Fish Audio Live 3 против Drama 3: одна модель читает сценарий, другая слышит комнату

Fish Audio Live 3 и Fish Audio Drama 3 — не два ответа на один и тот же вопрос, и относиться к ним как к соперникам — самый быстрый способ купить не ту модель. Drama 3, опубликованная Fish Audio 2026-10-13, — это модель синтеза речи: вы передаёте ей слова и указание по подаче, и она возвращает аудио. Live 3, анонсированная 2026-11-10, — это дуплексная голосовая модель для агентских звонков: она слушает, пока говорит, решает, когда пауза означает «продолжай», а когда — «я закончил», и, по данным Fish Audio, может реагировать всего за 186 миллисекунд. Одна — рендерер; другая — собеседник.

Путаница понятна: обе — модели Fish Audio, обе новые, и обе продвигаются за счёт того, что хорошо справляются с тем, с чем другие модели Fish Audio не справлялись. Но они находятся на разных уровнях голосового стека, документируются отдельно, и только одна из них фигурирует в опубликованном прайс-листе Fish Audio. Поэтому полезно сравнивать не то, какая из них лучше, а то, для какой задачи предназначена каждая и где они пересекаются в рамках одного продукта.

Что, согласно документации, делает каждая модель

Drama 3 — это модель текст-в-речь, и публичные свидетельства в её пользу касаются предпочтений и произношения, а не перехода реплик. В Provider Voice Arena от Artificial Analysis она занимает шестое место с Elo 1 278; в Controlled Voice Arena, где каждая модель оценивается по сравнению с одними и теми же эталонными голосами, — двенадцатое место с 1 085. В обеих таблицах она является моделью с открытыми весами с самым высоким рейтингом, а более ранняя запись Drama 3 Preview — та, что попала в прессу в октябре, — по-прежнему указана отдельно с 1 240 и 1 063. В бенчмарке English Pronunciation Robustness она набирает 93,2% в целом, деля первое место среди 31 оценённой модели с Ming-3.0-tts, причём разбивка по категориям важнее итоговой цифры: 95,9% на изолированных терминах, таких как бренды и технические названия, 93,6% на раскрытии сокращений, таких как числа и даты, 86,3% на сохранении точных последовательностей, таких как коды и пути, и 95,3% на контекстуально уместном произношении.

Публичные доказательства Live 3 имеют совершенно иную форму. Анонс Fish Audio построен вокруг разговора, а не рендеринга, и все три разобранных примера посвящены таймингу.

• Номер телефона, прочитанный по частям — «415… 555… 0132» — при этом Live 3 может сказать «мм-хм» или «хорошо, 415» между частями, а затем ждать остальное.

• Звонящий говорит «да» или «мм-хм», пока агент зачитывает часы работы, а Live 3 продолжает, вместо того чтобы воспринимать это подтверждение как прерывание.

• Звонящий, который корректирует заказ по ходу высказывания — «две пиццы… нет, три. Три большие. И… вообще, одну из них сделайте маргаритой», — когда Live 3 выжидает каждую поправку, а не действует по первому правдоподобному полному заказу.

Fish Audio заявляет, что модель может решить ответить всего за 186 миллисекунд, описывая короткие реакции вроде «мм-хмм», «окей» и быстрые подтверждения, а не полные ответы. На момент запуска она говорит только на английском и доступна на Fish Agent Platform, через API Fish Audio и локально для предприятий. Чего у неё нет — так это опубликованного бенчмарка, независимой оценки (по состоянию на 2026-11-11 в Artificial Analysis нет строки Live 3 duplex) или пункта в прайс-листе Fish Audio.

Почему единицы тарификации подсказывают, что это разные продукты

Fish Audio тарифицирует Drama 3 в UTF-8 байтах входного текста: $50.00 за миллион байтов по прайс-листу, со стартовой промоакцией $10.00 за миллион, действующей до 2026-11-30. В собственной документации компании один миллион UTF-8 байтов пересчитывается примерно в 180 000 английских слов, или около двенадцати часов речи, — что дает для drama-3 примерно $4.17 за час сгенерированного аудио по прайс-листу и около $0.83 за час во время промоакции. Эта единица существует потому, что в TTS есть известный объем текста на входе и известный объем аудио на выходе.

Live 3 совершенно не подходит к этой единице тарификации и отсутствует в тарифной сетке. У двустороннего вызова агента нет фиксированного сценария: входящее аудио — это всё, что говорит звонящий, исходящее аудио — столько, сколько решит сказать модель, а значимая стоимость — это минуты соединения, а не байты текста. Fish Audio не опубликовала, какой счётчик будет использовать, поэтому в любом сравнении затрат столбец Live 3 остаётся пустым, а не дешёвым.

То, что объединяет две модели, — это платформа. Agent Platform от Fish Audio, сейчас в открытой бете, размещает агентов Live 3 и предоставляет REST-интерфейс по адресу /v1/agent/* с SDK для JavaScript и React, каналами для веб-виджета, телефонного номера или пользовательского клиента и аутентификацией по сессионному токену. Хук для пользовательской LLM на этой платформе указывает на OpenAI-совместимую конечную точку — это тот стык, куда встраивается слой рассуждений на ваш выбор.

Где они встречаются в одном продукте

Интересный вопрос не в том, какая модель победит, а в том, как выглядит единый продукт, когда обе используются там, где они сильны. Линии бронирования нужен Live 3 на живом звонке, потому что именно в звонке возникают паузы и исправления. Тому же продукту обычно нужен и Drama 3 — или похожая модель — для всего, что не является разговором: зачитывания подтверждения после звонка, приветствия в голосовой почте, исходящего напоминания, длинного закадрового текста на маркетинговой странице, которая привела звонящего туда. Это задачи рендеринга с известным сценарием, и опубликованные сильные стороны Drama 3 — предпочтение среди слушателей, 93,2% точности произношения, 83 языка, открытые веса, опубликованные по Fish Audio Community License v1.0 с ограничением выручки в $500 000 — это именно те сильные стороны, которые нужны задаче рендеринга.

Такое разделение имеет ценовое следствие, о котором стоит сказать прямо, потому что именно здесь слой маршрутизации перестаёт быть абстракцией. Слой рассуждений за агентом Live 3 может указывать на любой сервис, говорящий по протоколу OpenAI; за этой конечной точкой стоит OrcaRouter с 216 моделями по одному ключу, по прайс-листовым ценам провайдера без наценки и автоматическим переключением при ошибке провайдера, поэтому планировщик внутри агента можно заменить, не затрагивая речевой слой или номер телефона. DSL маршрутизации определяет, какая модель обрабатывает какой тип вызова, а объединение моделей позволяет дешёвой модели подготовить черновик вызова инструмента, пока более сильная проверяет его перед запуском. OrcaRouter не размещает Fish Audio Live 3 или Drama 3 — ни один из них не доступен через стороннюю конечную точку, и речевой слой в этом стеке остаётся за Fish Audio. А размещает он всё, что окружает речь.

Какой из них вам на самом деле нужен

Вам нужен Drama 3, если результат — файл. Озвучивание, аудиокниги, реклама, голоса персонажей, дубляж, озвучивание для доступности — всё, где слова написал человек, а слушатель услышит их один раз, в отшлифованном виде. У него есть оценки предпочтений, разбор произношения, количество языков и опубликованная ставка за байт, по которой можно строить прогноз. Кроме того, он имеет открытые веса — это важно, если вам нужно запускать его самостоятельно.

Вам нужен Live 3, если на выходе получается разговор, который должен выдерживать прерывания. Телефонные агенты, линии бронирования, приём заказов, сортировка обращений в поддержку — всё, где звонящий говорит в ответ, а отказ проявляется в том, что вас перебивают или вам приходится повторять последовательность цифр. У него есть поведенческое обоснование, минимальный порог задержки от поставщика и платформа, но пока нет ни бенчмарка, ни цены.

Вероятно, вам нужны оба, если вы создаёте голосовой продукт, а не демо, причём разделение проходит по границе между работой в реальном времени и рендерингом. Ошибка, которой следует избегать, — поручать одной модели работу другой: TTS-модель не может решать, когда прекратить говорить, а дуплексная агентская модель — дорогой и неоценённый способ создать приветствие для голосовой почты. Fish Audio продаёт и то и другое, единицы тарификации различаются намеренно, и дорожная карта, которая рассматривает их как один продукт, с первого же месяца будет неверно прогнозировать собственные затраты.