Fish Audio Drama 3 vs Gemini 3.8 Flash TTS: Google är den billiga nu, och det vänder på det vanliga argumentet

Prissätta dessa två per minut färdigt ljud, och jämförelsen upphör att likna den marknaden har gjort hela året. Google Gemini 3.8 Flash TTS debiterar $9.00 per miljon ljudtoken, och ljud genereras med 25 token per sekund – drygt två hundradels cent per sekund, vilket är cirka $0.81 per timme tal. Fish Audio Drama 3 har ett listpris på $50.00 per miljon UTF-8-byte, vilket leverantörens egen dokumentation likställer med ungefär tolv timmar tal: cirka $4.17 per timme enligt listpris, och $0.83 per timme under lanseringskampanjen som slutar 2026-11-12. Googles flaggskeppsmodell för tal är alltså fem gånger billigare än utmanaren med öppna vikter när rabatten upphör, och ungefär samma pris så länge den varar. Den vanliga framställningen – en smidig öppen modell som underbjuder ett hyperscaler-företag – är precis bakvänd här, och att förstå varför är hela beslutet.

Aritmetiken, i tillräcklig detalj för att kunna kontrollera

Googles enhet är token, inte tecken, vilket är orsaken till att rubriknumren verkade intetsägande bredvid leverantörerna som räknar text per tecken. Gemini 3.8 Flash TTS genererar ljud med 25 token per sekund tal till 9,00 USD per miljon token fram till slutet av 2026, och modellen den ersätter – Gemini 3.1 Flash TTS Preview – prissattes till 20,00 USD för samma miljon genererade token. Gemini 3.8 Flash-Lite TTS, som lanserades samtidigt den 23 september 2026, har en kortare språklista och ännu lägre pris, och Artificial Analysis registrerar den till 11,00 USD per miljon tecken för jämförelsesyften.

Fish Audios enhet är byte, inte tecken, och dokumentationen anger omvandlingen rakt ut: en miljon UTF-8-byte är ungefär 180 000 engelska ord, eller ungefär tolv timmars tal. Vid 50,00 dollar per miljon byte blir det 4,17 dollar per timme före eventuella omkostnader. Vid kampanjpriset 10,00 dollar är det 0,83 dollar. Riktangivelser inom hakparenteser faktureras som indatatext, så ett manus med många riktangivelser kostar 10–25 % mer än ordantalet antyder – och i den här jämförelsen faktureras varje hakparentes, eftersom hela Drama 3:s design bygger på att du skriver in framförandet i manuset.

• Listpris, per timme tal — Gemini 3.8 Flash TTS cirka 0,81 USD; Drama 3 cirka 4,17 USD.

• Kampanjpris, per timme — Gemini 3.8 Flash TTS cirka 0,81 USD; Drama 3 cirka 0,83 USD. I praktiken oavgjort.

• Enhet — tokens per sekund för utdata på Googles sida; UTF-8-byte för indata på Fish Audios sida. Båda är ärliga enheter. De är inte samma enhet, och varje "per miljon X"-jämförelse som blandar dem utan att omvandla är brus.

• Den dolda raden – en Drama 3-förfrågan vars model-header saknas eller är felstavad misslyckas inte, utan faller tillbaka på s2.1-pro och debiteras $15.00 per miljon byte, vilket är ett 50 % påslag på kampanjpriset för en felstavning.

Vad Googles pris egentligen köper

Att vara billigare per timme är bara intressant om utdata är användbar, och de oberoende siffrorna säger att den är det – med en specifik form. Artificial Analysis placerar Google Gemini 3.8 Flash TTS på femte plats i Provider Voice Arena med ett Elo på 1 283 och ett på resultattavlan registrerat 16,50 dollar – över Fish Audio Drama 3:s 1 278 – och på tjugofjärde plats i Controlled Voice Arena med 1 053, under Drama 3:s 1 085. Den uppdelningen sammanfattar modellen i en rad: den låter utmärkt när Googles egna röster används, och den faller till mitten av resultattavlan när alla modeller bedöms utifrån samma referensröster.

Uttalstavlan ger en liknande snäv bild. Gemini 3.8 Flash TTS leder alla 31 poängsatta modeller i kategorin kontextuellt lämpligt med 98,0 %, och Drama 3 ligger på 95,3 %. Det är inte modellens svaga punkt. Googles svaga punkt i den här jämförelsen är kontroll: Gemini levereras med 30 förinställda studiostämmor – bland dem Kore och Puck – med hela uppsättningen på 130 språk och automatisk språkidentifiering, samt ett röstbibliotek som dokumentationen beskriver som ”hundratals” i Extended Voice Library medan marknadsföringssidan säger över 2 000. Dessa siffror har aldrig avstämts utifrån, och om en specifik röst är avgörande för din produkt är att testa den rösten det enda svar någon ärligt kan ge dig.

Trettio användbara röster utan kloning duger bra till en supportbot, en produktuppläsare eller en språkinlärningsapp. Det duger inte till en dramapipeline, ett spel med tolv rollfigurer som behöver röstcastas, eller något kunduppdrag där rösten är det som levereras. Det är gapet som Fish Audio fyller, och det är ett gap till sin art snarare än i grad.

Vad de öppna vikterna ger dig, och vad de kostar dig att köra

Fish Audio Drama 3 är en mixture-of-experts med 35 miljarder parametrar och ungefär 3 miljarder aktiva parametrar per token, initierad från Qwen3.5-35B-A3B, 8 av 256 routade experter plus en delad, fyrtio lager i block med tre Gated DeltaNet-lager och ett gated full-attention-lager. Vikterna publiceras på Hugging Face som fishaudio/drama-3 – cirka 40 GB fördelat över en uppsättning shards plus en separat codec-fil – och FP8-inferens kräver omkring 48 GB VRAM utan någon dokumenterad CPU- eller ROCm-väg. Serveringen sker via SGLang-Omni, och leverantören rapporterar 271 frames per sekund på en enda H200 jämfört med 177 för S2.

Den där hårdvarulinjen är den verkliga affären. Googles pris på 0,81 dollar per timme inkluderar inga kapitalutgifter och ingen drift; din enda fasta kostnad är förfrågan. Drama 3:s kampanjpris på 0,83 dollar per timme är ett API-pris, och att köra det själv förvandlar det till en 48 GB GPU, en serveringsstack och en person som äger den. För en katalog på fyrtio timmar ljud i månaden är API:et uppenbart billigare. För några tusen timmar, eller för allt som måste köras utan att en tredje part är inblandad, förändrar vikterna argumentet helt — och de är det enda Google inte säljer till något pris.

Licensen spelar roll här också, eftersom det är den som skiljer ”öppna vikter” från ”gratis”. Drama 3 publiceras under Fish Audio Community License v1.0: gratis för forskning och icke-kommersiell användning, gratis kommersiellt under 500 000 US-dollar i årlig intäkt för dig och dina anknutna företag, med en separat licens som krävs över den tröskeln eller för att erbjuda Drama 3 självt som en hostad tal- eller kloningstjänst. Artificial Analysis betecknar den som öppna vikter utan fullständiga rättigheter till kommersiell användning. Googles villkor är de vanliga API-villkoren, vilket är en annan uppsättning frågor – datahantering snarare än vidaredistribution.

Språk, och en siffra som presterar mindre än den ser ut att göra

Google uppger 130 språk med automatisk identifiering utifrån texten. Fish Audio uppger 83, med en mycket märkligare funktion knuten till sig: regi kan skrivas på vilket språk som helst och behöver inte matcha manusets språk, och det finns en dokumenterad språkväxlingstagg som mitt i en rad växlar en enskild fras till ett annat språk – markerad som experimentell. Det är olika produkter. Googles siffra handlar om hur många marknader du kan nå med en enda integration. Fish Audios siffra handlar om hur exakt en rad kan produceras, av en regissör som kanske inte delar manusets språk.

För ett team som lanserar en lokaliserad produkt slår 130 83, och autodetekteringen är en verklig operativ besparing – ingen routning per språk, inget röstval per språk. För ett team som producerar innehåll på ett eller två språk för en publik som lägger märke till det, är 83 ingen begränsning, och förmågan att styra riktning på valfritt språk är den mer värdefulla av de två funktionerna. Inget av siffrorna bör läsas som en placering i en ligatabell; antalet språk som en modell uppger sig behärska har aldrig korrelerat väl med hur bra den är på det språk du behöver.

Var och en av dem sitter i en routad stack

Det här är en av få artiklar i den här serien där leverantörssidan inte är helt uppriktig i sitt försök att släta över: OrcaRouter dirigerar Googles tidigare Gemini-talmodeller – google/gemini-3.1-flash-tts-preview och google/gemini-2.5-flash-preview-tts finns båda i katalogen i dag – men inte Google Gemini 3.8 Flash TTS och inte Fish Audio Drama 3. De äldre Gemini TTS-modellerna är tillgängliga genom oss till Googles listpris utan påslag; de två modeller som den här artikeln faktiskt handlar om nås via leverantörernas egna API:er och, när det gäller Fish Audio, via tredjepartsplattformar.

Den användbara konsekvensen är att den större delen av en Googles talfaktura redan kan ligga bakom en enda nyckel, och det är failover-lagret som gör jämförelsen billig att köra: sätt en canary av Drama 3 vid sidan av ett Gemini 3.8 Flash TTS-anrop, skicka produktionsvägen till den som klarar ditt acceptanstest, och valet per segment ligger i routing-DSL:en i stället för i två SDK:er. Modellfusion är det andra alternativet som detta ger upphov till – en panel som renderar samma rad genom båda och väljer enligt en regel som du definierar, vilket för uppläsning innebär att du kan behålla Drama 3:s uttal på raderna med koder och Googles kontextläsning på prosan.

Beslutet, rakt ut sagt: för engelska i stor volym utan kloning och utan aptit på infrastruktur är Gemini 3.8 Flash TTS till $0.81 per timme den billigare och bättre klingande modellen med leverantörsröster, och argumentet för Drama 3 överlever inte kontakten med prislistan. För allt som kräver anpassade eller rollsatta röster, regi ord för ord, fonemstyrning eller möjligheten att köra utan en tredje part är Drama 3 den av de två som överhuvudtaget kan utföra jobbet – till listpris kostar den fem gånger Googles pris per timme, och under kampanjen kostar den lika mycket, vilket gör de kommande två veckorna till det billigaste fönstret någon får för att avgöra om uttalsfördelen är värd att bygga kring.