Fish Audio Drama 3 против Gemini 3.8 Flash TTS: теперь Google — дешёвый вариант, и это переворачивает привычный аргумент

Сравните эти две модели по цене за минуту готового аудио — и сравнение перестанет походить на то, которое рынок проводил весь год. Google Gemini 3.8 Flash TTS тарифицируется по $9.00 за миллион аудиотокенов, а аудио генерируется со скоростью 25 токенов в секунду — чуть больше двух сотых цента в секунду, что составляет около $0.81 за час речи. Fish Audio Drama 3 указана по цене $50.00 за миллион байтов UTF-8, что в документации самого производителя приравнивается примерно к двенадцати часам речи: около $4.17 за час по каталожной цене и $0.83 за час во время стартовой промоакции, которая заканчивается 2026-11-12. Таким образом, флагманская речевая модель Google в пять раз дешевле конкурента с открытыми весами после окончания скидки и примерно столько же стоит, пока скидка действует. Привычная трактовка — проворная открытая модель предлагает цену ниже, чем гиперскейлер, — здесь в точности перевёрнута, и понимание того, почему это так, и есть суть решения.

Арифметика, достаточно подробно для проверки

Единица измерения у Google — токены, а не символы, поэтому заголовочные цифры выглядели невзрачно на фоне поставщиков, считающих цену за символ текста. Gemini 3.8 Flash TTS выдаёт аудио со скоростью 25 токенов на секунду речи при цене $9.00 за миллион токенов до конца 2026 года, а модель, которую она заменяет — Gemini 3.1 Flash TTS Preview — стоила $20.00 за те же миллион выходных токенов. Gemini 3.8 Flash-Lite TTS, выпущенная одновременно с ней 2026-09-23, имеет более короткий список языков и ещё более низкую ставку, а Artificial Analysis для сравнения фиксирует её на уровне $11.00 за миллион символов.

Единица тарификации у Fish Audio — байты, а не символы, и в документации конвертация указана прямо: один миллион байтов UTF-8 — это примерно 180 000 английских слов, или около двенадцати часов речи. При $50.00 за миллион байтов это $4.17 в час до учёта любых накладных расходов. При промо-цене $10.00 это $0.83. Режиссёрские ремарки в квадратных скобках тарифицируются как входной текст, поэтому сценарий с обилием ремарок стоит на 10–25% дороже, чем можно предположить по количеству слов, — и в этом сравнении оплачивается каждая ремарка, потому что весь смысл Drama 3 в том, что вы вписываете исполнение прямо в сценарий.

• Прейскурантная цена за час речи — Gemini 3.8 Flash TTS около $0,81; Drama 3 около $4,17.

• Акционная цена за час — Gemini 3.8 Flash TTS около $0.81; Drama 3 около $0.83. Фактически ничья.

• Единица — токены в секунду вывода на стороне Google; байты UTF-8 ввода на стороне Fish Audio. Обе единицы честные. Это не одна и та же единица, и любое сравнение «на миллион X», смешивающее их без пересчёта, — шум.

• Скрытая строка — запрос Drama 3, в котором заголовок модели отсутствует или написан с ошибкой, не завершается сбоем: он переключается на s2.1-pro и тарифицируется по $15.00 за миллион байт, что является 50%-ной надбавкой к промо-тарифу за опечатку.

Что на самом деле покупает цена Google

То, что модель дешевле в расчёте на час, интересно только в том случае, если её результат пригоден к использованию, и независимые цифры подтверждают, что это так — причём с вполне конкретной картиной. Artificial Analysis ставит Google Gemini 3.8 Flash TTS на пятое место в Provider Voice Arena с Elo 1 283 и зафиксированной в таблице ценой $16.50 — выше Fish Audio Drama 3 с 1 278 — и на двадцать четвёртое место в Controlled Voice Arena с 1 053, ниже Drama 3 с 1 085. Этот разрыв описывает модель одной фразой: она звучит превосходно, когда задействованы собственные голоса Google, но опускается до середины таблицы, когда все модели оцениваются на одних и тех же эталонных голосах.

Таблица результатов по произношению рисует столь же узкую картину. Gemini 3.8 Flash TTS лидирует среди всех 31 оценённой модели в категории контекстуальной уместности с показателем 98,0%, а Drama 3 находится на уровне 95,3%. Это не слабое место модели. Слабое место Google в этом сравнении — контроль: Gemini предлагает 30 готовых студийных голосов — среди них Kore и Puck — с полным набором из 130 языков и автоматическим определением языка, а также библиотеку голосов, которую документация в Extended Voice Library описывает как «сотни», тогда как на маркетинговой странице указано более 2 000. Эти цифры никогда не сверялись извне, и если конкретный голос критически важен для вашего продукта, единственный честный ответ, который вам кто-либо может дать, — это тестирование этого голоса.

Тридцать пригодных голосов без клонирования вполне подойдут для бота поддержки, диктора товаров или приложения для изучения языков. Но они не подойдут для конвейера аудиодрам, игры с двенадцатью персонажами, которых нужно распределить по голосам, или любой клиентской работы, где голос и есть конечный продукт. Именно этот пробел закрывает Fish Audio, и это пробел иного рода, а не иного масштаба.

Что дают открытые веса — и во что вам обходится их запуск

Fish Audio Drama 3 — это mixture-of-experts с 35 млрд параметров, из которых около 3 млрд активны на каждый токен; модель инициализирована на основе Qwen3.5-35B-A3B, использует 8 из 256 маршрутизируемых экспертов плюс один общий и сорок слоёв, собранных в блоки из трёх слоёв Gated DeltaNet и одного гейтированного слоя полного внимания. Веса опубликованы на Hugging Face под именем fishaudio/drama-3 — около 40 ГБ в наборе шардов плюс отдельный файл кодека — а для инференса в FP8 требуется около 48 ГБ видеопамяти, при этом документированного способа запуска на CPU или ROCm нет. Сервинг выполняется через SGLang-Omni, и производитель сообщает о 271 кадре в секунду на одном H200 против 177 у S2.

Именно аппаратная составляющая — и есть настоящая сделка. Цена Google в $0,81 за час не включает капитальных затрат и эксплуатации; ваша единственная фиксированная стоимость — сам запрос. Промо-тариф Drama 3 в $0,83 за час — это тариф API, а самостоятельный запуск превращает его в GPU с 48 ГБ, стек обслуживания и человека, который за это отвечает. Для каталога на сорок часов аудио в месяц API, очевидно, дешевле. При нескольких тысячах часов или для чего угодно, что должно работать без третьей стороны в цепочке, веса полностью меняют расклад — и именно их Google не продаёт ни за какие деньги.

Лицензия здесь тоже важна, потому что именно она отделяет «open weights» от «free». Drama 3 распространяется по лицензии Fish Audio Community License v1.0: бесплатно для исследований и некоммерческого использования, бесплатно для коммерческого использования при годовой выручке вас и ваших аффилированных лиц ниже 500 000 долларов США, а выше этого порога или для предоставления самой Drama 3 в качестве хостингового сервиса синтеза речи или клонирования требуется отдельная лицензия. Artificial Analysis помечает её как open weights без полных прав на коммерческое использование. Условия Google — это обычные условия API, что относится к другому кругу вопросов — обработке данных, а не перераспространению.

Языки, и число, которое значит меньше, чем кажется

Google заявляет о 130 языках с автоматическим определением по тексту. Fish Audio заявляет о 83 — с куда более странной привязанной возможностью: режиссёрские указания можно записывать на любом языке, и они не обязаны совпадать с языком сценария, а также существует документированный тег переключения языка, который переключает отдельную фразу на другой язык посреди строки — помечен как экспериментальный. Это разные продукты. Число Google — о том, сколько рынков можно охватить одной интеграцией. Число Fish Audio — о том, насколько точно можно создать одну строку, режиссёром, язык которого может не совпадать с языком сценария.

Для команды, выпускающей локализованный продукт, 130 лучше, чем 83, а автоопределение — реальная операционная экономия: никакой маршрутизации по языкам, никакого выбора голоса для каждого языка. Для команды, создающей контент на одном-двух языках для взыскательной аудитории, 83 — не ограничение, и возможность перевода в любом направлении ценнее из этих двух функций. Ни одно из этих чисел не стоит воспринимать как место в турнирной таблице: количество языков, которое заявляет модель, никогда хорошо не коррелировало с тем, насколько она хороша в нужном вам языке.

Где каждый из них находится в маршрутизированном стеке

Это одна из немногих статей в этой серии, где со стороны провайдера было бы не вполне честно обойти это молчанием: OrcaRouter маршрутизирует более ранние речевые модели Gemini от Google — google/gemini-3.1-flash-tts-preview и google/gemini-2.5-flash-preview-tts сегодня обе есть в каталоге — но не Google Gemini 3.8 Flash TTS и не Fish Audio Drama 3. Более ранние модели Gemini TTS доступны через нас по прайс-листовой цене Google без наценки; доступ к двум моделям, которым фактически посвящена эта статья, осуществляется через собственные API их поставщиков, а в случае Fish Audio — через сторонние платформы.

Полезное следствие состоит в том, что бо́льшая часть счёта за речь Google уже может находиться за одним ключом, и слой аварийного переключения — вот что делает сравнение недорогим в эксплуатации: запустите канареечный экземпляр Drama 3 рядом с вызовом Gemini 3.8 Flash TTS, направьте продакшен-путь к тому варианту, который выдержит ваш приёмочный тест, и выбор на уровне сегмента будет жить в DSL маршрутизации, а не в двух SDK. Слияние моделей — другая возможность, которую это открывает: панель, которая прогоняет одну и ту же строку через обе модели и выбирает по заданному вами правилу, а для озвучивания это означает, что можно сохранить произношение Drama 3 на строках с кодами и контекстное чтение Google на прозе.

Решение, если сказать прямо: для массового английского без клонирования и без желания заниматься инфраструктурой, {{1}}Gemini 3.8 Flash TTS по цене $0.81 в час{{/1}} — более дешёвая и лучше звучащая модель на голосах от провайдера, а аргумент в пользу Drama 3 не выдерживает столкновения с тарифной сеткой. Для всего, что требует кастомных голосов или голосов для актёрского состава, пословного управления, контроля фонем или возможности работать без третьей стороны, {{2}}Drama 3{{/2}} — единственная из двух, которая вообще способна справиться с задачей: по прайс-листу её цена за час в пять раз выше, чем у Google, а во время промоакции она такая же, что делает следующие две недели самым дешёвым окном, которое кому-либо представится, чтобы выяснить, стоит ли выстраивать работу вокруг преимущества в произношении.