Fish Audio Drama 3 vs Breeze TTS 2: Jämförelsen av öppna vikter som slutar på en VRAM-siffra

Fish Audio Drama 3 och Breeze TTS 2 är de två högst rankade text-till-tal-modellerna med öppna vikter i Artificial Analysis Provider Voice Arena, med 50 Elo-punkter mellan sig, och de konkurrerar egentligen inte om samma driftsättning. Drama 3 är en mixture-of-experts-modell med 35 miljarder parametrar som vill ha ett enda 48 GB-kort. Breeze TTS 2 från BreezeBlue är en tät modell med 3 miljarder parametrar med publicerad PyTorch-inferenskod. Den skillnaden i fotavtryck avgör fler inköpsfrågor än Elo-gapet gör, eftersom en modell du inte kan köra inte är en modell du kan utvärdera – och dessutom drar de två licenserna åt olika håll.

Samma etikett, två olika typer av öppna vikter

Båda posterna visar en länk till vikterna på tavlan, och båda skulle i ett pressmeddelande beskrivas som öppna. Ingen av dem är öppen källkod, och begränsningarna har inte samma form.

Breeze TTS 2:s modellvikter lades upp på Hugging Face den 25 augusti 2026 som BreezeBlue/Breeze-TTS-2, tillsammans med PyTorch-inferenskoden, under en licens för forskning och icke-kommersiellt bruk. Det är ett hårt stopp för kommersiell driftsättning utan en separat överenskommelse, och det har inte ändrats sedan dess. Företaget meddelade modellen den 16 och 17 augusti 2026 som en realtidsröstmodell för interaktiva medier, öppnade ett hostat API till priset 34 USD per miljon tecken och publicerade vikterna nio dagar senare. BreezeBlue grundades av Yang Bin, en tidigare teknisk medgrundare av MiniMax, genom en såddfinansieringsrunda på 6 miljoner dollar som leddes av Yuanjing Capital och Redpoint China.

Fish Audio Drama 3 släpps under Fish Audio Community License v1.0, som är betydligt mer tillåtande i den dimension som de flesta team fäster störst vikt vid: kommersiell användning är gratis under 500 000 US-dollar i årlig intäkt för dig och dina närstående företag, och FAQ behandlar produktion av färdigt ljud för kunder som tillåten. Över den tröskeln, eller om du vill värddriva Drama 3 som en text-till-tal-, röstklonings- eller inferenstjänst, behöver du en licens från Fish Audio. Licensen förbjuder också kloning av en verklig persons röst utan samtycke. S2 – föregångaren – förblir under den strängare Research License, så de två Fish Audio-generationerna kan inte behandlas som en enda juridisk kategori.

Det praktiska utfallet: Breeze TTS 2 är den modell som är enklare att experimentera med och svårare att kommersialisera; Drama 3 är det omvända. Om din utvärdering är en forskningsdemo eller ett internt verktyg står Breezes licens inte i vägen, och dess 3B-fotavtryck gör experimentet billigt. Om din utvärdering slutar i en produkt är det Fish Audios villkor som en jurist kan skriva under utan förhandling.

En detalj på Breeze-modellkortet är värd att påpeka eftersom den nu är föråldrad. Kortets introduktion säger fortfarande att modellen "rankas etta bland modeller med öppna vikter på Artificial Analysis TTS-topplistan". Det stämde när det skrevs; i dag placerar listan Breeze TTS 2 på trettonde plats för leverantörsröster och på tjugoåttonde plats för kontrollerade röster, efter båda Fish Audio-bidragen. Modellkort åldras snabbare än topplistor, och en läsare som bara kontrollerade kortet skulle få en felaktig placering.

Arenasiffrorna, och varför gapet i kontrollerad röst är det större

Läs av Artificial Analysis den 2026-10-29:

• Provider Voice Arena — Fish Audio Drama 3 på plats 6 med en Elo på 1 278 och ett på resultattavlan registrerat pris på 15,00 USD per miljon tecken; Breeze TTS 2 på plats 13 med 1 228 och 34,00 USD. En skillnad på 50 poäng, där alla modeller som rankas mellan dem är slutna system.

• Kontrollerad Voice Arena – Fish Audio Drama 3 på plats 12 med 1 085; Breeze TTS 2 på plats 28 med 1 021. En skillnad på 64 poäng, och det här är resultattavlan där varje modell bedöms utifrån samma fasta referensröster i stället för utifrån de röster som dess egen leverantör har designat.

• Riktningen på gapets vidgning — Drama 3:s försprång ökar med 14 poäng när man tar leverantörens egen röstkatalog ur jämförelsen. Det är det enskilt mest användbara talet i den här matchningen, eftersom det säger att Fish Audios ledning inte är en artefakt av hur trevliga dess standardröster låter.

Femtio eller sextiofyra Elo är en verklig skillnad i blindpreferenstester, och det är inte en skillnad som består när den är den enda modellen i jämförelsen. Båda ligger långt under den slutna frontlinjen: Eleven v4 Turbo leder leverantörernas topplista på 1 336 och HeyGen Voice leder den kontrollerade topplistan på 1 193. Det som paret med öppna vikter erbjuder är en självhostbar basnivå, inte en frontlinje.

Vad var och en egentligen behöver för att kunna köras

Det är här jämförelsen upphör att vara abstrakt.

• Drama 3 — 35B parametrar totalt, ungefär 3B aktiva per token, 8 av 256 routade experter plus en delad. Vikterna är cirka 40 GB fördelade över en uppsättning shards plus en separat codec-fil, och FP8-inferens kräver runt 48 GB VRAM. Fish Audio dokumenterar ingen väg för CPU, Apple Silicon eller ROCm. På en enda H200 rapporterar leverantören 271 frames per sekund mot 177 för S2, vilket är vinsten med den sparsa arkitekturen; siffran är leverantörsrapporterad och inte reproducerad utanför Fish Audio.

• Breeze TTS 2 — 3B täta parametrar. En BF16-checkpoint är ungefär 6 GB, så den får plats bekvämt på ett 24 GB-kort och troligen även på mindre kort med kvantisering. Inferenskoden finns i repositoriet snarare än bara antyds. Ingen publicerad latenssiffra på nivån för en enskild ström, men modellen designades och såldes för realtidsinteraktiv media, vilket är ett annat krav än högupplöst uppläsning.

• Tokeniserare — Drama 3 behåller Descript Audio Codec-konfigurationen från S2: 44,1 kHz, tio kodningsböcker, cirka 21,5 ramar per sekund, helt kausal. Breeze TTS 2:s tokeniserare är inte något jag kan citera från en primärkälla, och en jämförelse som uppfann en sådan skulle vara falsk precision.

Konsekvensen är krass. Ett team med fyra 24 GB-kort kan köra Breeze TTS 2 idag och kan inte köra Drama 3 utan sharding-trick som Fish Audio inte dokumenterar. Ett team med ett H200-klassigt kort väljer mellan en modell som passar deras hårdvara och en modell som är 50 Elo bättre. Inget av dem är fel svar; de är svar på olika frågor.

Kostnad vid volym, i den enhet som Fish Audio faktiskt fakturerar

Fish Audios dokumentation anger priser per miljon UTF-8-byte, inte per tecken, vilket ändrar beräkningen för alla som inte skriver engelska. En miljon UTF-8-byte är, enligt samma dokumentation, cirka 180 000 engelska ord eller tolv timmar tal. Drama 3 prissätts till $50.00 per miljon byte – cirka $4.17 per färdig ljudtimme – med ett lanseringspris på $10.00, cirka $0.83 i timmen, fram till 2026-11-12 09:00 PT. Breeze TTS 2 kostar $34.00 per miljon tecken, och vid samma ungefärliga omvandling är det cirka $2.83 i timmen.

Så rangordningen vänder beroende på vilken dag du köper. Under kampanjen är Drama 3 ungefär en tredjedel av Breeze TTS 2:s timkostnad. Efter 2026-11-12 är Drama 3 till listpris ungefär 47 % dyrare per timme än Breeze – samtidigt som den är 50 till 64 Elo bättre på arenorna och betydligt bättre på uttal. Och för CJK- eller kyrillisk text driver den bytebaserade faktureringen Drama 3 ännu högre upp: ett tecken på tre byte kostar tre gånger så mycket som ett engelskt tecken enligt den tabellen, medan en leverantör som debiterar per tecken tar samma pris för båda.

Två faktureringsdetaljer från samma dokumentation är värda att ta med i en budgetmodell, eftersom båda i det tysta blåser upp de faktiska kostnaderna. Hastighetsbegränsningarna gäller samtidiga förfrågningar, inte förfrågningar per sekund – 5 samtidiga på startnivån, 15 från $100 betalt, 50 från $1,000 – och en förfrågan över gränsen returnerar ett 429-svar utan retry-after-header, så en naiv parallell renderare måste implementera sin egen backoff. Och förfrågningar som anger ett modell-id som saknas eller inte är en exakt matchning serveras och faktureras som standardmodellen, vilket på TTS-sidan innebär att en felstavad Drama 3-header under kampanjen kan fakturera dig enligt taxan för S2.1 Pro i stället för rabatten.

Att lägga båda bakom en gemensam pipeline

Varken Fish Audio Drama 3 eller Breeze TTS 2 är en av modellerna på OrcaRouter. Vart och ett nås via leverantörens eget API och, i Fish Audios fall, via tredjepartsplattformar, och den ärliga versionen av det här avsnittet säger det i stället för att antyda en åtkomstväg som vi inte har.

Orkestreringslagret är en separat fråga, och det är där uppdelningen i två modeller gör verklig nytta. En liten studio som vill använda Drama 3 för uppläsning och Breeze TTS 2 för realtidsuppmaningar i gränssnittet kör två SDK:er, två prislistor och två fellägen mot en och samma deadline. Att dirigera resten av stacken genom en enda slutpunkt till leverantörens listpris utan påslag, med automatisk failover mellan uppströmstjänster, gör att valet av TTS-leverantör blir en rad i en konfiguration i stället för ett andra avtal – och routnings-DSL:n kan komponera ett modellanrop med ljudsteget i stället för att skruva samman dem i applikationskoden.

Om du väljer en i dag och hårdvaran redan är inköpt, är beslutet nästan redan fattat åt dig: 48 GB VRAM är en annan budgetpost än 6 GB, och Breezes forskningslicens kräver en annan juridisk granskning än Drama 3:s intäktsbegränsade communitylicens. Om du väljer en för kvalitet inom open-weights-klassen är svaret Drama 3 på båda arenorna och vad gäller uttal, och prisargumentet håller bara i två veckor till.