GPT-Live-1 vs Fish Audio Drama 3: один можно скачать, другой — только арендовать

Fish Audio Drama 3 Preview поставляется в виде 41,5 гигабайта загружаемых весов, которые можно направить на собственный GPU, изучать, дообучать и продолжать запускать после того, как поставщик потеряет интерес. GPT-Live-1 поставляется в виде URL. Весов для загрузки нет, локального пути вывода нет, и его вообще невозможно услышать, не открыв сеанс к v1/live/sessions — конечной точке OpenAI — по цене 0,05 доллара в минуту.

Это звучит как деталь закупки. Но это и есть решение. Одна из этих моделей — актив с привязанной лицензией; другая — сервис с привязанным счётчиком, и эти две ведут себя совершенно по-разному, когда ваш продукт переживает страницу с ценами.

Что на самом деле представляет собой Drama 3

Fish Audio выпустила Drama 3 Preview в середине октября 2026 года: это модель синтеза речи на основе смеси экспертов с 35 млрд параметров, из которых примерно 3 млрд активны на каждый токен, построенная на базовой архитектуре Qwen3.5-35B-A3B. Она поддерживает 83 языка, позволяет использовать до 16 разных голосов в одном запросе, клонирует голоса по коротким образцам и принимает указания на обычном языке — скажите ей, что реплика должна звучать смиренно, добавьте звук или отметьте, какие слова меняются, и она выполнит это, а не прочитает реплику монотонно.

Предел на число говорящих — это та функция, которая важна с коммерческой точки зрения. Аудиодрама с двумя актёрами, подкаст с ведущим и гостем, обучающее видео с рассказчиком и клиентом — всё это по одному вызову API, а не шестнадцать склеенных файлов с несовпадающим фоновым звуком помещения.

На Provider Voice Arena от Artificial Analysis, по данным на 29 октября 2026 года, Drama 3 Preview занимает 1240 Elo, одиннадцатое место в общем зачёте и первое среди open-weights-участников, опережая Breeze TTS 2 с 1228. Fish сообщает о 93,2% устойчивости произношения — самом высоком заявленном показателе на момент запуска и выше 91,7%, о которых ElevenLabs сообщает для Eleven v4.

Что на самом деле представляет собой GPT-Live-1

Модель OpenAI — объект противоположного типа. С 10 сентября 2026 года её можно вызывать по цене $0.05 за минуту голоса, с оплатой по секундам; поддерживаются аудио и текст на входе и выходе, потоковая передача и вызов функций, а структурированные выходные данные — явно нет. Она работает в полнодуплексном режиме: слышит вас, пока говорит, и передаёт сложные рассуждения текстовой модели в фоновом режиме.

У него нет продукта для клонирования голоса, нет режима с несколькими говорящими и нет документированного способа взять сценарий и получить на выходе детерминированный аудиофайл. То, что у него есть, — это разговор. Для телефонного агента это в точности то, что нужно. Для сцены с четырьмя персонажами это не худший инструмент — это инструмент не той категории.

Число, которое печатают обе стороны

Вот деталь, которую стоит выделить, потому что она смутит любого, кто сравнивает таблицы характеристик: Drama 3 от Fish Audio и Ming-3.0-TTS от Ant Group сообщают об устойчивости произношения 93,2% по одному и тому же измерению Artificial Analysis. Две разные лаборатории, две разные архитектуры — и одинаковый показатель с точностью до одного знака после запятой.

Это не ошибка копирования и вставки и не ничья. Так выглядит потолок — оставшиеся 6,8% — это трудный хвост английского текста: буквенно-цифровые последовательности, необычные имена собственные, числа, прочитанные в контексте. Любой, кто утверждает, что между лучшими моделями с открытыми весами есть решающее преимущество в произношении, выдаёт шум за сигнал. Полезный вопрос — какие именно случаи ошибок содержит ваш контент, а для этого нужно тестировать собственный текст, а не читать таблицу лидеров.

Лицензия — это та часть, которую никто не читает.

Drama 3 — это открытые веса, а не открытый исходный код в разрешительном смысле. Она распространяется под Fish Audio Community License v1.0: бесплатно для исследований и некоммерческой работы, бесплатно для коммерческого использования при годовом доходе ниже 500 000 долларов США, а свыше этого требуется отдельное соглашение. Для хостинга сторонних API требуется собственная лицензия, и обязательно указание авторства.

Это разумная лицензия и реальное ограничение. Отсюда следуют три следствия:

• Ниже линии выручки селф-хостинг действительно бесплатен — вы платите только за электричество и время работы GPU, и больше ни за что.

• Над этим вы снова оказываетесь в переговорах, и преимущество «мы владеем весами» сужается до «мы всё ещё можем запускать их, пока разговариваем».

• Перепродажа доступа своим собственным клиентам почти наверняка требует отдельной сделки, независимо от вашей выручки.

Лицензия GPT-Live-1 проще в том же смысле, в каком проще договор аренды: платите за минуту, пользуетесь, прекращаете. Ни порога выручки, ни пункта об указании авторства, ни обязанности раскрывать количество ваших клиентов. Эта простота чего-то стоит, и она тем ценнее, чем меньше вы.

Сколько на самом деле стоит оборудование

Самостоятельный хостинг Drama 3 требует примерно 48 ГБ памяти NVIDIA в FP8, и около 41,5 ГБ из этого — веса. H100 или арендованный инстанс класса A100 справляется с этим; потребительская видеокарта — нет, с комфортом. Далее следуют две трактовки.

Если GPU у вас уже есть, предельная стоимость синтеза близка к нулю, и цена у хостинг-провайдера выглядит абсурдной: Fish указывает $50 за миллион символов, проводит стартовую акцию по $10 за миллион до 12 ноября 2026 года, а Artificial Analysis фиксирует цену в рейтинге на уровне $15. Десятиминутная сцена объемом около 9 000 символов стоит от девяти до сорока пяти центов в зависимости от того, по какому из этих трех тарифов с вас фактически взимают плату.

Если у вас нет собственного GPU, вы всё равно арендуете его, и сравнение сводится к стоимости GPU-часа против стоимости миллиона символов. При типичной цене $2 за GPU-час модель, которая синтезирует речь в десять раз быстрее реального времени, производит около десяти часов аудио за час аренды — примерно 540 000 символов при нормальном темпе речи. Это даёт около $3.70 за миллион символов, что существенно ниже любой хостинговой цены в таблице, но только при постоянной загрузке. При коэффициенте использования ниже примерно 30% аренда не даёт никакого выигрыша, а допущение о пропускной способности — это именно допущение: его нужно измерить на своём инстансе, а не брать цифру, которую публикует Fish.

В противовес этому, стоимость GPT-Live-1 линейна и скучна: $0,05 за минуту, каждую минуту, без фиксированных затрат, без риска неполной загрузки. Десять минут разговора — это $0,50. Десять минут озвучивания Drama 3 — примерно $0,135 по зафиксированной цене, установленной советом. Разные задачи, разные счётчики, и у одной из них есть фиксированная стоимость, которую можно амортизировать.

Где аренда всё ещё выигрывает

Комплаенс — тихий аргумент в пользу модели, размещённой у провайдера. Веса Drama 3 можно скопировать, дообучить и превратить в продукт конкурента или оставить работать в юрисдикции, о которой у вашей юридической команды есть своё мнение. GPT-Live-1 даёт вам эндпоинт, счёт и поставщика, который берёт на себя риски, связанные с моделью. Для предприятия в регулируемой отрасли это не лень; это страховая премия.

Политика задержки — это второе. Полнодуплексное переключение реплик — это поведение, а не контрольная точка: реплика длительностью 0,8 секунды и точность вызова инструментов 87% — это то, что OpenAI сообщает для этой модели, и оба показателя являются данными поставщика, а не независимыми измерениями. Вы не можете скачать такое поведение вместе с Drama 3, потому что Drama 3 не пытается вас услышать.

И обработка сбоев — третье. Скачиваемая модель отказывает, когда отказывает ваш GPU. Хостируемая модель отказывает, когда отказывает чужое оборудование — это другой риск, не очевидно худший, и от него можно хеджироваться.

Куда поставить живую изгородь

Хедж должен находиться позади голосового слоя, а не внутри него. Ни одна из этих моделей не обслуживается OrcaRouter: весов Drama 3 нет в нашем каталоге, а у GPT-Live-1 ровно одна конечная точка и нет совместимой поверхности. Маршрутизировать можно звено рассуждений, от которого зависит разговорный агент, — GPT-6 Astra, GPT-5.6 Terra, Claude, Gemini, Qwen — доступное через один ключ с автоматическим переключением при сбое, по прайс-листовым ценам провайдеров, передаваемым с наценкой 0%.

Вот куда стоит направлять бюджет на резервирование. Отказ голосового вывода громкий и очевидный; а отказ текстовой модели, стоящей за ним, — это сбой, который незаметно портит качество звонков целую неделю. Держите «ухо» закреплённым за той моделью, которую выбрали. А «мозг» оставляйте заменяемым.

Решение — по одному абзацу на каждое.

Выбирайте Drama 3, если вы создаёте аудио, а не разговоры: сцены, подкасты, дубляж, обучающий контент с несколькими персонажами, — и если вы либо не достигаете порога выручки, либо готовы вести переговоры о его превышении. 35B MoE, ограничение в шестнадцать спикеров и 1240 Elo — это по-настоящему сильный набор, а веса означают, что никто не сможет отнять это у вас.

Выбирайте GPT-Live-1, если продукт представляет собой живой разговор и ценность заключается в обработке перебиваний. Он дороже в расчёте на доставленную минуту, он не даёт вам ничего, чем можно владеть, и делает то единственное, чего Drama 3 структурно не может: слушает, пока говорит.

Эти две позиции стоят рядом в спецификации и совершенно не пересекаются в использовании. Тот, кто покупает одну, рассчитывая, что она выполнит работу другой, придёт к выводу, что модель плоха, хотя модель просто никогда не просили делать это.