Fish Audio Drama 3 vs Ming 3.0 TTS: Det 91-punktsförsprång som försvinner med en klonad röst

Fish Audio Drama 3 leder över Ming 3.0 TTS med 91 Elo-poäng på topplistan där varje modell talar med sin egen uppsättning röster, och med 17 på topplistan där båda får samma åtta klonade referenser – en klyfta som är så pass liten att deras konfidensintervall överlappar. Båda är open-weight-släpp från de senaste sex veckorna, båda poängsätts av Artificial Analysis, och på det enda testet som frågar en människa om ett svårt ord faktiskt kom ut rätt ur munnen, ligger de på 93,2 %. Tre siffror, varav två pekar i olika riktningar. Vilken du tror på avgör vilken modell du köper, och svaret beror på om din produkt låter som sig själv eller låter som någon annan.

Två släpp med sex veckors mellanrum, byggda i motsatta skalor

Drama 3 annonserades den 13 oktober 2026 och är live på Fish Audios API som drama-3, med vikter på Hugging Face under en ny communitylicens. Ming 3.0 TTS kom mer tyst och i delar: InclusionAI:s Hugging Face-repositorier dök upp den 22 september, 0,5B-vikterna den 24 september och inferenskoden först den 19 oktober – vilket är varför Artificial Analysis inte kunde poängsätta det förrän den 20 oktober. Ant Group har aldrig publicerat ett lanseringsinlägg för det, och det har ingen hostad endpoint eller listpris.

Specifikationsarken ligger inte nära varandra, och det är det första man måste förstå innan topplistorna betyder något.

• Parametrar — en 35B-mixture-of-experts-modell med cirka 3B aktiva per token, initierad från Qwen3.5-35B-A3B och som routar 8 av 256 experter plus en delad expert, mot en 0,5B tät modell på ett Qwen2.5-0,5B-backbone. Ant levererar även en MoE kallad Ming-3.0-tts-tiny med 7,9B totalt / 1,3B aktiva, som inte har någon oberoende poäng alls.

• Språktäckning – 83 språk uppges för Drama 3, jämfört med sju för 0.5B Ming-checkpointen (kinesiska, engelska, tyska, spanska, franska, koreanska, japanska) plus sichuanesiska och kantonesiska när du anger ett dialektalt referensklipp.

• Utdata – 44,1 kHz från båda, genererat genom mycket olika maskineri: Drama 3 behåller sin föregångares Descript Audio Codec-tokeniserare med tio codebooks och cirka 21,5 frames per sekund, medan Ming avkodar en kontinuerlig latent via en AudioVAE.

• Vikter och licens — Drama 3 under Fish Audio Community License v1.0, gratis under US$500,000 i årlig intäkt och förhandlingsbar över det eller om du återförsäljer syntes som en tjänst. Ming 3.0 TTS under MIT, helt utan intäktsgräns.

• Pris — 50 US-dollar per miljon UTF-8-byte enligt listpris, rabatterat till 10 US-dollar fram till den 12 november 2026, mot inget pris eftersom det inte finns något att köpa: du laddar ner checkpointen på 2,96 GB och kör den.

Storleksskillnaden slår åt båda hållen. Drama 3:s 35B-stomme är det som gör att den kan hålla en riktning genom ett långt manus och låta flera talare ingå i en och samma scen, med ett röst-ID per talare som skickas som en array; det är också därför ingen kommer att lägga den på en laptop. Mings 0.5B är en modell som du kan servera på en enda anspråkslös GPU och finjustera på en hyrd sådan.

Varför Artificial Analysis ger två olika svar

Provider Voice Arena är den tavla som alla citerar först, och där har Drama 3 tagit en verklig ledning. Sedan 29 oktober ligger den på sjätte plats av 100 modeller med ett Elo på 1 278, prissatt av Artificial Analysis till 15 US-dollar per miljon tecken under standardinställningarna. Ming 3.0 TTS ligger på tjugofjärde plats med 1 187, utan registrerat pris eftersom det inte finns någon kommersiell endpoint att registrera. En skillnad på 91 poäng på en tavla vars konfidensintervall ligger kring ±13 till ±18 är inte brus; Drama 3:s inbyggda röster föredras, och det är tydligt. En detalj i samma tabell förklarar en del av varför: Artificial Analysis bedömde Ming mot tre arena-röster och Drama 3 mot åtta.

Den andra tavlan ställer en annan fråga, och ledningen försvinner. Controlled Voice Arena ger varje system samma åtta klonade röster – fyra amerikanska, fyra brittiska – så jämförelsen handlar inte längre om vilkas röstskådespelare som är bättre, utan om hur väl varje modell bär upp någon annans röst. Där får Drama 3 1 085 poäng och placerar sig på tolfte plats av 49, med ett intervall på 1 069 till 1 101. Ming får 1 068 poäng och placerar sig på sjuttonde plats, med ett intervall på 1 053 till 1 083. De två intervallen överlappar inom området 1 069 till 1 083. Det är oavgjort, och att påstå något annat skulle vara att läsa in en precision i en undersökning som saknar den.

Observera också att Artificial Analysis fortfarande har en separat Drama 3 Preview-rad på den listan på 1 063, rankad som tjugonde. Produktionscheckpointen och förhandsversionen som släpptes i september poängsätts som två olika system, så en jämförelse som hänvisar till "Drama 3" utan att ange vilken rad den syftar på är inte en jämförelse. Våra siffror här är produktionsraden.

Den praktiska tolkningen: om din produkt levereras med en egen röstbesättning – en berättarröst, en supportagent, en spelkaraktär – är Drama 3:s fördel verklig och stor. Om din produkt klonar en kunds eller en skapares röst och talar med den är de två modellerna i praktiken likvärdiga, och beslutet avgörs i stället av pris, licens och språktäckning.

Oavgjort på 93,2 % i uttal är fyra olika resultat

Båda modellerna uppges ha 93,2 % i Artificial Analysiss robusthetstest för engelskt uttal – resultatet som styrelsen publicerade den 20 oktober, vilket placerade dem delat på första plats bland 31 system och före Eleven v4 på 91,7 %. Den rubriken har upprepats överallt, och den döljer den enda del som har operativ betydelse: de två modellerna misslyckas med motsatta typer av text.

• Exakta sekvenser — Ming bevarar dem till 90,6 %, främst av 31; Drama 3:s motsvarande siffra är 86,3 %. Ordernummer, URL:er, filsökvägar och serienummer bevaras bättre av Ming.

• Expansion av förkortningar – Ming 96,5 %, även först av 31, jämfört med 93,6 % för Drama 3. Datum, enheter och förkortningar uttalas i stället för att stavas.

• Fristående termer – Drama 3 på 95,9 % mot Ming på 88,5 %, där Ming rankas som tjugoförsta av 31. Varumärken, ortnamn och teknisk vokabulär är Drama 3:s starkaste kategori.

• Kontextuellt lämpliga termer — Drama 3 på 95,3 %, Ming på 91,0 % och trettonde av 31.

Mings svaghet när det gäller fristående namn speglar dess röstutbud: 0.5B levereras med mer än hundra inbyggda kinesiska röster och fem engelska, så dess hantering av engelska egennamn har mindre att arbeta med. Drama 3:s svaghet är spegelbilden – en modell som tränats att leverera en prestation kommer ibland att leverera ett kodnummer som en prestation.

Inte heller 93,2 % är leverantörsrapporterat. Båda kommer från samma oberoende testramverk, vilket är anledningen till att de överhuvudtaget kan jämföras – och det är värt att nämna att detta är ovanligt i den här kategorin, där de flesta publicerade ordfelstabeller körs av labben på deras egna promptar.

Vad en miljon tecken faktiskt kostar

Drama 3 fakturerar utifrån indatastorlek: US$50 per miljon UTF-8-byte, nedsatt till US$10 fram till den 12 november 2026 kl. 09:00 stillahavstid. Den femfaldiga ökningen den 13 november är det enskilt största talet i den här jämförelsen, och den ändrar rangordningen mellan de två modellerna vad gäller kostnad per färdig timme beroende på när du läser den.

Det finns också en faktureringsfälla som är värd att känna till innan du kopplar upp något. Drama 3 behåller samma POST /v1/tts-slutpunkt som S2.1 Pro, och om model-headern saknas eller är felstavad faller begäran tyst tillbaka till s2.1-pro och du faktureras för det. Du får trovärdigt ljud och inget fel, så en felstavning i en miljövariabel kan pågå i veckor innan någon märker att rösten är fel.

Ming har överhuvudtaget ingen faktura, vilket inte är detsamma som att vara gratis. Du betalar i GPU-timmar och ingenjörstid: 0,5B-checkpointen är 2,96 GB, kräver att audio-VAE, en CAM++-talarkodare och en tokenizer kopplas samman, och har inget leverantörsstödsåtagande bakom sig. Ant har publicerat benchmarktabeller och en Gradio-demo, inte ett serviceavtal.

Det är här en router är verkligt användbar, och här är den det verkligen inte. OrcaRouter vidarebefordrar leverantörens listpris med 0 % påslag, så en leverantörskampanj som Fish Audios slår igenom samma dag för allt vi dirigerar – Drama 3 är inte en av dem, och inte heller Ming. De talslutpunkter vi faktiskt erbjuder idag är Googles Gemini TTS-serie och OpenAI:s TTS-1-HD, alla nåbara via ett API bakom en enda nyckel tillsammans med textmodellerna. Om du jämför Drama 3 och Ming kommer inget dirigeringslager att hosta någon av dem åt dig; det du får med en enda nyckel är resten av pipelinekedjan runt dem.

Licensen avgör mer än resultattavlan.

MIT jämfört med Fish Audio Community License v1.0 är den skarpaste skiljelinjen i detta par, och det är inte en filosofisk sådan. Mings MIT-villkor låter alla företag oavsett storlek bädda in modellen i en betalprodukt, återförsälja den, finjustera den och distribuera derivatet, utan någon intäktsgräns och utan någon dialog med Ant.

Drama 3:s licens är gratis för forskning och icke-kommersiellt arbete, gratis för kommersiell användning så länge du och dina närstående bolag har under 500 000 US-dollar i årlig omsättning, och kräver en förhandlad licens över den gränsen – eller oavsett storlek om du vill erbjuda Drama 3 som text-till-tal-, klonings- eller inferenstjänst. Modellkortets egen FAQ är tydligare än de flesta: färdigt ljud åt kunder är okej, ett konkurrerande syntes-API är det inte.

En detalj att kontrollera i stället för att antas: Hugging Face-metadatan för fishaudio/drama-3 står fortfarande som fish-audio-research-license, medan korttexten beskriver Community License. Om du är den som godkänner driftsättningen, läs licensfilen i repot, inte taggen.

För en studio som producerar ljuddrama är tröskeln på 500 000 dollar en icke-fråga, och serviceklausulen är den man ska läsa. För ett företag som bygger in en röstfunktion i en produkt över den intäktsgränsen är Drama 3 en inköpsdiskussion och Ming en pip-installation.

Vilken ska man välja?

Röst för support eller transaktioner, engelska eller kinesiska. Ming. Den vinner de två kategorier som betyder mest när en bot läser upp ett ordernummer eller en bokningsreferens, den är MIT och den körs på hårdvara du redan har. Den delade placeringen i klonad röst innebär att du inte ger upp naturlighet för att nå dit.

Berättarröst, ljuddrama, varumärkestunga manus, många språk. Drama 3. Leverantörsrösten som lead är verklig, egennamn är dess starkaste kategori, och 83 språk mot sju är inte en lucka man stänger med prompt engineering. Budgetera för prisändringen i november och läs tjänsteklausulen.

En pipeline som redan gör flera tagningar.Drama 3, men bara om du faktiskt använder revisionsloopen. Fish Audio tränade den med en belöningsmodell baserad på mänskliga preferenser och lyfter fram revision över flera turer som vägen till det utförande du ville ha; Ming är en single-shot-modell utan någon revisionsmekanism att väga mot den, så tagningstrukturen är ett skäl att välja Drama 3 snarare än ett skäl att jämföra dem.

Alla driftsättningar där VRAM är begränsningen.Ming, utan diskussion. En 35B mixture of experts som benchmarkas på H200:or är inte en modell man kör för att den är praktisk.

Vad du ska titta på

Tre datum och en lucka. Den 13 november upphör kampanjpriset för Drama 3 och US$10 blir US$50, en femfaldig förändring som över en natt kommer att kasta om alla kostnadsjämförelser i den här kategorin. Innan dess bör du hålla utkik efter om Artificial Analysis slår samman sina rader för Drama 3 och Drama 3 Preview, för en resultattavla som listar en och samma modell två gånger inbjuder till precis den sortens slarviga citering som den här artikeln försöker undvika. Och håll utkik efter ett resultat för Ming-3.0-tts-tiny: 7.9B MoE-varianten är den som Ant faktiskt marknadsför för poddgenerering, och just nu har den bara leverantörssiffror – 0,820 % ordFel på kinesiska, 6,000 % på koreanska – utan något oberoende bakom dem.

Den ärliga sammanfattningen är att det här inte är två versioner av samma produkt. Den ena är en liten arbetshäst under en tillåtande licens som råkar vara utmärkt på exakt den text som får röstsystem att bryta samman; den andra är en stor, licensreglerad prestandamotor som råkar vara den bäst klingande öppna modellen i fältet när den använder sin egen röstbesättning. Ledningen med 91 poäng är verklig. Den hör bara till en fråga som de flesta produkter aldrig ställer.