Fish Audio Drama 3 håller nu båda talarenorna samtidigt — och ingen av siffrorna är den du såg förra veckan

Topplistan innehåller två poster för en och samma produkt. Fish Audio Drama 3ligger på sjätte plats i Artificial Analysis Provider Voice Arena med ett Elo på 1 278 och på tolfte plats i Controlled Voice Arena med 1 085, och på båda listorna är den den högst rankade modellen med öppna vikter i tabellen. Posten med beteckningen Fish Audio Drama 3 Preview – den som fick medieuppmärksamhet när Fish Audio publicerade den 13 oktober 2026 – listas fortfarande separat, på 1 240 och 1 063. Det är en spridning på 38 poäng på en lista och 22 på den andra, för det som leverantörens egen produktsida kallar en enda modell under två namn. Om du har citerat ett Drama 3-Elo under de senaste två veckorna är det här stycket som säger vilket av de två du citerade.

Vad skyltarna faktiskt säger i dag

Båda siffrorna hämtades från Artificial Analysis den 29 oktober 2026, och båda har samma registrerade pris på 15,00 USD per miljon tecken enligt resultattavlan, så skillnaden på 38 poäng är inte en prisändring – det är två utvärderingar av två arkiverade tillstånd av samma modell. Placeringarna för leverantörsröster ovanför Drama 3 är alla slutna system: Eleven v4 Turbo på 1 336 och 40,00 USD, Eleven v4 på 1 334 och 80,00 USD, Qwen-Audio-3.1-TTS-Plus på 1 305 och 19,30 USD, Cartesia Sonic 3.6 på 1 296 och 49,00 USD och Google Gemini 3.8 Flash TTS på 1 283 och 16,50 USD. Var och en av dem kostar mer per miljon tecken än Fish Audio-posten som ligger direkt under dem.

Styrningen av röstbrädan är där de två Drama 3-posterna skiljer sig tydligast i rangordning, och där påståendet om öppna vikter är enklast att kontrollera, eftersom alla modeller där poängsätts mot samma fasta referensröster i stället för mot varje leverantörs egen katalog. Full spridning för posterna med öppna vikter per i dag:

Röstleverantör – Fish Audio Drama 3 1 278 (#6); Fish Audio Drama 3 Preview 1 240 (#12); Breeze TTS 2 1 228 (#13); Voxtral 3 TTS 1 223 (#15).

• Kontrollerad röst — Fish Audio Drama 3 1,085 (#12); Ming-3.0-tts 1,068 (#17); Fish Audio Drama 3 Preview 1,063 (#20); Breeze TTS 2 1,021 (#28).

• Klyftan som räknas – för kontrollerade röster ligger Drama 3 fortfarande bakom Eleven v4 (1 156, #4) och Inworld Realtime TTS-2 (1 146, #7), och Google Gemini 3.8 Flash TTS (1 053, #24) ligger under det, men de slutna systemen högst upp på listan är inte fyra poäng borta – de är sjuttio. HeyGen Voice leder listan med 1 193.

Två saker följer. För det första är "först bland öppna vikter" sant på båda arenorna i dag, och det är inte oavgjort på någon av dem. För det andra ligger marginalen på den kontrollerade tavlan – 17 Elo över Ming-3.0-tts vid en femtedel av parameterantalet – inom det intervall där några tusen röster kan ändra ordningen, så behandla det som en ledning snarare än som ett låst läge.

Uttalspoängen är en delad förstaplats, inte en odelad sådan.

Fish Audios meddelande anger 93,2 % i benchmarken English Pronunciation Robustness från Artificial Analysis, jämfört med 88,1 % för företagets tidigare S2.1 Pro, och beskriver det som det högsta resultatet på resultattavlan. Det stämde när resultatet registrerades den 20 oktober 2026, med ett förbehåll som marknadsföringstexten utelämnar: Ant Groups Ming-3.0-tts nådde samma 93,2 %, så resultattavlan visar delad förstaplats bland 31 poängsatta modeller i stället för en ensam ledare. Eleven v4 ligger på 91,7 % och Eleven v4 Turbo på 90,1 %.

Aggregatet döljer en verklig avvägning. Drama 3:s styrka är egennamn och kontextberoende ord – 95,9 % på fristående termer som varumärken, platser och tekniska namn, och 95,3 % på ord vars läsning beror på meningen. Dess svaghet är allt som måste återges tecken för tecken: 86,3 % på koder, sökvägar och e-postadresser, vilket är där Ming når 90,6 %. Den enda kategori som Drama 3 förlorar rakt ut är expanderande förkortningar – siffror, datum och enheter – med 93,6 % mot Eleven v4:s 94,1 %. Om din pipeline läser upp ordernummer, delnummer eller spårningssträngar, är rubrikens 93,2 % fel siffra att planera efter; 86,3 % är den rätta.

Vad som släpptes den 2026-10-13, och vad sexton dagar förändrar

Inget av detta är en lansering, och det bör inte rapporteras som en sådan. Fish Audio lade in modellen i sin webbapp, sina iOS- och Android-appar och sitt API den 2026-10-13, med API-modell-id:t "drama-3". Det som är nytt under de senaste två veckorna är den oberoende poängsättningen av detaljhandelsmodellen, inte modellens existens. De praktiska konsekvenserna av den distinktionen är värda att tydliggöra, eftersom den tidigare bevakningen av den här modellen – inklusive på den här bloggen – skrevs utifrån Preview-data.

Arkitekturen har inte ändrats mellan de två posterna: en mixture-of-experts med 35 miljarder parametrar, initierad från Qwen3.5-35B-A3B, med ungefär 3 miljarder parametrar aktiva per token och 8 av 256 routade experter plus en delad expert som aktiveras. Fyrtio lager arrangerade i återkommande block med tre Gated DeltaNet-lager och ett gated full-attention-lager, så endast vart fjärde lager behåller en KV-cache. Decodern är en codebook-MTP-design – fyra delade lager som matar nio fullbreddslager, ett per akustisk codebook – och endast codebook 0 och 1 matas tillbaka in i backbone. Tokenizern är samma Descript Audio Codec-uppsättning som S2 använde: 44,1 kHz, tio codebooks, cirka 21,5 ramar per sekund, helt kausal. En liten inkonsekvens är värd att notera eftersom den kommer att förvirra alla som jämför de två källorna: Fish Audios tillkännagivande säger 35 miljarder parametrar, och Hugging Face-modellkortet anger en modellstorlek på 36B. Skillnaden är sannolikt en avrundning eller en konvention för antalet embeddings snarare än en annan checkpoint, men de två siffrorna är vad du hittar på respektive ställe.

Genomströmningen på en enskild H200 är en leverantörssiffra på 271 frames per sekund jämfört med 177 för S2, vilket är vad en 35B MoE med en aktiv väg på 3B ska ge dig. Serveringen sker via SGLang-Omni. Vikterna finns på Hugging Face som fishaudio/drama-3 – cirka 40 GB fördelat över en uppsättning safetensors-shards plus en separat codec-fil – och FP8-inferens kräver ungefär 48 GB VRAM, utan någon dokumenterad CPU- eller ROCm-väg. Det sista villkoret är det som avgör de flesta frågor om självhosting, och det är ämnet för jämförelsen med Breeze TTS 2 snarare än för den här.

Tre priser, och kortet är inte det du bör planera utifrån

Här måste källhänvisningen vara explicit, eftersom tre siffror cirkulerar och två av dem inte är vad de verkar vara. Artificial Analysis registrerar 15,00 USD per miljon tecken för båda Drama 3-posterna. Fish Audios egen sida för tillkännagivandet anger ett listpris på 50,00 USD per miljon tecken med ett lanseringspris på 10,00 USD, 80 % rabatt, fram till 2026-11-12. Och Fish Audios utvecklardokumentation fakturerar i en helt tredje enhet: per miljon UTF-8-byte, med drama-3 på 50,00 USD, s2.1-pro på 15,00 USD och lanseringspriset på 10,00 USD fram till 2026-11-12 09:00 PT. Engelska ligger nära en byte per tecken, så byte- och teckensiffrorna är ungefär utbytbara för engelsk text och skiljer sig kraftigt åt för skriftsystem där en glyf kostar mer än en byte.

$15.00 på resultattavlan är värt en andra titt snarare än en axelryckning, eftersom det exakt är listpriset för s2.1-pro, Fish Audios tidigare modell, och inte priset för den som poängsätts. Antingen registrerade tavlan en sammanvägd eller överförd siffra, eller så prissatte den modellen till ett pris som Fish Audio inte publicerar för den. Siffran att budgetera efter är den i Fish Audios egen pristabell: $50.00 per miljon UTF-8-byte enligt listpris, vilket leverantörens dokumentation likställer med cirka 180 000 engelska ord, eller ungefär tolv timmars tal – säg $4.17 per färdig ljudtimme. En lanseringsrabatt som löper ut om två veckor är inte en prislista; till $10.00 kostar samma tolv timmar omkring $0.83.

Licens: öppna vikter, inte öppen källkod, och en klausul som avgör en hel del

Modellvikterna publiceras under Fish Audio Community License v1.0. Forskning och icke-kommersiell användning är gratis. Kommersiell användning är gratis om du och dina närstående företag har under 500 000 USD i årlig omsättning; över det, eller om du vill erbjuda Drama 3 som en text-till-tal-, röstklonings- eller inferenstjänst, behöver du en separat licens från Fish Audio. Licensen förbjuder även att klona en verklig persons röst utan samtycke, och Fish Audios FAQ behandlar "att göra färdigt ljud för kunder" som tillåtet, vilket är den klausul som är viktig för byråer och postproduktionshus. S2 är fortfarande omfattad av den striktare Research License, så de två generationerna är inte utbytbara i en kommersiell driftsättning.

Artificial Analysis listar modellen som öppna vikter utan fullständiga rättigheter för kommersiellt bruk. Det är den ärliga beskrivningen: du kan ladda ner och köra den, men du kan inte nödvändigtvis sälja åtkomst till den. Den som planerar en hostad produkt ovanpå dessa vikter bör läsa tjänsteklausulen innan de bygger faktureringssidan, inte efter.

Vad detta innebär för en produktionspipeline

Anledningen till att resultatet från de två arenorna är värt ett inlägg snarare än en fotnot är att det förändrar vad ett team kan förutsätta. För sexton dagar sedan var det försvarbara påståendet att en modell med öppna vikter hade klättrat in på topp tio på en preferensboard och hävdat en ledning i uttal utifrån sin egen utvärdering. I dag är den oberoende bedömningen snävare och starkare: den är den bästa modellen med öppna vikter på båda arenorna, den är delad etta i uttal snarare än en odelad etta, och den gör det till ett pris i mellanklassen med vikter som vem som helst kan ladda ner.

Drama 3 är inte en av modellerna på OrcaRouter. Den nås via Fish Audios eget API och flera tredjepartsplattformar, och ett stycke som föregav något annat skulle ljuga för dig om det enda den här bloggen handlar om. Det vi gör är den andra halvan av problemet: de ~200 modellerna bakom en enda nyckel till leverantörens listpris utan påslag, automatisk failover, routing-DSL:en och modellfusion är hur en pipeline som redan anropar andra leverantörer absorberar en modell som den här utan ett andra avtal och ett andra SDK. Om Drama 3 blir berättarrösten i en renderingskö och kön har en deadline, är värdet av att routa allt annat genom en enda slutpunkt att en återförsöksväg redan finns.

Vad man bör hålla ögonen på under de kommande två veckorna, i ordning efter hur mycket det skulle förändra bilden: om gapet på 22 poäng mellan de två Drama 3-posterna minskar eller ökar när fler röster hamnar på retail-posten; om Ming-3.0-tts drar ifrån i uttal när dess poäng för egennamn på 21:a plats mäts om med ett större antal spans; och om någon utanför Fish Audio reproducerar siffran 271 bildrutor per sekund på hårdvara som inte är en H200. Siffrorna från arenan är tillräckligt fastställda för att citeras. Genomströmningssiffran är fortfarande ett påstående från leverantören, och licensen är fortfarande det som mest sannolikt avgör om ett team över huvud taget kan använda detta.