Fish Audio Drama 3 против VoxCPM2: лидерборд против даташита

У Fish Audio Drama 3 есть рейтинг Elo, а у VoxCPM2 — нет, из-за чего очевидное сравнение между ними становится невозможным, а интересное — легко упустить. Drama 3, анонсированная 13 октября 2026 года и с тех пор оцениваемая Artificial Analysis, занимает шестое место из 100 на Provider Voice Arena с показателем 1,278. У VoxCPM2 нет ни одной строки ни в одном из речевых рейтингов Artificial Analysis, и она отсутствует в обеих аренах, упомянутых на этой странице. Обе лаборатории всё же публикуют Seed-TTS-eval, и там цифры говорят то, чего не мог бы сказать один рейтинг: в собственном прогоне каждого вендора Drama 3 требуется два прохода, чтобы превзойти результат VoxCPM2, достигнутый за один. Выбор между этими двумя моделями на самом деле не о качестве. Он о том, нужен ли вам высокопроизводительный движок, который вы арендуете по символам, или модель на два миллиарда параметров, которую можно держать у себя.

У одного есть Эло, у другого — даташит.

Об этой асимметрии стоит сказать прямо, потому что большинство страниц со сравнениями тихо замалчивают её. Drama 3 фигурирует во всех значимых рейтингах: шестое место из 100 в Provider Voice Arena с результатом 1 278, двенадцатое место из 49 в Controlled Voice Arena с результатом 1 085, делит первое место среди 31 по устойчивости английского произношения с показателем 93,2%. VoxCPM2 не фигурирует ни в одном из них.

Это отсутствие — не скандал, и оно не ново. VoxCPM2 существует с весны 2026 года — документация проекта относит линейку 2.0 к марту, в репозитории она помечена как 2026.04, а технический отчёт вышел в июне под номером arXiv:2606.06928 — и за всё это время никто не поместил его в арену слепых прослушиваний. Самое вероятное объяснение банально: места на арене обычно занимают вендоры, которым нужно продвигать собственный хостинговый эндпоинт, а OpenBMB такой не продаёт. VoxCPM2 распространяет веса на Hugging Face и ModelScope, а также сервер /v1/audio/speech, совместимый с OpenAI, через vLLM-Omni — и на этом история дистрибуции заканчивается.

Итак, честная позиция такова: мы можем сравнить Drama 3 с эталонной оценкой либо сравнить две модели друг с другом. Мы не можем делать и то, и другое одновременно, и любая страница, на которой представлен Elo-рейтинг VoxCPM2 против Drama 3, попросту его выдумывает.

Единственная ось, которую публикуют оба

Seed-TTS-eval — это самое близкое к общему эталону, что есть в этой области, и обе лаборатории отчитываются по нему. Загвоздка в том, что ни одна из них не публикует полную таблицу в одинаковом формате, так что далее — два вендора, измеряющих сами себя.

• Частота ошибок в английских словах — Drama 3 сообщает 1,54% на финальном дубле и 2,20% на первом дубле; VoxCPM2 сообщает 1,84% за один проход. Готовый дубль Drama 3 — лучший из трёх показателей, а его первый дубль — худший.

• Показатель ошибок для китайского — Drama 3 на уровне 0,83% CER на финальном дубле и 1,00% на первом; VoxCPM2 — 0,97% CER. Та же закономерность: финальный дубль Drama 3 впереди, а первый примерно на одном уровне.

• Сходство голоса — Drama 3 сообщает 0,640 для английского (шкала 0–1); VoxCPM2 сообщает 75,3 для английского и 79,5 для китайского, что по принятой в остальной части его отчёта шкале 0–100 составляет 0,753 и 0,795. VoxCPM2 — более сильный клонер по его собственным показателям.

• Более широкий стресс-тест — VoxCPM2 также публикует показатели ошибок CV3-eval по одиннадцати языкам (3,65% zh, 5,00% en, 8,55% hard-zh, 9,85% fr, 4,25% it, 5,21% ru) и внутреннее среднее по 30 языкам — 1,68%. Drama 3 не публикует аналогичную таблицу ошибок по отдельным языкам, поэтому рядом с ними нечего ставить.

К разрыву в схожести относитесь серьёзно, а к разрыву в WER — снисходительно. Схожесть голоса — та метрика, которая с наибольшей вероятностью сохранится при различиях в измерительном стенде, потому что это косинусное расстояние между эмбеддингами одного и того же референсного аудио. WER зависит от нормализации, предобработки текста и от того, какие референсные фрагменты использовались, и от двух лабораторий вовсе не требовалось согласовывать что-либо из этого. Направление правдоподобно — VoxCPM2 клонирует голос точнее, Drama 3 после доработки транскрибирует аккуратнее — но сами величины измерением не являются.

Налог на правки, о котором никто не говорит в заголовках

1,54% и 2,20% — это одна и та же модель на одном и том же тесте, разница лишь в том, был ли дубль принят с первого раза. Технический отчёт Fish Audio на удивление честен в этом отношении: он приводит оба показателя, потому что работа с несколькими дублями — это и есть продукт. Замысел в том, что вы задаёте реплику простым языком, слушаете, перенаправляете и оставляете нужный дубль — и бенчмарк отражает именно принятый вариант.

Если ваш конвейер работает именно так, вы увидите 1,54%. Если вы стримите один проход в живой звонок, реплику игрового диалога или пакетный рендер без участия человека, вы получаете 2,20% — хуже, чем 1,84% за один проход у VoxCPM2. Эта инверсия — самый полезный факт в данном сравнении, и именно его не делает очевидным ни одна из таблиц вендоров. Она же задаёт цену рабочего процесса: каждый дополнительный дубль — это ещё один полный синтез, а Drama 3 тарифицирует по введённым символам, так что привычка делать три дубля умножает счёт втрое.

VoxCPM2 не имеет механизма правок подобного рода. Он предлагает четыре режима генерации — zero-shot, продолжение, только по референсу и комбинированный режим «референс плюс промпт-аудио», — а на неудачный дубль отвечает повторной генерацией с другими стилевыми тегами. Каждая попытка дешевле, поскольку вы не платите за каждый символ, но при этом нет памяти на уровне модели об отклонённом дубле.

Аппаратный минимум — это и есть фактическое решение.

Именно здесь две модели перестают быть взаимозаменяемыми.

• VoxCPM2 — занимаемый объём: около 8 ГБ видеопамяти, коэффициент реального времени примерно 0,30 на RTX 4090 и 0,13 с Nano-VLLM; проект также сообщает 1,76 при Q8_0 на Apple M4 Pro через llama.cpp-omni. Работает на рабочей станции.

• Требования к ресурсам Drama 3 — Fish Audio не публикует минимальный объём VRAM. Таблица пропускной способности измерялась на H200s: 166,7 кадра в секунду и медианное время до первого аудио 88,9 мс при одном одновременном потоке, 927,6 кадра/с при 16 потоках, 1 687 кадров/с при 64 потоках, с RTF 0,131 в режиме одного потока. Обозреватели относят требование bf16 к карте на 48 ГБ, а 4-битные сборки от сообщества заявляют около 32 ГБ. Работает на сервере — или на чужом железе.

• Оговорка по пропускной способности — в посте о запуске приводится 271 кадр/с на одном H200, тогда как таблица потоковой обработки в карточке модели достигает максимума 166,7 при одном запросе. Оба значения могут быть верны для разных схем измерений, но это означает, что заглавная цифра скорости — не та, которую воспроизведёт ваш нагрузочный тест.

Дальше — арифметика. Миллион символов — это примерно от пятнадцати до двадцати часов готовой речи при обычном темпе озвучки. На 4090 при RTF 0,30 это пять-шесть часов GPU-времени; на API Fish Audio это US$10 во время промо-акции запуска и US$50 после её окончания 12 ноября. Самостоятельный хостинг VoxCPM2 дешевле в расчёте на час аудио и гораздо дешевле в расчёте на час экспериментирования — можно полдня дорабатывать дизайн голоса, не следя за счётчиком.

Маршрутизация не отменяет этот выбор, поэтому стоит точно понимать, что именно она делает. OrcaRouter не размещает у себя ни одну из этих моделей; Drama 3 доступна через собственный API Fish Audio и несколько сторонних платформ, а VoxCPM2 доступна в виде весов, которые вы развёртываете сами. Что мы действительно предоставляем — это речевую часть конвейера вокруг них: линейку TTS от Gemini и TTS-1-HD от OpenAI, с автоматическим переключением при сбое между провайдерами, так что размещённая конечная точка, которая выходит из строя, не утягивает продукт за собой. Если вопрос звучит как «какую из этих двух мне запускать», ответ определяется VRAM, а не маршрутизацией.

Режиссура спектакля в сравнении с проектированием голоса

Две модели расходятся во мнениях о том, где происходит творческая работа, и это разногласие носит архитектурный, а не косметический характер.

Drama 3 — это инструмент режиссёра. Вы пишете инструкции в квадратных скобках перед словами, к которым они относятся, — [всхлипывая, тихо плача] — и меняете их посреди фразы. Парные теги ограничивают указание конкретными словами: <whisper>, <emphasis>, <soft>, <fast>, <slow>, <stress>, <forceful>. Произношение можно закрепить фонема за фонемой с помощью CMU Arpabet, пиньиня или ромадзи, а сцены принимают один голосовой ID на говорящего в виде массива. Несколько дублей можно исправлять со ссылкой на предыдущие, а инпейнтинг на уровне слов заново отрисовывает одно помеченное слово, чтобы оно соответствовало окружающему дублю, — хотя и интерактивное редактирование, и инпейнтинг всё ещё находятся в закрытом тестировании по приглашениям, а API редактирования указан как готовящийся к выпуску.

VoxCPM2 — это инструмент для дизайна. Его ключевая функция — Voice Design: опишите диктора на естественном языке и получите голос вообще без референсного аудио. Помимо этого, он выполняет zero-shot-клонирование, продолжение по промпту, клонирование только по референсу с изолированным референсным каналом (поэтому вам не нужна транскрипция, соответствующая фрагменту), а также управление стилем с помощью тегов. Ограничение — масштаб: он формирует голос и манеру подачи, а не сцену. Здесь нет синтаксиса массива дикторов, нет режима диалога нескольких персонажей, нет исправления на уровне слов.

Для аудиодрамы с двумя персонажами эта разница решает всё ещё до каких-либо бенчмарков. Для продукта, которому нужен единый голос бренда по всему каталогу, режим дизайна VoxCPM2 — более короткий путь, а синтаксис указаний Drama 3 — в основном избыточная сложность.

Частота дискретизации, языки и аргумент кодека

• Выход — VoxCPM2 выдаёт 48 кГц через асимметричный AudioVAE V2, который кодирует на 16 кГц и декодирует на 48 кГц; Drama 3 остаётся на 44,1 кГц и генерирует через Descript Audio Codec с десятью кодовыми книгами примерно 21,5 кадра в секунду. Дополнительные 3,9 кГц у VoxCPM2 реальны, но редко слышны на фоне сжатого формата доставки.

• Архитектура — VoxCPM2 по своей конструкции не использует токенизатор, предсказывая непрерывные латентные представления непосредственно на бэкбоне MiniCPM-4, и утверждает, что узким местом является аудиокодек; Drama 3 сохраняет дискретные токены и тратит свои 35 млрд параметров на декодер многотокенного предсказания по кодовой книге, который предсказывает девять остаточных кодовых книг после первых двух. Две ставки на то, где находится потолок качества.

• Языки — 83 заявлено для Drama 3 против 30 у VoxCPM2 плюс девять китайских диалектов (сычуаньский, кантонский, у, северо-восточный, хэнаньский, шэньсийский, шаньдунский, тяньцзиньский, миньнань). Если вам нужны тайский, вьетнамский, иврит и суахили, у VoxCPM2 есть все четыре, и Drama 3 ни в одном из них явно не лучше; если вам нужно 83, в разговоре участвует только один из них.

• Обучающие данные — VoxCPM2 обучен на 2,36 млн часов речи (1,8 млн на китайском и английском плюс 560 тыс. на других языках); эта цифра точно опубликована в его документации. Fish Audio не публикует аналогичный показатель, и это не столько критика, сколько ещё один момент, где две статьи написаны так, что не предназначены для сравнения.

Лицензия: единственное место, где VoxCPM2 однозначно выигрывает

VoxCPM2 распространяется под лицензией Apache 2.0. Любая компания при любом объёме выручки может встраивать его, изменять, дообучать, распространять и продавать результаты — без каких-либо порогов и без переговоров. Тонкая настройка с помощью LoRA и SFT поддерживается и документирована.

Drama 3 распространяется по лицензии Fish Audio Community License v1.0: бесплатно для исследований и некоммерческой работы, бесплатно для коммерческого использования, пока вы и ваши аффилированные лица не превышаете US$500,000 годовой выручки, а сверх этого — лицензия по договорённости; либо при любом размере выручки, если вы хотите предлагать Drama 3 как сервис TTS, клонирования голоса или инференса. Готовое аудио для клиентов явно разрешено при любой выручке; конкурирующий API синтеза — нет. Artificial Analysis отмечает его как «открытые веса без прав на коммерческое использование», что является справедливым кратким описанием этого ограничения.

Есть ещё одна деталь, которую стоит проверить, а не принимать на веру: в метаданных Hugging Face для fishaudio/drama-3 по-прежнему указано fish-audio-research-license, тогда как текст карточки описывает Community License. Прежде чем строить продукт на основе этого тега, прочитайте файл лицензии в репозитории.

Для компании с финансированием, выпускающей голосовую функцию, всё сравнение умещается в одной строке: VoxCPM2 не требует от вас никаких затрат на юридическую проверку, а Drama 3 обойдётся вам в разговор с командой продаж.

Выбирайте по ограничению, а не по оценке.

У вас есть один GPU и продукт, который нужно выпустить. VoxCPM2. Восемь гигабайт, Apache 2.0, 48 кГц и режим дизайна голоса, который позволяет получить пригодный брендовый голос уже в первый же день после обеда. Вы отказываетесь от режиссуры сцен и лучшего в категории показателя качества провайдерских голосов.

Вы создаёте аудио по сценарию с участием человека в процессе. Drama 3. Режиссёрские указания в скобках, теги с областью действия, смены посреди предложения и исправления на уровне слов — это самое близкое к сессии звукозаписи, что могут предложить открытые веса, а 1,54% WER для английского — это то, что даёт цикл правок. Заложите в бюджет изменение цены 12 ноября и сначала прочитайте пункт об условиях обслуживания.

Вам нужен язык, не входящий в эти тридцать. Drama 3, или ни то ни другое — но проверяйте конкретный язык по собственным заявлениям Fish Audio о покрытии, а не по «83» на упаковке.

Вы клонируете голос конкретного человека в масштабе. Сходство голоса у VoxCPM2 — лучший показатель на этой странице, а его изолированный референсный канал позволяет клонировать по фрагменту без соответствующей транскрипции. Преимущество Drama 3 — управление, а не точность соответствия референсу.

Единственное, чего не следует делать, — это ранжировать их. У них нет общей арены, нет общего исследования человеческих предпочтений и нет общей системы проверки ошибок — есть просто одна модель с рейтингом Elo и другая с технической спецификацией, а решение зависит от того, какое оборудование у вас есть и что лицензия позволяет вам с ним делать.