Fish Audio Drama 3 Preview toppar Open-Weights Speech Arena

Fish Audio Drama 3 Preview är modellen som Fish Audio publicerade den 13 oktober 2026, och redan morgonen därpå hade den tagit topplaceringen bland system med öppna vikter på Artificial Analysis topplista för text-till-tal. Det som gör placeringen värd en andra titt är inte toppen – det är priset som hänger samman med den. Posten har ett listpris på 15,00 USD per miljon tecken, medan varje modell som rankas nära den kostar två till fem gånger mer, och de två modellerna direkt ovanför den på listan, ElevenLabs Eleven v4 Turbo och ElevenLabs Eleven v4, är slutna system med prissättning per tecken som skalas i fel riktning för alla som producerar långformat ljud.

På ledartavlan Provider Voice Arena, där varje leverantörs egna röster tävlar mot varandra, ligger Fish Audio Drama 3 Preview på plats 10 med en Elo på 1 243. Det ligger bakom ElevenLabs-paret på 1 330 och 1 328, bakom Cartesia Sonic 3.6 på 1 286, bakom Qwen-Audio-3.1-TTS-Plus på 1 300 och Qwen-Audio-3.0-TTS-Plus på 1 268, och bakom Gemini 3.8 Flash TTS på 1 274. Det ligger före den andra posten med öppna vikter, Breeze TTS 2, som ligger på 1 221 och kostar 34,00 USD per miljon tecken – drygt dubbelt så mycket som Drama 3 Previews pris. Av de 97 modellerna på den tavlan är 17 öppna vikter, och Fish Audios nya preview är den högst rankade av dem.

Läs siffran med dess felstaplar kopplade. Tavlans rapporterade intervall för posten sträcker sig från 1 226,8 till 1 258,8, ungefär 1 857 blinda jämförelser, över 8 arena-röster. Mot Breeze TTS 2 är marginalen bekväm. Mot Speechify Simba 3.2 på 1 245 och $6,60 är den inte det — det är en skillnad på 2 punkter med överlappande intervall, och ingen bör fatta ett köpbeslut utifrån det. Den ärliga sammanfattningen är att Drama 3 Preview förde in en modell med öppna vikter bland topp tio på en tavla som den tidigare inte hade något att göra på, och det gjorde den till ett pris i mellanskiktet.

Vad modellen faktiskt är

Fish Audio beskriver Drama 3 Preview som en mixture-of-experts-modell med 35 miljarder parametrar och ungefär 3 miljarder aktiva parametrar per token. Den använder en hybrid uppmärksamhetsstack — Gated DeltaNet i kombination med gated full attention — tillsammans med en codebook-MTP-avkodare och en DAC-baserad tokenizer som körs vid 44,1 kHz. Partiell codebook-fusion återför endast de två första codebookarna till loopen. Träningen genomgick tre förträningsstadier, därefter instruktionsfinjustering, därefter förstärkningsinlärning mot en enda belöningsmodell för mänskliga preferenser utan regelbaserad belöningsformning.

Det medföljande påståendet om genomströmning är det som yrkesverksamma kommer att bry sig mest om: Fish Audio rapporterar 271 frames per sekund på en enda H200, mot 177 för S2-modellen som den efterträder, trots att den har långt fler parametrar. Detta är en leverantörssiffra, inte ett verifierat benchmark, och den kommer att variera med batchning och sekvenslängd – men riktningen stämmer överens med en gles arkitektur som gör vad glesa arkitekturer förväntas göra.

API-ytan är oförändrad jämfört med S2.1 Pro-slutpunkten. Förfrågningar går till POST https://api.fish.audio/v1/tts, och en förfrågan som utelämnar fältet model eller anger ett namn som tjänsten inte känner igen faller tillbaka på s2.1-pro i stället för att ge ett fel. Den återfallslogiken är bekväm och värd att känna till, eftersom den innebär att ett stavfel i modellnamnet producerar ett rimligt låtande ljud i fel röst i stället för ett 400-svar.

Regissörskontroll, dialog i en tagning och reparation av enskilda ord

Tre förmågor skiljer den här utgåvan från den föregående generationen, och alla tre är inriktade på skriptat produktionsarbete snarare än samtal i realtid.

Naturligspråklig regi. I stället för ett fast taggvokabulär accepterar modellen instruktioner i klartext, som [nervös, håller knappt ihop] eller [varm och avslappnad, som att prata med en gammal vän], och den kan ändra känsla eller framförande mitt i en mening utan att generera en ny tagning. Parade inline-taggar som <whisper>…</whisper> och signaler som [sigh] gäller endast den text de omsluter, så en replik kan byta register halvvägs igenom genom konstruktion snarare än genom tur.

• Dialog med flera talare i en enda körning. Varje karaktär behåller sin egen röst inom en och samma generering, vilket tar bort skarvningssteget som vanligtvis ligger mellan en TTS-modell och en färdig scen. För ljuddrama och speldialog är detta skillnaden mellan en pipeline och ett forskningsprojekt.

• Ljudinpainting. Ett segment kan väljas om, ges en ny instruktion och genereras om på egen hand, vilket är arbetsflödeslösningen för det där enda feluttalade ordet som tidigare krävde en fullständig omrendering. Fish Audio listar den interaktiva redigeringsupplevelsen, inpaintningsverktyget och ett redigerings-API som antingen endast på inbjudan eller kommande, så funktionen finns men gränssnittet är ännu inte allmänt öppet.

Fish Audio uppger också att man stöder 83 språk med språklig konsekvens genom långa manus och växling mitt i scener, uttalkontroll på fonemnivå för engelska, kinesiska, japanska, koreanska och flera andra språk, samt S2-liknande röstkloning från referensklipp på ungefär 10 till 30 sekunder. I lanseringsdemon användes en röstklon av Uncle Roger som företaget säger togs fram och användes med tillstånd.

Uttalspåståendet, och var det kommer ifrån

I Fish Audios tillkännagivande anges att Drama 3 Preview får 93,2 % totalt i en resultattabell för uttalsrobusthet från Artificial Analysis och rankas som etta där, före ElevenLabs Eleven v4 och Eleven v4 Turbo. Delpoängen som publiceras är 95,9 % för namn, varumärken och tekniska termer mot 87,3 % för Fish Audio S2.1 Pro; 95,3 % för kontextberoende ord mot 86,1 %; 93,6 % för siffror, datum och enheter mot 92,7 %; och 86,3 % för koder, sökvägar och e-postadresser mot 79,4 %.

De siffrorna kommer från Fish Audios eget tillkännagivande. När jag letade efter resultattavlan för att läsa poängen per modell direkt returnerade sökvägarna för uttalsrobusthet 404:or, och det resultattavlegränssnitt jag kunde ladda renderade Elo-rankningen utan att någon citerbar siffra för uttal per modell bifogades. Varje siffra i stycket ovan är därför leverantörsrapporterad och bör märkas som det i varje presentation som använder den. Elo-siffrorna någon annanstans i den här artikeln är annorlunda: dem läste jag av från resultattavlan, och de bär resultattavlans egna konfidensintervall.

Det underliggande klagomålet som påståendet gäller är verkligt, oavsett vilken siffra man än litar på. Uttal av egennamn, produktkoder och filsökvägar är det felmönster som får team att gå tillbaka till mänskliga rösttalanger, och det är det som de flesta TTS-leverantörer har varit långsammast att åtgärda eftersom det inte är ett prosodiproblem. En modell som klarar 86,3 % av koder, sökvägar och e-postmeddelanden mot en föregångares 79,4 % har fortfarande fel ungefär en gång av sju.

Vad "öppna vikter" innebär under denna licens

Fish Audio Drama 3 Preview släpps under Fish Audio Community License v1.0. Läs villkoren innan du planerar utifrån dem. Licensen är gratis för forskning och icke-kommersiell användning, och den är gratis för kommersiell användning om du och dina närstående bolag håller er under 500 000 US-dollar i årliga intäkter. Över den gränsen — eller om du vill erbjuda modellen som en text-till-tal-, röstklonings- eller inferenstjänst, oavsett storlek — behöver du en licens från Fish Audio. S2-serien ligger kvar under en separat Research License. Att klona en verklig persons röst utan samtycke är helt förbjudet.

Den kommersiella tröskeln bekräftas oberoende: Artificial Analysis-tavlan flaggar posten som öppna vikter utan kommersiella användningsrättigheter, vilket stämmer överens med en intäktsvillkorad licens snarare än en obegränsad. Om du är en liten studio är öppna vikter under den här licensen ett genuint alternativ. Om du är en plattform som vidaresäljer inferens är det inte öppna vikter i den bemärkelse du hade hoppats på.

Prissättning och lanserbjudandet

API-listpriset är $50 per miljon tecken, med 80 % rabatt till $10 per miljon från och med den 13 oktober till och med den 12 november 2026. Creator-krediter matchar S2.1 Pro, och de nya Plus-, Pro- och Max-planerna kostar halva priset under samma tidsfönster. Artificial Analysis registrerar priset i resultattavlan som $15.00 per miljon tecken under standardinställningar, vilket är siffran att använda när man jämför mot andra poster i den tavlan snarare än mot Fish Audios egen prislista.

Kampanjperioden är den del som har en verklig deadline. Vid $10 per miljon tecken underbjuder Drama 3 Preview i stort sett varje konkurrerande modell på topplistan med god marginal. Vid $50 är den dyrare än Cartesia Sonic 3.6 vid $49 och långt över Qwen-Audio-3.0-TTS-Plus vid $19.30. Den som bygger en kostnadsmodell på det rabatterade priset bör bygga en andra på listpriset och kontrollera att projektet fortfarande fungerar.

Var detta passar in i en produktionsstack

Skriptat ljud som renderas en gång är den perfekta tillämpningen: ljudböcker, ljuddrama, dialog i spel och animation, kortformatvideo. Flertalargenerering i ett enda svep och inpaintningsarbetsflödet finns båda för att stödja den typen av arbete, och prissättningen är per tecken snarare än per minut, vilket gynnar långa manus. Interaktiv redigering och redigerings-API:et är ännu inte allmänt tillgängliga, så ett arbetsflöde som är beroende av dem är ett arbetsflöde som är beroende av en inbjudan.

Den operativa frågan efter det är routning, och den är svårare för tal än för text. Fish Audio Drama 3 Preview är inte en av modellerna på OrcaRouter i dag. Den nås via leverantörens eget API och flera tredjepartsplattformar. Detsamma gäller de flesta av modellerna som jämfördes ovan – taltopplistans tio bästa är en uppsättning leverantörsspecifika slutpunkter med leverantörsspecifik autentisering, och var och en är sin egen integration och sin egen avbrottsdomän. OrcaRouters ~200 modeller bakom en nyckel till leverantörens listpris utan påslag täcker text-, vision- och resonemangsarbete, och dess automatiska failover finns just för fallet där en leverantörs slutpunkt försämras mitt i en körning. Det praktiska mönstret för en talväg i produktion är att hålla talleverantören direkt och hålla allt den orkestrerar – sammanfattningen, översättningspasset, uttalslexikonbyggaren, QA-klassificeraren – bakom en enda routad slutpunkt så att en failover där inte tar renderingspipelinen med sig.

Slutsats

Fish Audio Drama 3 Preview är ett verkligt resultat snarare än en artefakt från lanseringsveckan: plats 10 på Provider Voice Arena med ett Elo på 1 243, först bland resultattavlans 17 bidrag med öppna vikter, till 15,00 USD per miljon tecken mot 34 USD för nästa modell med öppna vikter nedanför. Avstånden till toppen av resultattavlan är fortfarande stora och konfidensintervallen överlappar med dess närmaste grannar, så kronan bland modeller med öppna vikter är en utgångsposition, inte en ledning. Uttalssiffran på 93,2 % är leverantörens egen och kunde inte avläsas oberoende från resultattavlan. Licensen har ett intäktstak på 500 000 US-dollar för kommersiell användning, vilket helt kommer att utesluta den för vissa team. Och taxan på 10 USD löper ut den 12 november 2026.

För en studio som gör manusbaserat ljud i stor skala är kombinationen av generering av flera talare i ett enda pass, inpainting av enskilda ord och en licens med öppna vikter under intäktströskeln det starkaste argumentet här – starkare än placeringen på resultattavlan som kommer att få rubrikerna.

Modellval som detta är också där fellägena visar sig: de dokumenterade AI-incidenterna och agentfelen bakom modeller i den här klassen samlas i OrcaRouter AI Incident Archive, där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och omstridd flagga.