Fish Audio Drama 3 против Inworld Realtime TTS-2: один читает сценарий, другой подстраивается под разговор

Слово «Realtime» в Inworld Realtime TTS-2 — это заявление о задержке, а не описание того, что делает модель. Продукт Inworld для преобразования речи в речь для живых разговоров — отдельная позиция на его собственной странице с ценами; Realtime TTS-2 — это модель преобразования текста в речь, достаточно быстрая для интерактивного использования. Эта разница имеет значение в тот момент, когда вы сравниваете её с Fish Audio Drama 3, которая создана для противоположной задачи — модели с 35 миллиардами параметров, весь дизайн которой строится на том, что вы вписываете ремарки в сценарий до того, как произнесена хотя бы одна реплика. Если поставить их рядом на Artificial Analysis, разрыв получается на удивление чётким: Drama 3 лидирует в Provider Voice Arena с преимуществом в 11 баллов, а Inworld — в Controlled Voice Arena с преимуществом в 61. Направление этого разрыва говорит о том, для чего предназначен каждый из них, больше, чем любое из этих чисел само по себе.

Два продукта, которые никогда не стремились к одному и тому же

Inworld Realtime TTS-2 появился как исследовательский предпросмотр 2026-05-05, а 2026-09-02 достиг общего доступа. Основной упор при выходе в общий доступ делался не на точность воспроизведения: суть в том, что модель берёт предыдущие реплики разговора в виде аудио и осмысляет тон и темп, прежде чем решить, как должна звучать следующая фраза. Это функция для разговорных агентов. Боту поддержки, только что услышавшему раздражённого клиента, не нужна ремарка — ему нужно вывести её из того, что было только что сказано.

Fish Audio Drama 3, опубликованная 13 октября 2026 года, идёт противоположным путём. Каждая предлагаемая ею возможность связана с явным авторством: указания в квадратных скобках перед фразой, к которой они относятся; звуковые события и паузы, размещённые посреди строки; парные теги, изменяющие только заключённые между ними слова (whisper, emphasis, soft, fast, slow, stress, forceful); закрепление фонем для произношения; тег переключения языка для одной фразы; указания, написанные на языке, отличном от языка сценария; и диалог нескольких говорящих в одном запросе через массив reference_id с тегами говорящего для каждой реплики. Ничего из этого списка нельзя вывести из контекста. Всё это — то, что печатает автор.

Так что честная формулировка — не «что лучше», а «какой сбой вы не можете допустить». Конвейер для драматических сцен, которому нужно отрендерить сцену с двенадцатью персонажами и сохранить эмоциональную непрерывность, не добьётся нужного результата на модели, предназначенной для определения тона по истории чата. Голосовой агент, который должен отвечать меньше чем за секунду, не добьётся нужного результата на модели, которой нужны сценическая ремарка и 48 ГБ видеопамяти. Зона пересечения, где оба варианта действительно жизнеспособны, узка: высококачественная озвучка по сценарию, передаваемая через API для интерактивного контента — превью аудиокниг, заранее отрендеренные реплики NPC, маркетинговая озвучка, которую нужно перегенерировать по расписанию.

Доски, прочитанные в правильном порядке

Оба приведённых ниже показателя были взяты из Artificial Analysis 29.10.2026:

• Provider Voice Arena — Fish Audio Drama 3 занимает 6-е место с результатом 1 278 и зафиксированной на табло ценой $15,00 за миллион символов; Inworld Realtime TTS-2 — 8-е место с результатом 1 267 и $20,80. Inworld Realtime TTS-2 Flash занимает 19-е место в контрольной таблице с результатом 1 065.

• Controlled Voice Arena — Fish Audio Drama 3 на 12-м месте с 1 085; Inworld Realtime TTS-2 на 7-м месте с 1 146. Здесь Inworld опережает на 61 балл.

• Асимметрия — 11-пунктовое преимущество провайдера у Drama 3 сокращается и меняется на противоположное, как только сравнение проводится на идентичных эталонных голосах, а не на собственном каталоге каждого поставщика. Его преимущество в значительной степени является преимуществом среди голосов, которые предоставляет Fish Audio; у Inworld это не так.

• Другая асимметрия — две модели Inworld располагаются в разных частях рейтинга: флагман на 1,146, а Flash на 1,065; разрыв между уровнями одной линейки составляет 81 балл. У Drama 3 нет уровня ниже: либо вы берёте модель 35B, либо используете что-то другое.

Это противоположная закономерность по сравнению с теми же двумя табло в Google Gemini 3.8 Flash TTS, где закрытая модель победила в категории голосов провайдера и проиграла в контролируемой. Ни одна из этих закономерностей не является шумом; обе напоминают, что одно число на арене описывает связку «модель + библиотека голосов», и только контролируемое табло изолирует саму модель.

Осведомлённость о контексте в сравнении с направлением, конкретно

Анонс GA-релиза Inworld Realtime TTS-2 описывает модель, которая считывает историю диалога — предыдущие реплики в виде аудио — и использует её, чтобы формировать темп и интонацию. Это заявление вендора, а не независимо оценённая возможность, и арены Artificial Analysis её не тестируют; они проверяют отдельные фразы в сравнении с эталонными голосами. Так что функция, которую Inworld на самом деле продаёт, — это та, которую в настоящее время не измеряет ни один публичный бенчмарк. Считайте это заявление перспективным, но непроверенным и проверяйте его на собственных диалогах, а не по таблице лидеров.

Возможности управления в Drama 3 измеримы в узком смысле: видно, как меняется результат при изменении скобки, и Fish Audio документирует каждую из них с примерами аудио. Функция, которую не может повторить ни один конкурент в этом сравнении, — это не зависящее от языка управление: указание, написанное на китайском перед строкой на английском, документировано и продемонстрировано. Для международной команды постпродакшена это реальное рабочее преимущество, а не приятный бонус, и именно такое обнаруживается в пилотном проекте в течение часа.

Практический тест для команды, выбирающей между ними, — это одна страница вашего собственного диалога. Отрендерите её с контекстом разговора Inworld, настроенным так, как он был бы в продакшене, и отрендерите её с Drama 3 и явными указаниями. Вариант, дающий меньше строк, которые приходится править вручную, и есть ответ, и для чат-агента этот ответ будет другим, чем для радиопьесы.

Клонирование, задержка и цифры, на которые можно рассчитывать

Мгновенное клонирование голоса Inworld принимает от 5 до 15 секунд референсного аудио, а его бета-версия профессионального клонирования использует около 10 минут аудио для клона с более высокой точностью. Это цифры от самих поставщиков, и они достаточно конкретны, чтобы их проверить. Клонирование Fish Audio работает в той же системе кредитов, что и генерация, а Drama 3 использует те же кредиты, что и S2.1 Pro на подписочных планах, — но различие заключается в лицензии: лицензия сообщества Fish Audio явно запрещает клонирование голоса реального человека без согласия, тогда как условия Inworld — это обычные условия API.

Задержка — это та область, где Inworld явно является правильным инструментом, и сравнение не должно делать вид, что это не так. Realtime TTS-2 и его уровень Flash были созданы для интерактивных продуктов, причём Flash стоит на 40% ниже флагманского продукта именно для тех задач, где он нужен. Опубликованный показатель скорости Fish Audio для Drama 3 — 271 кадр в секунду на одном H200 против 177 у S2 — это цифра пропускной способности для пакетного рендеринга, а не время до первого байта для живого потока. Если ваше требование — «голос должен запускаться в рамках разговорной реплики», то вы находитесь в продукте Inworld, и никакое 11-пунктовое преимущество Drama 3 над провайдером этого не изменит.

Цена — по тарифу, который вы фактически заплатите

Inworld Realtime TTS-2 стоит $25.00 за миллион символов при оплате по требованию; на тарифе Creator за $25 цена снижается до $20.00, на Builder — до $17.50, на Developer — до $15.00, на Growth — до $12.50, а Flash стоит $15.00 при оплате по требованию и снижается до $7.00 на Growth. Fish Audio Drama 3 стоит $50.00 за миллион байтов UTF-8 по прайс-листу и $10.00 в рамках стартовой акции, действующей до 2026-11-12 09:00 по тихоокеанскому времени. Для английского сценария объёмом 100 000 символов это $2.50 по тарифу Inworld при оплате по требованию против $5.00 для Drama 3 по прайс-листу, или $1.00 в период акции.

Три оговорки должны входить в саму эту арифметику, а не идти под ней. Drama 3 тарифицирует каждый байт UTF-8, поэтому при одинаковом числе символов письменность CJK стоит в несколько раз дороже английской, тогда как посимвольная ставка Inworld не меняется. Режиссёрские скобки Drama 3 тарифицируются как входной текст — это удорожание на 10–25% для сценария с обилием режиссёрских указаний, то есть именно для тех сценариев, где вам нужна модель. А резервный вариант Fish Audio работает незаметно: запрос, в котором заголовок модели отсутствует или не совпадает точно, обслуживается и тарифицируется как s2.1-pro по $15.00 за миллион байт, а не отклоняется.

Сравнение, которое выдерживает все три оговорки, короче, чем следует из таблиц цен. По прайс-листу Inworld примерно вдвое дешевле Drama 3 в расчёте на английский символ и лучше него по контролируемым голосам. Во время промоакции Drama 3 стоит треть цены Inworld. Тот, кто выбирает только по цене, выбирает дату, а не продукт.

Ни того, ни другого нет в нашем каталоге, и что это меняет

Fish Audio Drama 3 и Inworld Realtime TTS-2 доступны через API своих собственных поставщиков и сторонние платформы; ни одна из них не входит в число моделей OrcaRouter, и аргумент о маршрутизации здесь касается остальной части стека, а не этих двух. Голосовой продукт редко вызывает только одну модель синтеза речи и ничего больше — он вызывает LLM для реплики, модель синтеза речи для аудио, иногда вторую модель синтеза речи для другого сегмента, и у него есть дедлайн. Объединение неречевой половины под единым ключом по прайсовой цене провайдера без наценки, с автоматическим переключением при отказе, чтобы единичный сбой вышестоящего сервиса не останавливал рендеринг, — именно это делает выбор модели синтеза речи вопросом конфигурации, а не архитектуры.

В этом конкретном противостоянии routing DSL оправдывает себя в смешанном конвейере: предварительно отрендеренные драматические реплики через Drama 3 и живые разговорные ходы через Inworld, адресуемые как два маршрута на одном ключе, с выбором для каждого сегмента. Объединение моделей покрывает случай, когда вы не можете решить: отрендерьте одну и ту же реплику через обе модели, оцените её относительно эталона и оставьте победителя. Ни то, ни другое не является способом обойти цену любого из поставщиков. Это способ обойти необходимость поддерживать две интеграции, чтобы сэкономить строку в конфигурационном файле.

Для читателя, которому нужно выбрать один вариант: Inworld Realtime TTS-2 — если речь должна реагировать на разговор, если ограничение — задержка, если вам нужен уровень Flash, чтобы выдерживать объём, и если закрытый API приемлем. Fish Audio Drama 3 — если речь создаётся авторски, а не реактивно, если произношение имён и кодов должно быть надёжным, если режиссёрские указания должны быть записаны, если вам нужны веса или если бриф будет написан на языке, отличном от языка сценария. Преимущество провайдера в 11 пунктов — наименее важное число в этом списке; именно 61-пунктовое контролируемое отставание стоит проверить на своих эталонных голосах, прежде чем принимать решение.