Fish Audio Drama 3 vs Breeze TTS 2: сравнение моделей с открытыми весами, которое завершается цифрой VRAM

Fish Audio Drama 3 и Breeze TTS 2 — две модели синтеза речи с открытыми весами, занимающие самые высокие позиции на Provider Voice Arena от Artificial Analysis, с разницей в 50 пунктов Elo, и на самом деле они не конкурируют за одно и то же развёртывание. Drama 3 — это смесь экспертов на 35 миллиардов параметров, которой нужна одна карта на 48 ГБ. Breeze TTS 2 от BreezeBlue — плотная модель на 3 миллиарда параметров с опубликованным кодом инференса на PyTorch. Эта разница в требованиях к ресурсам решает больше вопросов о покупке, чем разрыв в Elo, потому что модель, которую вы не можете запустить, — это не модель, которую вы можете оценить; а вдобавок ко всему две лицензии тянут в противоположные стороны.

Один и тот же ярлык, два разных типа открытых весов

Оба пункта отображают ссылку на веса на доске, и оба в пресс-релизе были бы названы открытыми. Ни один не является открытым исходным кодом, и ограничения не одинаковы по форме.

Веса Breeze TTS 2 были опубликованы на Hugging Face 25.08.2026 под именем BreezeBlue/Breeze-TTS-2 вместе с кодом инференса на PyTorch по лицензии для исследований и некоммерческого использования. Это серьёзное препятствие для коммерческого развёртывания без отдельной договорённости, и с тех пор ситуация не изменилась. Компания анонсировала модель 16 и 17 августа 2026 года как голосовую модель реального времени для интерактивных медиа, открыла облачный API по цене 34 доллара за миллион символов, а веса опубликовала девять дней позже. BreezeBlue основана Ян Бинем, бывшим техническим соучредителем MiniMax, на посевном раунде в 6 млн долларов под руководством Yuanjing Capital и Redpoint China.

Fish Audio Drama 3 выпускается под Fish Audio Community License v1.0, которая существенно более разрешительна в отношении, важном для большинства команд: коммерческое использование бесплатно при годовом доходе ниже 500 000 долларов США для вас и ваших аффилированных лиц, а FAQ рассматривает создание готового аудио для клиентов как разрешённое. Выше этого порога или если вы хотите предоставлять Drama 3 как услугу синтеза речи, клонирования голоса или инференса, вам нужна лицензия от Fish Audio. Лицензия также запрещает клонирование голоса реального человека без согласия. S2 — предшественник — остаётся под более строгой лицензией Research License, поэтому два поколения Fish Audio нельзя рассматривать как одну правовую категорию.

Практический вывод: Breeze TTS 2 проще использовать для экспериментов и сложнее выводить на рынок коммерчески; с Drama 3 — наоборот. Если ваша оценка — это исследовательская демонстрация или внутренний инструмент, лицензия Breeze вам не помешает, а её размер 3B делает эксперимент недорогим. Если ваша оценка заканчивается продуктом, то условия Fish Audio — это те, которые юрист подпишет без переговоров.

Одна деталь в карточке модели Breeze заслуживает внимания, поскольку сейчас она устарела. Во введении к карточке по-прежнему говорится, что модель «занимает 1-е место среди открытых моделей в таблице лидеров TTS Artificial Analysis». Это было верно на момент написания; сегодня в таблице Breeze TTS 2 занимает тринадцатое место среди голосов провайдеров и двадцать восьмое среди контролируемых голосов, уступая обеим записям Fish Audio. Карточки моделей устаревают быстрее, чем таблицы лидеров, и читатель, который проверил бы только карточку, получил бы неверное представление о рейтинге.

Показатели арены и почему разрыв в контролируемом голосе — более значительный

Считайте данные с Artificial Analysis на 2026-10-29:

• Provider Voice Arena — Fish Audio Drama 3 на 6-м месте с Elo 1 278 и зафиксированной в таблице ценой $15.00 за миллион символов; Breeze TTS 2 на 13-м месте с 1 228 и $34.00. Разрыв в 50 пунктов, при этом все модели, занимающие места между ними в рейтинге, — закрытые системы.

• Controlled Voice Arena — Fish Audio Drama 3 на 12-м месте с 1 085; Breeze TTS 2 на 28-м месте с 1 021. Разрыв в 64 балла, и это таблица, где каждая модель оценивается на одних и тех же фиксированных эталонных голосах, а не на голосах, разработанных её собственным производителем.

• Направление расширения разрыва — преимущество Drama 3 вырастает на 14 пунктов, если исключить из сравнения собственный каталог голосов поставщика. Это самое полезное число в этом противостоянии, потому что оно говорит о том, что лидерство Fish Audio не является артефактом того, насколько приятно звучат его стандартные голоса.

Разница в пятьдесят или шестьдесят четыре пункта Elo — это реальная разница в слепых тестах предпочтений, и она не сохраняется, когда модель оказывается единственной в сравнении. Обе модели значительно ниже закрытого фронтира: Eleven v4 Turbo лидирует в таблице провайдеров с 1 336, а HeyGen Voice — в контролируемой таблице с 1 193. Пара моделей с открытыми весами предлагает лишь базовый уровень, который можно развернуть самостоятельно, а не фронтир.

Что каждому из них на самом деле нужно для запуска

Именно здесь сравнение перестаёт быть абстрактным.

• Drama 3 — 35 млрд параметров всего, примерно 3 млрд активных на токен, 8 из 256 маршрутизируемых экспертов плюс один общий. Веса занимают около 40 ГБ в наборе шардов плюс отдельный файл кодека, а для инференса в FP8 требуется около 48 ГБ видеопамяти. Fish Audio не документирует поддержку CPU, Apple Silicon или ROCm. На одном H200 производитель заявляет 271 кадр в секунду против 177 у S2 — это выигрыш от разреженной архитектуры; эта цифра заявлена производителем и не была воспроизведена вне Fish Audio.

• Breeze TTS 2 — 3 млрд плотных параметров. Чекпоинт BF16 весит примерно 6 ГБ, поэтому он с комфортом помещается на карту с 24 ГБ и, вероятно, поместится на меньшие карты при квантовании. Код инференса находится в репозитории, а не подразумевается. Опубликованных данных о задержке на уровне одного потока нет, но модель разрабатывалась и продавалась для интерактивных медиа в реальном времени — это иное требование, чем высококачественное озвучивание.

• Токенизатор — Drama 3 сохраняет конфигурацию Descript Audio Codec из S2: 44,1 кГц, десять кодовых книг, около 21,5 кадра в секунду, полностью каузальная. Токенизатор Breeze TTS 2 — это не то, о чём я могу дать цитату из первоисточника, а сравнение, в котором его выдумали бы, было бы ложной точностью.

Последствие однозначно. Команда с четырьмя картами по 24 ГБ может сегодня запустить Breeze TTS 2 и не может запустить Drama 3 без трюков с шардированием, которые Fish Audio не документирует. Команда с одной картой класса H200 выбирает между моделью, которая подходит её оборудованию, и моделью, которая лучше на 50 Elo. Ни один из этих вариантов не является неправильным ответом; это ответы на разные вопросы.

Стоимость при больших объёмах — в той единице, в которой Fish Audio фактически тарифицирует.

Документация Fish Audio указывает цены за миллион байтов UTF-8, а не за символ, что меняет расчёты для всех, кто пишет не на английском. Согласно той же документации, один миллион байтов UTF-8 — это примерно 180 000 английских слов или двенадцать часов речи. Drama 3 стоит $50.00 за миллион байтов — около $4.17 за час готового аудио — при стартовом тарифе $10.00, то есть около $0.83 в час, до 2026-11-12 09:00 PT. Breeze TTS 2 — $34.00 за миллион символов, и при том же приблизительном пересчёте это около $2.83 в час.

Так что рейтинг переворачивается в зависимости от того, в какой день вы покупаете. Во время акции стоимость часа Drama 3 составляет примерно треть стоимости часа Breeze TTS 2. После 2026-11-12 стоимость часа Drama 3 по прайс-листу примерно на 47% выше, чем у Breeze, — при этом на аренах Drama 3 лучше на 50–64 пункта Elo и существенно лучше по произношению. А для текста на CJK или кириллице байтовая тарификация делает Drama 3 ещё дороже: по этой таблице трёхбайтовый символ стоит втрое дороже английского, тогда как поставщик с посимвольной тарификацией взимает одинаковую плату в обоих случаях.

Две детали тарификации из одной и той же документации стоит перенести в бюджетную модель, потому что обе незаметно завышают фактические расходы. Ограничения скорости относятся к одновременным запросам, а не к запросам в секунду — 5 одновременных на начальном тарифе, 15 при оплате от $100, 50 при оплате от $1 000, — и запрос сверх лимита возвращает 429 без заголовка Retry-After, поэтому простому параллельному рендереру приходится реализовывать собственную стратегию задержки перед повтором. А запросы, в которых указан отсутствующий идентификатор модели или идентификатор, не совпадающий точно, обслуживаются и тарифицируются как модель по умолчанию; на стороне TTS это означает, что заголовок Drama 3 с опечаткой во время промоакции может привести к списанию по ставке S2.1 Pro вместо скидки.

Объединить оба в одном конвейере

Ни Fish Audio Drama 3, ни Breeze TTS 2 не входят в число моделей на OrcaRouter. Доступ к каждой из них осуществляется через собственный API поставщика, а в случае Fish Audio — также через сторонние платформы, и честная версия этого раздела говорит об этом прямо, а не подразумевает маршрут, которого у нас нет.

Слой оркестрации — это отдельный вопрос, и именно здесь разделение на две модели оправдывает себя. Небольшая студия, которая хочет использовать Drama 3 для повествования, а Breeze TTS 2 — для промптов UI в реальном времени, вынуждена работать с двумя SDK, двумя тарифными таблицами и двумя сценариями отказов в рамках одного дедлайна. Маршрутизация остальной части стека через одну конечную точку по цене из прайс-листа провайдера без наценки, с автоматическим переключением при сбое между вышестоящими сервисами, означает, что выбор поставщика TTS становится строкой в конфигурации, а не вторым контрактом — и DSL маршрутизации может объединить вызов модели с аудиоэтапом вместо того, чтобы склеивать их в коде приложения.

Если вы выбираете один из них сегодня, а оборудование уже куплено, решение почти предопределено: 48 ГБ видеопамяти — это совсем другая статья бюджета, чем 6 ГБ, а лицензия Breeze только для исследований требует иной юридической проверки, чем лицензия сообщества Drama 3 с ограничением по выручке. Если же вы выбираете по качеству в классе открытых весов, ответ — Drama 3 и на обеих аренах, и по произношению, а довод о цене действует только в течение ближайших двух недель.