршрутизации всего остального через одну точку входа в том, что путь для повторной попытки уже существует.

За чем следить в ближайшие две недели, в порядке того, насколько это изменило бы картину: закроется или расширится ли разрыв в 22 пункта между двумя записями Drama 3 по мере того, как на розничную заявку будет поступать больше голосов; вырвется ли Ming-3.0-tts вперёд по произношению, когда его оценку по именам собственным, занявшую 21-е место, пересчитают при большем количестве span-ов; и воспроизведёт ли кто-либо за пределами Fish Audio показатель в 271 кадр в секунду на оборудовании, отличном от H200. Цифры арены достаточно устоялись, чтобы их цитировать. Показатель пропускной способности по-прежнему остаётся заявлением поставщика, а лицензия по-прежнему остаётся тем, что с наибольшей вероятностью решит, сможет ли команда вообще это использовать.