Fish Audio Drama 3 vs Inworld Realtime TTS-2: Den ena läser ett manus, den andra följer en konversation

Ordet "Realtime" i Inworld Realtime TTS-2 är ett latenspåstående, inte en beskrivning av vad modellen gör. Inworlds tal-till-tal-produkt för live-samtal är en separat post på dess egen prissida; Realtime TTS-2 är en text-till-tal-modell som är snabb nog för interaktivt bruk. Den distinktionen blir viktig i samma stund som man ställer den mot Fish Audio Drama 3, som är byggd för det motsatta jobbet – en modell med 35 miljarder parametrar vars hela design är att man skriver scenanvisningar i manuset innan en enda rad sägs. Ställ dem sida vid sida på Artificial Analysis och uppdelningen är ovanligt ren: Drama 3 leder Provider Voice Arena med 11 poäng, och Inworld leder Controlled Voice Arena med 61. Riktningen på den skillnaden säger mer om vad var och en är till för än vad någon av siffrorna gör på egen hand.

Två produkter som aldrig siktade på samma sak

Inworld Realtime TTS-2 började som en forskningsförhandsvisning 2026-05-05 och blev allmänt tillgänglig 2026-09-02. Argumentet vid den allmänna tillgängligheten handlade inte om återgivningstrohet: det var att modellen tar tidigare turer i ett samtal, som ljud, och resonerar kring ton och tempo innan den avgör hur nästa replik ska låta. Det är en funktion för konversationsagenter. En supportbot som just har hört en frustrerad kund behöver inte en scenanvisning – den behöver härleda en sådan från det som just sagts.

Fish Audio Drama 3, publicerad den 13 oktober 2026, går åt motsatt håll. Alla funktioner den annonserar handlar om explicit författarskap: hakparentesmarkerade instruktioner före frasen de styr, ljud- och paushändelser placerade mitt i raden, parade taggar som endast ändrar de omslutna orden (viskning, betoning, mjuk, snabb, långsam, tryck, kraftfull), fonemlåsning för uttal, en språkväxlingstagg för en enskild fras, instruktioner skrivna på ett annat språk än manuset, och dialog med flera talare i en enda begäran via en reference_id-array med talartaggar per tur. Inget i den listan går att härleda från kontexten. Allt i den är något som en skribent skriver.

Så den ärliga formuleringen är inte ”vilken är bättre” utan ”vilket fel du inte kan tolerera”. En dramapipeline som måste rendera en scen med tolv karaktärer med känslomässig kontinuitet kommer inte i mål med en modell som är utformad för att utläsa tonläge från en chatthistorik. En röstagent som måste svara på under en sekund kommer inte i mål med en modell som vill ha en scenanvisning och 48 GB VRAM. Överlappningen där båda faktiskt är livskraftiga är smal: manusbaserad högkvalitativ uppläsning som levereras via ett API för interaktivt innehåll – förhandsvisningar av ljudböcker, förrenderade NPC-repliker, marknadsförings-VO som måste regenereras enligt ett schema.

Tavlorna, lästa i rätt ordning

Båda siffrorna nedan hämtades från Artificial Analysis den 2026-10-29:

• Provider Voice Arena — Fish Audio Drama 3 på plats 6 med 1 278 och ett på resultattavlan registrerat pris på 15,00 USD per miljon tecken; Inworld Realtime TTS-2 på plats 8 med 1 267 och 20,80 USD. Inworld Realtime TTS-2 Flash ligger på plats 19 på den kontrollerade resultattavlan med 1 065.

• Controlled Voice Arena — Fish Audio Drama 3 på plats 12 med 1 085; Inworld Realtime TTS-2 på plats 7 med 1 146. Här ligger Inworld 61 poäng före.

• Asymmetrin — Drama 3:s 11-punktsförsprång som leverantör krymper och vänds till sin motsats i samma stund som jämförelsen körs på identiska referensröster i stället för på varje leverantörs egen katalog. Dess ledning är till stor del en ledning bland de röster som Fish Audio levererar; Inworlds är det inte.

• Den andra asymmetrin — Inworlds två bidrag spänner över fältet, flaggskeppet på 1 146 och Flash på 1 065, en lucka på 81 poäng mellan nivåerna i samma familj. Drama 3 har ingen nivå under sig; antingen får du 35B-modellen eller så använder du något annat.

Detta är det motsatta mönstret jämfört med samma två resultattavlor under Google Gemini 3.8 Flash TTS, där den slutna modellen vann på leverantörsröster och förlorade på kontrollerade röster. Inget av mönstren är brus; båda påminner om att en enskild arena-siffra beskriver paketet av modell och röstbibliotek, och bara den kontrollerade tavlan isolerar modellen.

Kontextmedvetenhet kontra riktning, konkret

GA-meddelandet för Inworld Realtime TTS-2 beskriver en modell som läser konversationshistorik – tidigare turer som ljud – och använder den för att forma tempo och ton. Det är ett leverantörspåstående, inte en oberoende poängsatt förmåga, och Artificial Analysis arenor testar det inte; de testar enskilda rader mot referensröster. Så funktionen som Inworld faktiskt säljer är den som inget offentligt benchmark mäter just nu. Betrakta påståendet som lovande och otestat, och testa det mot din egen dialog i stället för mot en topplista.

Drama 3:s styrningskapacitet är mätbar i snäv mening, eftersom man kan se utdata ändras när man ändrar en parentes, och Fish Audio dokumenterar var och en av dem med exempelljud. Funktionen som ingen konkurrent i den här jämförelsen matchar är den språkoberoende styrningen: en styrningsanvisning skriven på kinesiska framför en engelsk replik, dokumenterad och demonstrerad. För ett internationellt postproduktionsteam är det en operativ frigörare snarare än en nice-to-have, och det är den typ av sak som dyker upp i en pilot inom en timme.

Det praktiska testet för ett team som väljer mellan dem är en sida av er egen dialog. Rendera den med Inworlds konversationskontext uppsatt som den skulle vara i produktion, och rendera den med Drama 3 och explicita instruktioner. Det alternativ som ger färre rader som du måste rätta manuellt är svaret, och det kommer att vara ett annat svar för en chattagent än för en radiopjäs.

Klonning, latens och siffrorna du kan räkna med

Inworlds direkta röstkloning accepterar 5 till 15 sekunder referensljud, och dess betaversion för professionell kloning tar cirka 10 minuters ljud för en klon med högre återgivning. Det är leverantörens siffror och de är specifika nog att testa. Fish Audios kloning ligger i samma kreditsystem som generering, och Drama 3 använder samma krediter som S2.1 Pro i prenumerationsplaner – men licensen är det som skiljer sig, eftersom Fish Audios community-licens uttryckligen förbjuder kloning av en verklig persons röst utan samtycke, medan Inworlds villkor är de vanliga API-villkoren.

Latens är där Inworld uppenbart är rätt verktyg, och jämförelsen bör inte förespegla något annat. Realtime TTS-2 och dess Flash-nivå byggdes för interaktiva produkter, med en Flash-nivå prissatt 40 % under flaggskeppet, just för de arbetsbelastningar som behöver den. Fish Audios publicerade hastighetssiffra för Drama 3 är 271 bildrutor per sekund på en enda H200 mot 177 för S2 – ett genomströmningstal för batchrendering, inte en tid till första byte för en liveström. Om ditt krav är "rösten måste starta inom en samtalsvändning" befinner du dig i Inworlds produkt, och inget av Drama 3:s 11 punkters försprång bland leverantörerna ändrar på det.

Pris, till den kurs du faktiskt kommer att betala

Inworld Realtime TTS-2 kostar 25,00 dollar per miljon tecken vid behov och trappas ned till 20,00 dollar på Creator-planen för 25 dollar, 17,50 dollar på Builder, 15,00 dollar på Developer och 12,50 dollar på Growth, med Flash på 15,00 dollar vid behov som sjunker till 7,00 dollar på Growth. Fish Audio Drama 3 kostar 50,00 dollar per miljon UTF-8-byte enligt listpris och 10,00 dollar under lanseringskampanjen fram till 2026-11-12 09:00 PT. För ett engelskt manus på 100 000 tecken blir det 2,50 dollar enligt Inworlds on-demand-pris, jämfört med 5,00 dollar för Drama 3 enligt listpris, eller 1,00 dollar under kampanjen.

Tre förbehåll hör hemma i den aritmetiken snarare än under den. Drama 3 fakturerar per UTF-8-byte, så en CJK-text kostar flera gånger mer än en engelsk för samma teckenantal, medan Inworlds teckenpris står still. Drama 3:s regianvisningar inom hakparenteser faktureras som indatatext, vilket är ett påslag på 10–25 % för ett manus med mycket regi – just de manus där du behöver modellen. Och Fish Audios reservlösning är tyst: en begäran vars model-header saknas eller inte är en exakt matchning levereras och faktureras som s2.1-pro till $15.00 per miljon byte i stället för att avvisas.

Den jämförelse som står kvar efter alla tre förbehållen är kortare än pristabellerna antyder. Till listpris är Inworld ungefär hälften av Drama 3 per engelskt tecken och bättre på kontrollerade röster. Under kampanjen är Drama 3 en tredjedel av Inworlds pris. Den som bara väljer utifrån pris väljer ett datum, inte en produkt.

Ingen av dem finns i vår katalog, och vad det ändrar

Fish Audio Drama 3 och Inworld Realtime TTS-2 nås båda via sina egna leverantörers API:er och tredjepartsplattformar; ingen av dem är en av modellerna på OrcaRouter, och routingargumentet här handlar om resten av stacken snarare än om dessa två. En röstprodukt anropar sällan bara en talsyntesmodell och inget annat — den anropar en LLM för repliken, en talsyntesmodell för ljudet, ibland en andra talsyntesmodell för ett annat segment, och den har en deadline. Att konsolidera den icke-talande halvan bakom en nyckel till leverantörens listpris utan påslag, med automatisk failover så att en enskild störning uppströms inte stoppar renderingen, är det som gör att valet av talsyntes blir ett konfigurationsbeslut snarare än ett arkitekturbeslut.

Där routnings-DSL:en verkligen gör nytta i just den här kombinationen är den blandade pipeline:en: förrenderade dramatiska repliker genom Drama 3 och live-konversationsvändor genom Inworld, adresserade som två rutter på en nyckel där valet görs per segment. Modellfusion täcker fallet där du inte kan avgöra – rendera samma replik genom båda, poängsätt den mot en referens och behåll vinnaren. Inget av dessa är ett sätt att komma runt någon av leverantörernas pris. De är ett sätt att slippa underhålla två integrationer för att spara en rad i en konfigurationsfil.

För en läsare som ska avgöra vilken: Inworld Realtime TTS-2 om talet måste reagera på en konversation, om latensen är begränsningen, om du vill ha en Flash-nivå som absorberar volym och om ett slutet API är acceptabelt. Fish Audio Drama 3 om talet är författat i stället för reaktivt, om uttalet av namn och koder måste vara tillförlitligt, om regianvisningarna måste skrivas ned, om du vill ha vikterna eller om briefen skrivs på ett annat språk än manuset. Leverantörens ledning med 11 punkter är den minst viktiga siffran i den listan; det kontrollerade underskottet på 61 punkter är det du bör kontrollera mot dina egna referensröster innan du fattar beslut.