AssemblyAI-TTS-1 vs Fish Audio Drama 3: En kassaknapp mot en nedladdning på 41,5 GB

Det första man bör förstå om AssemblyAI-TTS-1 jämfört med Fish Audio Drama 3 är att en av dem är en fil. Drama 3, som släpptes den 13 oktober 2026, är en talmodell av typen mixture-of-experts med 35 miljarder parametrar som publicerats på Hugging Face som fishaudio/drama-3 – ungefär 41,5 GB vikter innan man lägger till en codec, och cirka 48 GB VRAM för att köra den i FP8. AssemblyAI-TTS-1, allmänt tillgänglig sedan den 27 oktober 2026 för $15 per miljon tecken, är en HTTPS-endpoint i US-East eller EU-North som svarar på under en tiondels sekund och inte begär något annat än text. Varje jämförelse mellan dem som börjar med Elo-poäng börjar på fel plats, eftersom de två produkterna skiljs åt av ett operativt beslut innan de skiljs åt av ett kvalitetsbeslut.

Vad 15 dollar räcker till, och vad 41,5 gigabyte räcker till

AssemblyAI-TTS-1-sidan är kort att beskriva. Ett platt pris på $15 per miljon indatatecken som omfattar alla över 4 000 röster i biblioteket, omedelbar kloning från ett 24-sekundersprov, ordtidsstämplar, sex språk vid lansering (engelska, spanska, franska, tyska, italienska, portugisiska), bearbetning i USA eller EU, WebSocket- och HTTP-slutpunkter plus en OpenAI-kompatibel rutt, ett avbrottsmeddelande för barge-in och obegränsad samtidighet utan avgift. Ingen SSML, ingen hastighetsparameter, ingen uttalsordbok, inga känslotaggar, ingen professionell kloningsnivå.

Drama 3-sidan är en helt annan typ av produkt. Det är en 35B MoE med cirka 3 miljarder aktiva parametrar per token, initierad från Qwen3.5-35B-A3B, 40 lager, 8 av 256 routade experter plus en delad – vilket är anledningen till att den kan låta uttrycksfull och ändå få plats på en enda accelerator. Den täcker 83 språk, klonar röster, hanterar upp till 16 talare i en enda körning och accepterar scenanvisningar på naturligt språk inom hakparenteser, till exempel [sighs], som modellen följer. Enligt Fishs eget modellkort är den också byggd för regisserad framställning: dubbning, berättande, scener med flera karaktärer. Telefonloopen under 100 ms är inte vad den har trimmats för.

Den skillnaden är inte en kritik mot någon av dem. Den är anledningen till att jämförelsen över huvud taget finns: Drama 3 är den enda modellen i den här serien som du kan äga helt och hållet, och AssemblyAI-TTS-1 är den enda i den här serien som du kan sätta framför en som ringer in redan i eftermiddag utan att köpa en GPU.

Samtidighetsmatematiken är det verkliga argumentet

Båda leverantörerna publicerar en latenssiffra och ingen av dem är direkt jämförbar, så behandla följande som två separata påståenden snarare än en direkt jämförelse.

• Drama 3, leverantörens modellkort – 88,9 ms mediantid till första ljud vid en enda ström på en H200, realtidsfaktor 0,131, 271 ramar per sekund. Serveringsstöd fanns på plats inom några dagar efter lanseringen och samma hårdvara klarar 255 ms mediantid till första ljud vid 128 samtidiga strömmar, eller cirka 222 sekunder ljud per väggklockssekund.

• AssemblyAI-TTS-1, leverantörslabb — 47 ms median tid till första byte; oberoende mätt av Cekura till 159 ms median starttid för streaming och 296 ms vid p90, med 162 tecken per sekund i genomströmning enligt mätning från Artificial Analysis.

Se vad som händer med Drama 3-siffran när belastningen ökar: 88,9 ms när den körs ensam, 255 ms vid 128 strömmar. Det är en alldeles utmärkt kurva för en dubbningspipeline och en marginell sådan för ett callcenter, där varje millisekund innan den som ringer hör något är en millisekund av tystnad. AssemblyAI:s motpåstående är inte en snabbare siffra, utan frånvaron av en kurva – obegränsad samtidighet till ett fast pris, eftersom schemaläggningsproblemet är leverantörens och du aldrig ser det. Huruvida det löftet står sig under din egen trafik är precis det som ska testas, eftersom ett påstående om obegränsad samtidighet utan publicerat köbeteende är ett påstående om någon annans kluster.

Två fakturor som inte är i samma enheter

Fish listar Drama 3 till $50.00 per miljon UTF-8-byte, vilket leverantörens egen dokumentation likställer med ungefär tolv timmars tal – cirka $4.17 per timme ljud. Det finns en lanseringskampanj till $10.00 per miljon byte, cirka $0.83 per timme, som löper till och med 12 november 2026. AssemblyAI-TTS-1 till $15 per miljon tecken blir ungefär $0.81 per timme tal, med samma generösa antagande om cirka 900 tecken per minut av vanligt konversationsljud.

Så under kampanjen är de två prissatta så att skillnaden är mindre än ett avrundningsfel, och till listpris är Fish ungefär fem gånger dyrare per timme genererad output – och det är innan du köper H200. Självhosting tar inte bort kostnaden, den omvandlar en räkning per tecken till en räkning för GPU-timmar plus en person som vet hur man serverar den.

Två fällor förtjänar att nämnas eftersom det är lätt att falla i dem.

• Tecken är inte byte. Fish fakturerar per UTF-8-byte, AssemblyAI per tecken. Engelsk text ligger nära en byte per tecken, så de två verkar jämförbara; japanska, arabiska eller emojitäta skriftsystem ökar byteantalet och höjer i tysthet Drama 3-fakturan med 30–100 % för samma manus.

• Ett saknat model-header ger inte ett tydligt fel. I Fishs egen dokumentation står det att en modellidentifierare som saknas eller är felstavad faller tillbaka på s2.1-pro till $15.00 per miljon byte – ett påslag på 50 % jämfört med kampanjpriset för Drama 3, för en annan modell, utan något fel i svaret.

Det finns ett tredje tal i omlopp, och det är värt att nämna eftersom du kommer att möta det på en resultattavla. Priskolumnen i Artificial Analysis anger Drama 3 till $15.0 per miljon tecken, vilket inte stämmer överens med Fishs $50 per miljon byte eller med kampanjpriset $10. Tre siffror – listpris, kampanjpris och normalisering på resultattavlan – och bara de två första kommer från leverantören. Resultattavlans siffra är en jämförelseenhet, inte en offert.

Licensgrinden längst ner i inlägget

Drama 3 är inte öppen källkod i den mening som de flesta team antar. Den levereras under Fish Audio Community License v1.0: kommersiell användning är gratis under 500 000 US-dollar i årlig omsättning, en separat licens gäller över den nivån, och att sälja vidare modellen som ett hostat TTS-API kräver ett eget avtal oavsett storlek. Artificial Analysis registrerar den som öppna vikter utan fullständiga rättigheter till kommersiell användning, vilket är den korrekta beskrivningen.

AssemblyAI-TTS-1 har ingen sådan spärr eftersom det saknar vikter – du kan inte själv hosta det, finjustera det eller fortsätta köra det om leverantören ändrar sin prissättning. Det är avvägningen som ingen lägger in i ett jämförelsediagram: Drama 3:s licens begränsar vad du kan göra med modellen, och AssemblyAI-TTS-1:s arkitektur begränsar vad du kan göra utan leverantören.

Kvalitetsgapet, sagt en gång

På Artificial Analysis Provider Voice Arena — avläst den 30 oktober 2026, så samma körning för båda — rankas Drama 3 på sjätte plats med 1 278 Elo och AssemblyAI-TTS-1 på fjortonde plats med 1 227. På Controlled Voice Arena är Drama 3 tolva med 1 085 och AssemblyAI-TTS-1 tia med 1 110, vilket vänder ordningen och visar att de två tavlorna mäter olika saker: färdiga röster i den första, kloningsåtergivning mot en fast referens i den andra. Drama 3 är den av de två som rankas högst på naturlig röst, och de två ligger inom brusnivån för varandra när referensinspelningen hålls konstant.

Det tal som skiljer dem mest skarpt är uttalsrobusthet, där Drama 3 toppar listan direkt – källor anger siffran till allt mellan ungefär 93 % och 95 % beroende på när sidan lästes, så betrakta placeringen som faktum och decimalen som dekoration. AssemblyAI-TTS-1 får 81,7 % på samma mätinstrument, på sextonde plats, med sin svagaste delpoäng för expansion av förkortningar på 73,8 %. Om din indata är full av förkortningar hanterar Drama 3 dem utan en ordlista. Om din indata är ett telefonnummer som läses upp, placerar Cekuras oberoende test AssemblyAI-TTS-1 högst i sitt fält på 91,7 % just i den kategorin.

Ingen leverantörs egen benchmark bör betraktas som oberoende. AssemblyAI:s ordnoggrannhet på 99,0 %, predikterade MOS på 3,85 och TTSDS-poäng på 85,5 kommer från deras eget testramverk på deras egna avskilda testset; Fish:s 88,9 ms och 271 bildrutor per sekund kommer från deras eget modellkort. Tredjepartsmätningarna – Artificial Analysis, Cekura, Coval – är de enda i den här artikeln som producerades av någon som inte har någon produkt att sälja.

Välj utifrån vad du kan hantera, inte utifrån vad som rankas högre.

Det finns exakt tre situationer där Drama 3 är rätt svar. Du behöver ett uttrycksfullt, regisserat framförande med scenanvisningar och flera talare i ett enda pass – det är odiskutabelt: AssemblyAI-TTS-1 har ingen motsvarighet. Du behöver ett språk utanför de sex som AssemblyAI lanserade med – 83 mot 6, och där slutar jämförelsen. Eller också behöver du modellen på din egen hårdvara av datalokaliseringsskäl som en leverantörsregion i USA eller EU inte uppfyller – vilket är ett verkligt krav för vissa reglerade arbetsbelastningar och det enda som motiverar GPU:n.

Alla andra köper en telefonagent, och en telefonagent vill ha en fast avgift, ingen kö bakom någon annans H200 och ett uttalsproblem som den kan lösa. AssemblyAI-TTS-1 ger dig de två första och ger dig ännu inte det tredje. Det är den ärliga bilden av det: Drama 3 är den bättre modellen och den sämre produkten för det här jobbet.

Den praktiska kompromiss de flesta team landar i är båda – Drama 3 för det genererade ljud du levererar som innehåll, AssemblyAI-TTS-1 för talet tur för tur i live-loopen, med en reservväg mellan dem. Att hålla en andra TTS-leverantör inkopplad är samma disciplin som OrcaRouter tillämpar på språkmodellsdelen av den stacken: ett API för 200+ modeller till leverantörens listpris med 0 % påslag, automatisk failover när en leverantör försämras, och ett routing-DSL som låter en endpoint betjäna flera modeller i stället för flera avtal. Ingen av dessa två talmodeller finns i OrcaRouter-katalogen i dag – de talvägar vi erbjuder är OpenAI:s tts-1-familj och Google:s Gemini TTS-förhandsvisningar – så läs det som argumentets form snarare än en antydan om att du kan köpa Drama 3 här.

Vad skulle ändra detta omdöme: att Fish publicerar en samtidighetskurva som håller under 150 ms vid callcentervolymer, eller att AssemblyAI lägger till ett uttalslexikon och ytterligare fyra språk. Håll utkik efter det andra först. Det är en konfigurationsändring, och företaget som lanserade en fast prislista på 15 dollar har redan visat att det föredrar att konkurrera med priset.