Fish Audio Drama 3 Preview возглавляет арену речевых моделей с открытыми весами

Fish Audio Drama 3 Preview — это модель, которую Fish Audio опубликовала 13 октября 2026 года, и уже к следующему утру она заняла первое место среди систем с открытыми весами в рейтинге синтеза речи Artificial Analysis. Что заставляет присмотреться к этой позиции — не сама вершина, а цена, которая с ней связана. Для этой позиции указана ставка по прайс-листу 15,00 долларов США за миллион символов, тогда как каждая модель, стоящая рядом с ней в рейтинге, стоит в два–пять раз дороже, а две модели непосредственно над ней в таблице, ElevenLabs Eleven v4 Turbo и ElevenLabs Eleven v4, — это закрытые системы с посимвольной оплатой, которая невыгодно масштабируется для всех, кто создает аудио длинного формата.

В таблице лидеров Provider Voice Arena, где собственные голоса каждого вендора соревнуются между собой, Fish Audio Drama 3 Preview занимает 10-е место с рейтингом Elo 1 243. Это ниже пары ElevenLabs с 1 330 и 1 328, ниже Cartesia Sonic 3.6 с 1 286, ниже Qwen-Audio-3.1-TTS-Plus с 1 300 и Qwen-Audio-3.0-TTS-Plus с 1 268, а также ниже Gemini 3.8 Flash TTS с 1 274. Он опережает вторую модель с открытыми весами, Breeze TTS 2, которая имеет рейтинг 1 221 и стоит $34.00 за миллион символов — чуть более чем вдвое дороже тарифа Drama 3 Preview. Из 97 моделей в этой таблице 17 имеют открытые веса, и новая предварительная версия Fish Audio занимает среди них самое высокое место.

Читайте это число вместе с его доверительными интервалами. Заявленный лидербордом интервал для этой записи простирается от 1 226,8 до 1 258,8 — это примерно 1 857 слепых сравнений по 8 голосам арены. В сравнении с Breeze TTS 2 разрыв комфортный. А вот против Speechify Simba 3.2 при 1 245 и $6,60 — уже нет: это разница в 2 пункта при перекрывающихся интервалах, и никто не должен принимать на этом основании решение о покупке. Честный вывод: Drama 3 Preview поместила модель с открытыми весами в топ-10 лидерборда, где ей раньше было не место, и сделала это по цене среднего сегмента.

Что модель на самом деле есть

Fish Audio описывает Drama 3 Preview как модель смеси экспертов с 35 миллиардами параметров, из которых примерно 3 миллиарда параметров активны на токен. В ней используется гибридный стек внимания — Gated DeltaNet в сочетании с gated full attention — вместе с декодером codebook-MTP и токенизатором на основе DAC, работающим на частоте 44,1 кГц. Частичное слияние кодовых книг возвращает в цикл только первые две кодовые книги. Обучение прошло через три этапа предварительного обучения, затем тонкую настройку по инструкциям, затем обучение с подкреплением с использованием единой модели вознаграждения, основанной на человеческих предпочтениях, без формирования вознаграждения на основе правил.

Заявление о пропускной способности, которое идёт с ним, — это то, что практиков будет волновать больше всего: Fish Audio сообщает о 271 кадре в секунду на одном H200 против 177 у сменяемой модели S2, несмотря на гораздо большее число параметров. Это цифра от производителя, а не проверенный бенчмарк, и она будет меняться в зависимости от батчинга и длины последовательности, — но направление согласуется с тем, что разрежённая архитектура делает то, что и должна делать.

Состав API не изменился по сравнению с эндпоинтом S2.1 Pro. Запросы отправляются на POST https://api.fish.audio/v1/tts, и запрос, в котором опущено поле model или указана модель, которую сервис не распознаёт, откатывается к s2.1-pro, а не выдаёт ошибку. Такой резервный вариант удобен, и о нём стоит знать, потому что это означает: опечатка в имени модели приводит к правдоподобно звучащему аудио не тем голосом, а не к ошибке 400.

Режиссёрский контроль, диалог за один проход и исправление одного слова

Три возможности отличают этот релиз от предыдущего поколения, и все три нацелены на работу по сценариям в продакшене, а не на живой разговор.

• Управление на естественном языке. Вместо фиксированного набора тегов модель принимает инструкции в виде простых описаний, например [нервный, едва сдерживается] или [теплый и расслабленный, как будто разговариваешь со старым другом], и она может менять эмоцию или подачу посреди предложения, не создавая новый дубль. Парные встроенные теги, такие как <whisper>…</whisper>, и сигналы, такие как [вздох], применяются только к тексту, который они окружают, поэтому строка может менять регистр на полпути за счет конструкции, а не случайности.

• Многоспикерный диалог за один проход. Каждый персонаж сохраняет собственный голос в рамках одной генерации, что устраняет этап склейки, который обычно стоит между TTS-моделью и готовой сценой. Для аудиодрамы и игровых диалогов это разница между рабочим конвейером и исследовательским проектом.

• Аудиоинпейнтинг. Сегмент можно заново выбрать, задать новую инструкцию и перегенерировать отдельно — это исправление рабочего процесса, позволяющее поправить одно неправильно произнесённое слово, которое раньше требовало полного повторного рендеринга. Fish Audio указывает интерактивное редактирование, инструмент инпейнтинга и API редактирования как доступные только по приглашению или как «скоро», так что возможность существует, но публичный доступ к ней пока не открыт.

Fish Audio также заявляет о поддержке 83 языков с сохранением языковой согласованности на протяжении длинных сценариев и при переключении в середине сцены, об управлении произношением на уровне фонем в английском, китайском, японском, корейском и ряде других языков, а также о клонировании голоса в стиле S2 по референсным клипам длительностью примерно от 10 до 30 секунд. В демонстрации на запуске использовался клон голоса Uncle Roger, который, по словам компании, был создан и использован с разрешения.

Утверждение о произношении и его происхождение

В анонсе Fish Audio говорится, что Drama 3 Preview набирает в целом 93,2% в таблице лидеров по устойчивости произношения Artificial Analysis и занимает в ней первое место, опережая ElevenLabs Eleven v4 и Eleven v4 Turbo. Публикуемые субпоказатели: 95,9% по именам, брендам и техническим терминам против 87,3% у Fish Audio S2.1 Pro; 95,3% по словам, зависящим от контекста, против 86,1%; 93,6% по числам, датам и единицам измерения против 92,7%; и 86,3% по кодам, путям и адресам электронной почты против 79,4%.

Эти числа взяты из собственного анонса Fish Audio. Когда я попытался найти таблицу лидеров, чтобы прочитать оценки по каждой модели напрямую, пути проверки устойчивости произношения возвращали ошибки 404, а доступный мне интерфейс таблицы лидеров отображал рейтинг Elo без цитируемого показателя произношения для каждой модели. Поэтому каждый показатель в абзаце выше заявлен производителем, и в любой презентации, где он используется, это следует указывать. Числа Elo в других местах этой статьи другие: они взяты мной непосредственно с таблицы лидеров и сопровождаются собственными доверительными интервалами этой таблицы.

Лежащая в основе жалоба, на которую отвечает это утверждение, реальна, независимо от того, чьим цифрам вы доверяете. Произношение имён собственных, кодов продуктов и путей к файлам — это тот режим отказа, который заставляет команды возвращаться к услугам живых дикторов, и именно его большинство поставщиков TTS исправляют медленнее всего, потому что это не проблема просодии. Модель, которая обрабатывает 86,3% кодов, путей и адресов электронной почты против 79,4% у предшественника, всё ещё ошибается примерно в одном случае из семи.

Что означает «открытые веса» в рамках этой лицензии

Fish Audio Drama 3 Preview поставляется под лицензией Fish Audio Community License v1.0. Прочитайте условия, прежде чем строить планы с учётом них. Лицензия бесплатна для исследовательского и некоммерческого использования и бесплатна для коммерческого использования, если вы и ваши аффилированные лица не превышаете US$500,000 годовой выручки. Выше этого порога — или если вы хотите предлагать модель как сервис преобразования текста в речь, клонирования голоса или инференса, независимо от размера, — вам нужна лицензия от Fish Audio. Линейка S2 остаётся под отдельной Research License. Клонирование голоса реального человека без согласия прямо запрещено.

Коммерческий порог независимо подтверждается: в таблице Artificial Analysis эта запись помечена как открытые веса без прав на коммерческое использование, что согласуется с лицензией с порогом по выручке, а не с неограниченной. Если вы небольшая студия, открытые веса по этой лицензии — вполне реальный вариант. Если вы платформа, перепродающая инференс, то это не открытые веса в том смысле, на который вы надеялись.

Цены и стартовое предложение

Прейскурантная цена API составляет $50 за миллион символов, со скидкой 80% до $10 за миллион с 13 октября по 12 ноября 2026 года. Кредиты Creator соответствуют S2.1 Pro, а новые планы Plus, Pro и Max продаются за полцены в тот же период. Artificial Analysis фиксирует цену в таблице как $15.00 за миллион символов при настройках по умолчанию; именно это число следует использовать при сравнении с другими записями в этой таблице, а не с собственным прайс-листом Fish Audio.

Промо-окно — это та часть, у которой есть настоящий дедлайн. При $10 за миллион символов Drama 3 Preview с большим отрывом обходит по цене практически все конкурирующие модели в таблице лидеров. При $50 он дороже, чем Cartesia Sonic 3.6 за $49, и намного превосходит по цене Qwen-Audio-3.0-TTS-Plus за $19.30. Тот, кто строит модель затрат на основе скидочной ставки, должен построить вторую на основе прейскурантной ставки и проверить, что проект всё ещё работает.

Где это место в продакшн-стеке

Аудио по сценарию с однократным рендерингом — это оптимальный вариант: аудиокниги, аудиодрамы, диалоги в играх и анимации, короткие видео. Генерация с несколькими говорящими за один проход и рабочий процесс inpainting существуют именно для такого формата работы, а цена рассчитывается за символ, а не за минуту, что выгодно для длинных сценариев. Интерактивное редактирование и API редактирования пока не находятся в общем доступе, поэтому рабочий процесс, зависящий от них, — это рабочий процесс, зависящий от приглашения.

Операционный вопрос после этого — маршрутизация, и для речи он сложнее, чем для текста. Fish Audio Drama 3 Preview сегодня не входит в число моделей на OrcaRouter. Доступ к нему осуществляется через собственный API вендора и несколько сторонних платформ. То же верно для большинства моделей, сравнённых выше, — топ-10 речевого лидерборда представляет собой набор конечных точек, специфичных для вендоров, со специфичной для вендоров аутентификацией, и каждая из них — отдельная интеграция и отдельный домен отказов. У OrcaRouter ~200 моделей за одним ключом по прайс-листовой цене провайдера без наценки охватывают работу с текстом, компьютерным зрением и рассуждениями, а его автоматическое переключение при сбое существует именно для случая, когда конечная точка одного провайдера деградирует во время выполнения. Практический паттерн для производственного речевого пути — оставлять речевого вендора напрямую и держать всё, что он оркеструет, — суммаризацию, проход перевода, сборщик словаря произношения, QA-классификатор — за единой маршрутизируемой конечной точкой, чтобы сбой там не потянул за собой конвейер рендеринга.

Итог

Fish Audio Drama 3 Preview — это реальный результат, а не артефакт недели запуска: 10-е место в Provider Voice Arena с Elo 1 243, первое среди 17 открытых моделей в таблице, при $15.00 за миллион символов против $34 у следующей открытой модели ниже в списке. Разрывы до вершины таблицы всё ещё велики, а доверительные интервалы пересекаются с ближайшими соседями, поэтому звание лучшей открытой модели — это стартовая позиция, а не отрыв. Показатель произношения 93,2% — собственные данные вендора, и его нельзя было независимо получить из таблицы. В лицензии есть потолок выручки в 500 000 долларов США для коммерческого использования, из-за чего она полностью не подойдёт некоторым командам. А тариф $10 истекает 12 ноября 2026 года.

Для студии, которая в больших объёмах создаёт сценарное аудио, сочетание генерации нескольких говорящих за один проход, инпейнтинга отдельных слов и лицензии с открытыми весами при выручке ниже порога — самый сильный аргумент здесь, сильнее, чем позиция в таблице лидеров, которая попадёт в заголовки.

На таком выборе модели также проявляются режимы отказа: документированные инциденты с ИИ и сбои агентов, связанные с моделями этого класса, собраны в OrcaRouter AI Incident Archive, где каждая запись содержит собственные источники, уровень серьёзности, оценку достоверности и флаг спорности.