Fish Audio Drama 3 vs VoxCPM2: En topplista mot ett datablad

Fish Audio Drama 3 har en Elo-poäng och det har inte VoxCPM2, vilket gör den uppenbara jämförelsen mellan dem omöjlig och den intressanta lätt att missa. Drama 3, som tillkännagavs den 13 oktober 2026 och sedan dess har poängsatts av Artificial Analysis, ligger på sjätte plats av 100 på Provider Voice Arena med 1 278. VoxCPM2 har ingen rad på någon av Artificial Analysiss rösttopplistor, och den saknas i båda arenorna som nämns på den här sidan. Vad båda labben däremot publicerar är Seed-TTS-eval, och där säger siffrorna något som en enda rankning inte kunde: i varje leverantörs egen körning behöver Drama 3 två pass för att slå VoxCPM2:s ett pass. Valet mellan dessa två modeller handlar egentligen inte om kvalitet. Det handlar om huruvida du vill ha en prestandamotor som du hyr per tecken, eller en modell med två miljarder parametrar som du kan hålla.

Den ena har ett Elo, den andra har ett datablad.

Asymmetrin är värd att sägas rakt ut, eftersom de flesta jämförelsesidor tyst slätar över den. Drama 3 finns på varje rankingtavla som betyder något: sjätte plats av 100 i Provider Voice Arena med 1 278, tolfte plats av 49 i Controlled Voice Arena med 1 085, delad förstaplats av 31 i robusthet för engelskt uttal med 93,2 %. VoxCPM2 finns på ingen av dem.

Den frånvaron är inte en skandal, och den är inte ny. VoxCPM2 har varit ute sedan våren 2026 – projektets dokumentation daterar 2.0-serien till mars, källkodsarkivet taggar den 2026.04, och den tekniska rapporten publicerades i juni som arXiv:2606.06928 – och under hela den tiden har ingen placerat den i en blind lyssnararena. Den mest sannolika förklaringen är tråkig: arenaplatser fylls vanligtvis av leverantörer som har en hostad endpoint att marknadsföra, och OpenBMB säljer ingen. VoxCPM2 levererar vikter på Hugging Face och ModelScope och en OpenAI-kompatibel /v1/audio/speech-server via vLLM-Omni, och det är hela distributionshistorien.

Så den ärliga ståndpunkten är denna: antingen kan vi jämföra Drama 3 mot en poängsiffra, eller så kan vi jämföra de två modellerna mot varandra. Vi kan inte göra båda samtidigt, och varje sida som presenterar ett VoxCPM2-mot-Drama 3-Elo hittar på ett sådant.

Den enda axeln som båda publicerar

Seed-TTS-eval är det närmaste detta område kommer en gemensam måttstock, och båda labben rapporterar mot det. Haken är att ingen av dem publicerar en fullständig tabell i samma format, så det som följer är två leverantörer som mäter sig själva.

• Engelsk ordningsfelkvot — Drama 3 rapporterar 1,54 % på en slutlig tagning och 2,20 % på sin första tagning; VoxCPM2 rapporterar 1,84 % i ett enda genomlopp. Den färdiga tagningen från Drama 3 är den bästa av de tre siffrorna, och dess första tagning är den sämsta.

• Kinesisk felkvot – Drama 3 på 0,83 % CER på en slutlig tagning, 1,00 % på dess första; VoxCPM2 på 0,97 % CER. Samma mönster, där Drama 3:s slutliga tagning ligger före och dess första ungefär på samma nivå.

• Talarlikhet – Drama 3 rapporterar 0,640 på engelska (skala 0–1); VoxCPM2 rapporterar 75,3 på engelska och 79,5 på kinesiska, vilket enligt den 0–100-konvention som används på andra håll i dess rapport är 0,753 och 0,795. VoxCPM2 är den starkare klonaren enligt dess egna siffror.

• Bredare stress — VoxCPM2 publicerar även felkvoter för CV3-eval över elva språk (3,65 % zh, 5,00 % en, 8,55 % hard-zh, 9,85 % fr, 4,25 % it, 5,21 % ru) och ett internt genomsnitt på 1,68 % för 30 språk. Drama 3 publicerar ingen motsvarande felkvotstabell per språk, så det finns inget att ställa bredvid dem.

Ta likhetsgapet på allvar och ordfelgapet med en lättsam inställning. Talarlikhet är det mått som mest sannolikt överlever en skillnad i utvärderingsramverk, eftersom det är ett cosinusavstånd mellan embeddingar av samma referensljud. Ordfelsfrekvenser beror på normalisering, textförbearbetning och vilka referensklipp som användes, och de två labben var inte skyldiga att vara eniga om något av detta. Riktningen är trovärdig – VoxCPM2 klonar mer troget, Drama 3 transkriberar mer korrekt efter revidering – men magnituderna utgör inte en mätning.

Revisionsskatten som ingen sätter i rubriken

1,54 % och 2,20 % är samma modell i samma test och skiljer sig bara i huruvida tagningen godkändes vid första försöket. Fish Audios tekniska rapport är ovanligt ärlig om detta: den redovisar båda, eftersom revidering med flera tagningar är produkten. Budskapet är att du regisserar en replik i klartext, lyssnar, omdirigerar och behåller den tagning du vill ha – och benchmarken återspeglar den behållna tagningen.

Om det är så din pipeline fungerar är 1,54 % siffran du kommer att se. Om du streamar ett enda pass in i ett livesamtal, en replik i en speldialog eller en batchrendering utan människa i loopen, köper du 2,20 % – sämre än VoxCPM2:s enkelpass på 1,84 %. Den inversionen är det mest användbara faktumet i den här jämförelsen och det som ingen av leverantörernas tabeller gör tydligt. Den prissätter också arbetsflödet: varje extra tagning är ännu en fullständig syntes, och Drama 3 fakturerar efter indatatecken, så en vana med tre tagningar tredubblar fakturan.

VoxCPM2 har ingen revisionsmekanism av det här slaget. Den erbjuder fyra genereringslägen – zero-shot, fortsättning, endast referens samt kombinerad referens och promptljud – och dess svar på en dålig tagning är att rendera igen med andra stiltaggar. Billigare per försök, eftersom du inte betalar per tecken, men utan minne på modellnivå av den förkastade tagningen.

Hårdvarugolvet är det faktiska beslutet

Det är här de två modellerna upphör att vara substitut.

• VoxCPM2:s minnesavtryck – cirka 8 GB VRAM, en realtidsfaktor på ungefär 0,30 på ett RTX 4090 och 0,13 med Nano-VLLM; projektet rapporterar även 1,76 vid Q8_0 på en Apple M4 Pro via llama.cpp-omni. Det körs på en arbetsstation.

Drama 3-fotavtryck — Fish Audio publicerar inget minimikrav för VRAM. Dess genomströmningstabell mättes på H200:or: 166,7 frames/s och en median på 88,9 ms till första ljudet vid en samtidig ström, 927,6 frames/s vid sexton samtidiga strömmar, 1 687 frames/s vid sextiofyra, med ett RTF på 0,131 vid enkelströmsinställningen. Recensenter menar att bf16-kravet ligger på ett 48 GB-kort, och 4-bitarsbyggen från communityn uppges kräva ungefär 32 GB. Den körs på en server eller på någon annans maskin.

• Förbehåll för genomströmning – lanseringsinlägget anger 271 bildrutor per sekund från en enda H200, medan modellkortets streamingtabell som mest når 166,7 vid en förfrågan. Båda kan vara sanna för olika mätuppsättningar, men det innebär att den hastighetssiffra som anges i rubriken inte är den som ditt lasttest kommer att återskapa.

Räkningen följer. En miljon tecken motsvarar ungefär femton till tjugo timmar färdigt tal i normal berättartakt. På ett 4090 med ett RTF på 0,30 blir det fem till sex timmar GPU-tid; via Fish Audio API kostar det 10 US-dollar under lanseringskampanjen och 50 US-dollar efter att den slutar den 12 november. Att självhosta VoxCPM2 är billigare per timme ljud och mycket billigare per timme experimenterande – du kan iterera på en röstdesign en hel eftermiddag utan att titta på en mätare.

Routning upphäver inte det valet, så det är värt att vara precis om vad den gör. OrcaRouter hostar inte någon av modellerna; Drama 3 finns via Fish Audios eget API och flera tredjepartsplattformar, och VoxCPM2 finns som vikter som du själv serverar. Det vi däremot levererar är talsidan av pipelinen runt dem – Geminis TTS-linje och OpenAI:s TTS-1-HD, med automatisk failover mellan leverantörer, så att en hostad slutpunkt som blir ohälsosam inte tar ner produkten med sig. Om frågan är "vilken av dessa två ska jag köra", avgörs svaret av VRAM, inte av routning.

Att regissera en föreställning kontra att designa en röst

De två modellerna är oeniga om var det kreativa arbetet sker, och den oenigheten är arkitektonisk snarare än kosmetisk.

Drama 3 är ett regissörsverktyg. Du skriver instruktioner inom hakparenteser före orden de styr — [med gråten i halsen, gråter tyst] — och ändrar dem mitt i meningen. Parade taggar avgränsar en regianvisning till specifika ord: <whisper>, <emphasis>, <soft>, <fast>, <slow>, <stress>, <forceful>. Uttalet kan låsas fonem för fonem med CMU Arpabet, pinyin eller romaji, och scener tar en array med ett röst-ID per talare. Flera tagningar kan revideras med hänvisning till tidigare, och inpainting på ordnivå renderar om ett enskilt markerat ord så att det passar in i tagningen runt det — men både interaktiv redigering och inpainting testas fortfarande endast på inbjudan, med ett redigerings-API som anges som kommande.

VoxCPM2 är ett designverktyg. Dess främsta funktion är Voice Design: beskriv en talare på naturligt språk och få en röst helt utan referensljud. Utöver det gör den zero-shot-kloning, fortsättning från en prompt, referensbaserad kloning med en isolerad referenskanal (så du behöver inte transkriptionen som matchar klippet) samt styrning av stilen via taggar. Begränsningen är omfattningen: den formar en röst och ett framförande, inte en scen. Det finns ingen syntax för talararrayer, inget dialogläge för flera karaktärer, ingen reparation på ordnivå.

För ett ljuddrama med två skådespelare avgör den skillnaden saken redan innan någon benchmark gör det. För en produkt som behöver en konsekvent varumärkesröst i en hel katalog är VoxCPM2:s designläge den kortare vägen, och Drama 3:s regisyntax är mestadels overhead.

Samplingsfrekvens, språk och codec-argumentet

• Utdata – VoxCPM2 sänder i 48 kHz via en asymmetrisk AudioVAE V2 som kodar vid 16 kHz och avkodar vid 48 kHz; Drama 3 ligger kvar på 44,1 kHz och genererar via en Descript Audio Codec med tio kodböcker i ungefär 21,5 bildrutor per sekund. VoxCPM2:s extra 3,9 kHz är verkliga men hörs sällan bredvid ett komprimerat leveransformat.

• Arkitektur — VoxCPM2 är tokenizerfri till sin design, förutspår kontinuerliga latenter direkt på en MiniCPM-4-stomme och menar att ljudkodeken är flaskhalsen; Drama 3 behåller diskreta tokens och lägger sina 35B på en kodaboksbaserad multi-token-prediktionsavkodare som förutspår de nio residualkodaböckerna efter de två första. Två satsningar på var kvalitetstaket sitter.

• Språk — Drama 3 uppges ha 83, mot 30 för VoxCPM2 plus nio kinesiska dialekter (sichuanesiska, kantonesiska, wu, nordöstra, henanska, shaanxi, shandong, tianjin, minnan). Om du behöver thailändska, vietnamesiska, hebreiska och swahili har VoxCPM2 alla fyra och Drama 3 är inte uppenbart bättre på något av dem; om du behöver 83 är bara en av dem aktuell.

• Träningsdata – VoxCPM2 tränades på 2,36 miljoner timmar tal (1,8 M kinesiska och engelska plus 560 000 flerspråkiga), en siffra som dess dokumentation publicerar exakt. Fish Audio publicerar inte motsvarande, vilket inte så mycket är en kritik som ännu ett ställe där de två uppsatserna inte är skrivna för att jämföras.

Licensen: det enda stället där VoxCPM2 vinner klart

VoxCPM2 är Apache 2.0. Varje företag, oavsett intäkter, kan bädda in det, modifiera det, finjustera det, distribuera det vidare och sälja resultatet, utan tröskelvärde och utan förhandling. LoRA- och SFT-finjustering stöds och är dokumenterad.

Drama 3 är under Fish Audio Community License v1.0: gratis för forskning och icke-kommersiellt arbete, gratis för kommersiell användning så länge du och dina anslutna företag har under 500 000 US-dollar i årlig omsättning, och en förhandlad licens därutöver – eller oavsett storlek om du vill erbjuda Drama 3 som en TTS-, röstklonings- eller inferenstjänst. Färdigt kundljud är uttryckligen tillåtet oavsett omsättning; ett konkurrerande syntes-API är det inte. Artificial Analysis flaggar det som "öppna vikter utan kommersiella användningsrättigheter", vilket är en rimlig enradssammanfattning av gränsen.

Det finns också en detalj att kontrollera i stället för att lita på: Hugging Face-metadata för fishaudio/drama-3 anger fortfarande fish-audio-research-license, medan texten på modellkortet beskriver Community License. Läs licensfilen i förvaret innan du bygger en produkt utifrån taggen.

För ett finansierat företag som lanserar en röstfunktion är det hela jämförelsen i en rad: VoxCPM2 kostar dig ingenting i juridisk granskning, Drama 3 kostar dig ett samtal med ett säljteam.

Välj efter begränsning, inte efter poäng.

Du har en GPU och en produkt att lansera. VoxCPM2. Åtta gigabyte, Apache 2.0, 48 kHz och ett röstdesignläge som ger dig en användbar varumärkesröst redan första eftermiddagen. Du ger avkall på scenregi och kategorins bästa leverantörsröstpoäng.

Du producerar skriptat ljud med en människa i loopen.Drama 3. Riktning inom hakparenteser, avgränsade taggar, skiften mitt i meningar och reparation på ordnivå är det närmaste öppna vikter kommer en inspelningssession, och den engelska WER:en på 1,54 % är vad revisionsloopen ger. Budgetera för prisändringen den 12 november och läs serviceklausulen först.

Du behöver ett språk utanför de trettio. Drama 3, eller ingetdera – men kontrollera det specifika språket mot Fish Audios egna påståenden om täckning i stället för "83" på burken.

Du klonar en specifik persons röst i stor skala. VoxCPM2:s röstlikhet är det bästa värdet på den här sidan, och dess isolerade referenskanal innebär att du kan klona från ett klipp utan matchande transkript. Drama 3:s fördel är regi, inte trohet mot en referens.

Det enda man inte ska göra är att rangordna dem. Det finns ingen gemensam arena, ingen gemensam studie av mänskliga preferenser och ingen gemensam felrigg – bara en modell med ett Elo och en med ett datablad, och ett beslut som avgörs av vilken hårdvara du äger och vad licensen tillåter dig att göra med den.