Fish Audio Drama 3 vs Ming 3.0 TTS: 91-балльное преимущество, которое исчезает под клонированным голосом

Fish Audio Drama 3 опережает Ming 3.0 TTS на 91 балл Elo в таблице лидеров, где каждая модель говорит собственным набором голосов, и на 17 баллов — в таблице, где обеим моделям передают одни и те же восемь клонированных образцов; разрыв настолько узок, что их доверительные интервалы пересекаются. Обе — релизы с открытыми весами, вышедшие за последние шесть недель, обе оцениваются Artificial Analysis, и в одном тесте, где человека спрашивают, действительно ли сложное слово было произнесено правильно, они показывают 93,2%. Три числа, два из которых указывают в разные стороны. То, какому из них вы верите, определяет, какую модель вы купите, а ответ зависит от того, звучит ли ваш продукт как он сам или как кто-то другой.

Два релиза с разницей в шесть недель, созданных в противоположных масштабах

Drama 3 был анонсирован 13 октября 2026 года и доступен в API Fish Audio под именем drama-3, а его веса опубликованы на Hugging Face под новой лицензией сообщества. Ming 3.0 TTS появился тише и по частям: репозитории InclusionAI на Hugging Face появились 22 сентября, веса 0.5B — 24 сентября, а код инференса — только 19 октября, поэтому Artificial Analysis смог оценить его лишь 20 октября. Ant Group так и не выпустила анонс о его запуске, и у него нет хостингового эндпоинта или указанной цены.

Спецификации совсем не близки, и это первое, что нужно понять, прежде чем таблицы лидеров будут что-либо значить.

• Параметры — 35B-смесь экспертов (MoE) с примерно 3B активных параметров на токен, инициализированная на основе Qwen3.5-35B-A3B и маршрутизирующая 8 из 256 экспертов плюс один общий эксперт, в сравнении с плотной моделью 0,5B на базе Qwen2.5-0.5B. Ant также выпускает MoE под названием Ming-3.0-tts-tiny с общим объёмом 7,9B и 1,3B активных параметров, для которой вообще нет независимой оценки.

• Языковой охват — для Drama 3 заявлено 83 языка, тогда как для чекпоинта Ming 0.5B — семь (китайский, английский, немецкий, испанский, французский, корейский, японский), плюс сычуаньский и кантонский, если вы предоставите референсный клип диалекта.

• Выход — 44,1 кГц у обоих, но генерируется совершенно разными механизмами: Drama 3 сохраняет токенизатор Descript Audio Codec от предшественника с десятью кодовыми книгами и примерно 21,5 кадрами в секунду, тогда как Ming декодирует непрерывный латент через AudioVAE.

• Веса и лицензия — Drama 3 по лицензии Fish Audio Community License v1.0: бесплатно при годовом доходе ниже 500 000 долларов США, а при более высоком доходе или если вы перепродаёте синтез как услугу условия обсуждаются индивидуально. Ming 3.0 TTS по MIT — вообще без ограничения по доходу.

• Цена — 50 долларов США за миллион байт UTF-8 по прайс-листу, со скидкой до 10 долларов США до 12 ноября 2026 года; при этом цены как таковой нет, потому что покупать нечего: вы скачиваете чекпоинт объёмом 2,96 ГБ и запускаете его.

Разница в масштабе работает в обе стороны. Именно 35B-бэкбон Drama 3 позволяет ей удерживать режиссёрское направление на протяжении длинного сценария и сводить нескольких говорящих в одну сцену, передавая по одному голосовому ID на говорящего в виде массива; и по той же причине никто не станет запускать её на ноутбуке. Ming с 0,5B — это модель, которую можно обслуживать на одной скромной GPU и дообучать на арендованной.

Почему Artificial Analysis даёт два разных ответа

Таблица, которую все цитируют в первую очередь, — это Provider Voice Arena, и там Drama 3 вырвалась в реальный отрыв. По состоянию на 29 октября она занимает шестое место среди 100 моделей с Elo 1 278; Artificial Analysis оценивает её цену в 15 долларов США за миллион символов при её настройках по умолчанию. Ming 3.0 TTS занимает двадцать четвёртое место с показателем 1 187, а цена не указана, поскольку нет коммерческого эндпоинта, по которому её можно было бы записать. Разрыв в 91 пункт в таблице, где доверительные интервалы составляют примерно от ±13 до ±18, — это не шум; нативные голоса Drama 3 явно получают предпочтение. Одна деталь из той же таблицы объясняет часть причины: Artificial Analysis оценивала Ming в сопоставлении с тремя голосами арены, а Drama 3 — с восемью.

Вторая таблица ставит другой вопрос — и лидерство испаряется. Controlled Voice Arena предоставляет каждой системе одни и те же восемь клонированных голосов — четыре из США, четыре из Великобритании — так что сравнение перестаёт быть вопросом о том, чьи актёры озвучивания лучше, и становится вопросом о том, насколько хорошо каждая модель носит чужой голос. Там Drama 3 набирает 1 085 баллов, двенадцатое место из 49, с интервалом от 1 069 до 1 101. Ming набирает 1 068, семнадцатое место, с интервалом от 1 053 до 1 083. Интервалы перекрываются в диапазоне от 1 069 до 1 083. Это ничья, и утверждать обратное означало бы вчитывать точность в опрос, которой у него нет.

Обратите также внимание, что Artificial Analysis по-прежнему держит отдельную строку Drama 3 Preview в этой таблице с результатом 1 063 и двадцатым местом. Продакшен-чекпойнт и превью, выпущенное в сентябре, оцениваются как две разные системы, поэтому сравнение, которое ссылается на «Drama 3», не уточняя, о какой строке идёт речь, — это не сравнение. Наши цифры здесь относятся к строке продакшена.

Практический вывод: если ваш продукт оснащён собственным голосовым составом — рассказчиком, агентом поддержки, игровым персонажем — преимущество Drama 3 реально и велико. Если же ваш продукт клонирует голос клиента или автора контента и говорит этим голосом, две модели фактически находятся на одном уровне, и решение принимается исходя из цены, лицензии и языкового покрытия.

Ничья по произношению на 93,2% — это четыре разных результата.

Обе модели указаны с показателем 93.2% в тесте Artificial Analysis на устойчивость английского произношения — результат, опубликованный правлением 20 октября, который поставил их совместно на первое место среди 31 системы и впереди Eleven v4 с 91.7%. Этот заголовок повторяли повсюду, и он скрывает единственную часть, важную с операционной точки зрения: эти две модели ошибаются на противоположных типах текста.

• Точные последовательности — Ming сохраняет их в 90,6% случаев, занимая первое место среди 31; соответствующий показатель Drama 3 — 86,3%. Номера заказов, URL-адреса, пути к файлам и серийные коды лучше сохраняются при работе с Ming.

• Раскрытие сокращений — Ming 96,5%, также первое место из 31, против 93,6% у Drama 3. Даты, единицы измерения и аббревиатуры произносятся вслух, а не по буквам.

• Отдельные термины — Drama 3 с 95,9% против Ming с 88,5%, где Ming занимает двадцать первое место из 31. Брендовые названия, топонимы и техническая лексика — сильнейшая категория Drama 3.

• Контекстуально уместные термины — Drama 3 на 95,3%, Ming на 91,0% и тринадцатое место из 31.

Слабость Ming при работе с отдельно стоящими именами отражает её голосовой набор: в версии 0.5B более ста встроенных китайских голосов и пять английских, поэтому для обработки английских имён собственных у неё меньше ресурсов. Слабость Drama 3 — зеркальное отражение: модель, обученная выдавать выразительное исполнение, иногда читает кодовый номер как исполнение.

Ни один из показателей 93,2% не приводится по данным производителя. Оба получены на одном и том же независимом испытательном стенде — именно поэтому их вообще можно сравнивать; и стоит отметить, что для этой категории это редкость, поскольку большинство опубликованных таблиц ошибок в словах составляют лаборатории на собственных промптах.

Сколько на самом деле стоит миллион символов

Drama 3 тарифицируется по объёму входных данных: 50 долларов США за миллион байтов UTF-8, но до 09:00 по тихоокеанскому времени 12 ноября 2026 года цена снижена до 10 долларов США. Этот пятикратный скачок 13 ноября — самое большое число в данном сравнении, и он меняет место двух моделей в рейтинге по стоимости одного часа готового результата в зависимости от того, когда вы читаете этот текст.

Есть также ловушка в оплате, о которой стоит знать, прежде чем что-либо подключать. Drama 3 использует тот же эндпоинт POST /v1/tts, что и S2.1 Pro, и если заголовок model отсутствует или в нём допущена ошибка, запрос молча переключается на s2.1-pro, и с вас списывают плату за него. Вы получаете правдоподобное аудио и никакой ошибки, поэтому опечатка в переменной окружения может оставаться незамеченной неделями, прежде чем кто-нибудь заметит, что голос не тот.

У Ming вообще нет счёта — но это не то же самое, что бесплатно. Вы платите часами GPU и инженерным временем: чекпоинт 0.5B весит 2.96 ГБ, требует связки аудио-VAE, энкодера диктора CAM++ и токенизатора в единую схему, и за ним не стоит никаких обязательств вендора по поддержке. Ant опубликовала таблицы бенчмарков и демо на Gradio, а не соглашение об уровне обслуживания.

Вот где роутер действительно полезен, а где — действительно нет. OrcaRouter передаёт прайс-листовую цену провайдера без наценки — 0%, поэтому промоакция поставщика вроде Fish Audio становится доступной в тот же день для всего, что мы маршрутизируем, — Drama 3 к таковым не относится, как и Ming. Речевые эндпоинты, которые мы действительно поддерживаем сегодня, — это линейка Google Gemini TTS и OpenAI TTS-1-HD, и все они доступны через один API с единым ключом наряду с текстовыми моделями. Если вы сравниваете Drama 3 и Ming, ни один слой маршрутизации не будет хостить ни один из них для вас; а единый ключ даёт доступ к остальной части пайплайна вокруг них.

Лицензия решает больше, чем таблица лидеров.

Условия MIT против Fish Audio Community License v1.0 — это самая резкая развилка в этой паре, и она вовсе не философская. Условия MIT от Ming позволяют любой компании любого размера встраивать модель в платный продукт, перепродавать её, дообучать и выпускать производную, без порога по выручке и без переговоров с Ant.

Лицензия Drama 3 бесплатна для исследовательской и некоммерческой работы, бесплатна для коммерческого использования, пока вы и ваши аффилированные лица не превышаете годовой доход в 500 000 долларов США, а сверх этого требует согласованной лицензии — или при любом объёме выручки, если вы хотите предлагать Drama 3 в качестве услуги синтеза речи, клонирования голоса или инференса. FAQ в самой карточке модели яснее, чем у большинства: готовое аудио для клиентов — это нормально, конкурирующий API синтеза — нет.

{{1}}Одна деталь, которую стоит проверить, а не предполагать{{/1}}: метаданные Hugging Face для fishaudio/drama-3 по-прежнему содержат fish-audio-research-license, тогда как текст карточки описывает Community License. Если вы — тот, кто утверждает развёртывание, читайте файл лицензии в репозитории, а не тег.

Для студии, создающей аудиодрамы, порог в $500 000 — не проблема, а читать стоит пункт об обслуживании. Для компании, встраивающей голосовую функцию в продукт с выручкой выше этой отметки, Drama 3 — это разговор о закупке, а Ming — это pip install.

Какой вариант выбрать

Голос для поддержки или транзакций, английский или китайский. Ming. Он выигрывает в двух категориях, которые важнее всего, когда бот зачитывает номер заказа или код бронирования, это MIT, и он работает на оборудовании, которое у вас уже есть. Равенство с клонированным голосом означает, что ради этого вам не придётся жертвовать естественностью.

Нарратив, аудиодрама, насыщенные брендами сценарии, множество языков.Drama 3. Преимущество в провайдерских голосах действительно есть, имена собственные — его сильнейшая категория, а 83 языка против семи — это не разрыв, который закрывается промпт-инжинирингом. Заложите в бюджет ноябрьское изменение цен и прочитайте пункт об обслуживании.

Пайплайн, который уже делает несколько дублей. Drama 3, но только если вы действительно используете цикл доработок. Fish Audio обучала Drama 3 с помощью модели вознаграждения, основанной на человеческих предпочтениях, и продвигает многоходовую доработку как способ добиться нужного качества исполнения; Ming — это модель с одним проходом, у которой нет механизма доработки, который можно было бы противопоставить, поэтому структура дублей — это причина выбрать Drama 3, а не причина сравнивать их.

Любое развёртывание, где ограничением является VRAM. Ming, без сомнений. 35B mixture of experts, который проходит бенчмарки на H200, — это не та модель, которую запускают ради удобства.

Что посмотреть

Три даты и один пробел. 13 ноября заканчивается промо-цена на Drama 3, и US$10 превращается в US$50 — пятикратное изменение, которое в одночасье перестроит все сравнения затрат в этой категории. До этого следите за тем, объединит ли Artificial Analysis свои строки Drama 3 и Drama 3 Preview, потому что таблица, в которой одна модель указана дважды, провоцирует именно тот тип небрежного цитирования, которого эта статья старается избегать. И следите за появлением оценки у Ming-3.0-tts-tiny: вариант 7.9B MoE — это именно тот, который Ant фактически продвигает для генерации подкастов, и сейчас у него есть только цифры от производителя — 0,820% ошибок в словах на китайском, 6,000% на корейском — без каких-либо независимых данных за ними.

Если честно, вывод таков: это не две версии одного и того же продукта. Одна — небольшая рабочая лошадка с либеральной лицензией, которая оказывается превосходной ровно на том тексте, что ломает голосовые системы; другая — крупный высокопроизводительный движок с лицензионными ограничениями, который оказывается лучшей по звучанию открытой моделью в рейтинге, когда использует собственный голосовой состав. Преимущество в 91 балл реально. Просто оно относится к вопросу, который большинство продуктов никогда не задают.