Fish Audio Live 3 vs Drama 3: En modell läser manuset, den andra hör rummet

Fish Audio Live 3 och Fish Audio Drama 3 är inte två svar på samma fråga, och att behandla dem som konkurrenter är det snabbaste sättet att köpa fel. Drama 3, som Fish Audio publicerade den 2026-10-13, är en text-till-tal-modell: du ger den ord och en regianvisning, och den returnerar ljud. Live 3, som tillkännagavs den 2026-11-10, är en duplexröstmodell för agentsamtal: den lyssnar medan den talar, avgör när en paus betyder "fortsätt" och när den betyder "jag är klar", och kan reagera på så lite som 186 millisekunder enligt Fish Audio. Den ena är en återgivare; den andra är en samtalspartner.

Förvirringen är förståelig, eftersom båda är Fish Audio-modeller, båda är nya och båda marknadsförs som bra på något som de andra Fish Audio-modellerna inte var. Men de ligger på olika lager i en röststack, de dokumenteras separat och bara en av dem finns med i Fish Audios publicerade prislista. Den användbara jämförelsen är därför inte vilken som är bättre — utan vilken uppgift var och en faktiskt är till för, och var de möts inom en och samma produkt.

Vad varje modell enligt dokumentationen gör

Drama 3 är en text-till-tal-modell, och de offentliga bevisen för den är preferens och uttal snarare än turtagning. På Artificial Analysis' Provider Voice Arena ligger den på sjätte plats med ett Elo på 1 278; på Controlled Voice Arena, där varje modell bedöms mot samma referensröster, ligger den på tolfte plats med 1 085. På båda listorna är den den högst rankade modellen med öppna vikter i tabellen, och det tidigare Drama 3 Preview-resultatet – det som uppmärksammades i pressen i oktober – listas fortfarande separat på 1 240 och 1 063. På benchmarken English Pronunciation Robustness får den 93,2 % totalt, delad förstaplats bland 31 poängsatta modeller tillsammans med Ming-3.0-tts, där kategoruppdelningen är viktigare än huvudresultatet: 95,9 % på fristående termer som varumärken och tekniska namn, 93,6 % på att expandera kortformer som siffror och datum, 86,3 % på att bevara exakta sekvenser som koder och sökvägar, och 95,3 % på kontextuellt lämpligt uttal.

Live 3:s offentliga bevis har en helt annan form. Fish Audios tillkännagivande är uppbyggt kring konversation snarare än rendering, och dess tre genomarbetade exempel handlar alla om timing.

• Ett telefonnummer som läses upp i bitar – "415… 555… 0132" – där Live 3 kan säga "mm-hmm" eller "okej, 415" mellan bitarna och sedan vänta på resten.

• En uppringare som säger ”yeah” eller ”mm-hmm” medan agenten läser upp öppettider, där Live 3 fortsätter i stället för att behandla bekräftelsen som ett avbrott.

• En uppringare som ändrar en beställning mitt i yttrandet – "två pizzor… nej, tre. Tre stora. Och… gör faktiskt en av dem till en margherita" – där Live 3 väntar igenom varje korrigering i stället för att agera på den första rimliga fullständiga beställningen.

Fish Audio uppger att modellen kan välja att svara på så lite som 186 millisekunder och beskriver korta reaktioner som "mm-hmm", "okay" och snabba bekräftelser snarare än fullständiga svar. Den talar endast engelska vid lanseringen och finns på Fish Agent Platform, via Fish Audios API och lokalt installerad för företag. Det den inte har är något publicerat benchmark, någon oberoende poäng — Artificial Analysis har ingen Live 3 duplex-rad per 2026-11-11 — eller en rad på Fish Audios prislista.

Varför prisenheterna säger dig att de är olika produkter

Fish Audio debiterar för Drama 3 i UTF-8-byte av indatatext: 50,00 USD per miljon byte till listpris, med en lanseringskampanj på 10,00 USD per miljon som pågår till och med 2026-11-30. Företagets egen dokumentation omvandlar en miljon UTF-8-byte till ungefär 180 000 engelska ord, eller cirka tolv timmar tal – vilket ger drama-3 ett pris på ungefär 4,17 USD per timme genererat ljud till listpris, och runt 0,83 USD per timme under kampanjen. Den enheten finns eftersom TTS har en känd mängd text som går in och en känd mängd ljud som kommer ut.

Live 3 passar inte alls den enheten, och den saknas i prislistan. Ett duplex agentsamtal har inget fast manus: inljudet är vad den som ringer säger, utljudet är hur mycket modellen än väljer att säga, och den intressanta kostnaden är anslutningsminuter snarare än textbyte. Fish Audio har inte offentliggjort vilken mätmetod som kommer att användas, vilket är anledningen till att Live 3-kolumnen i varje kostnadsjämförelse är tom snarare än billig.

Det de två modellerna har gemensamt är en plattform. Fish Audio's Agent Platform, som för närvarande är i offentlig beta, är värd för Live 3-agenter och exponerar ett REST-gränssnitt under /v1/agent/* med JavaScript- och React-SDK:er, kanaler för en webbwidget, ett telefonnummer eller en anpassad klient, samt autentisering med sessionstoken. Hooken för anpassad LLM på plattformen pekar mot en OpenAI-kompatibel endpoint, vilket är skarven där ett resonemangslager efter eget val kopplas in.

Där de möts i en produkt

Den intressanta frågan är inte vilken modell som vinner, utan hur en enda produkt ser ut när båda används till det de är bra på. En bokningslinje behöver Live 3 i det direkta samtalet, eftersom det är i samtalet som pauser och korrigeringar uppstår. Samma produkt behöver vanligtvis också Drama 3, eller en liknande modell, för allt som inte är en konversation: bekräftelsen som läses tillbaka efter samtalet, röstbrevlådehälsningen, den utgående påminnelsen, den långa berättarrösten på marknadsföringssidan som fick den som ringde att hamna där. Det är renderingsjobb med ett känt manus, och Drama 3:s offentliggjorda styrkor – preferens bland lyssnare, 93,2 % uttal, 83 språk, de öppna vikterna publicerade under Fish Audio Community License v1.0 med ett intäktstak på 500 000 dollar – är precis de styrkor som ett renderingsjobb behöver.

Den uppdelningen får en kostnadskonsekvens som är värd att säga rakt ut, för det är här ett routningslager slutar vara en abstraktion. Resoneringslagret bakom en Live 3-agent kan peka mot vad som helst som talar OpenAI-protokollet; OrcaRouter ligger bakom den endpointen med 216 modeller från en enda nyckel, till leverantörens listpris utan påslag och automatisk failover när en leverantör får fel, så att planeraren inuti agenten kan bytas ut utan att röra röstlagret eller telefonnumret. Ett routnings-DSL avgör vilken modell som hanterar vilken typ av samtal, och modellfusion låter en billig modell ta fram ett verktygsanrop medan en starkare kontrollerar det innan det skickas. OrcaRouter har inte Fish Audio Live 3 eller Drama 3 — ingendera är tillgänglig via en tredjeparts-endpoint, och röstlagret i den här stacken stannar hos Fish Audio. Det som ligger där är allt runtomkring rösten.

Vilken du faktiskt behöver

Du behöver Drama 3 om resultatet är en fil. Berättarröst, ljudböcker, reklam, karaktärsröst, dubbning, tillgänglighetsuppläsningar – allt där en människa har skrivit orden och en lyssnare ska höra dem en gång, färdigpolerat. Den har preferenspoängen, uttalsuppdelningen, antalet språk och en publicerad taxa per byte som du kan göra prognoser utifrån. Den har också öppna vikter, vilket spelar roll om du behöver köra den själv.

Du behöver Live 3 om utdata är ett samtal som måste överleva att bli avbrutet. Telefonagenter, bokningslinjer, orderupptagning, supporttriage – allt där den som ringer pratar tillbaka och felmoden är att bli överpratad eller behöva upprepa en siffersekvens. Det har ett beteendeargument, en leverantörs latensgolv och en plattform, och det har ännu inget benchmark eller något pris.

Du behöver förmodligen båda om du bygger en röstprodukt snarare än en demo, och uppdelningen följer gränsen mellan live och renderat. Misstaget att undvika är att välja den ena för att göra den andras jobb: en TTS-modell kan inte avgöra när den ska sluta prata, och en duplex-agentmodell är ett dyrt och inte utvärderat sätt att producera en röstbrevlådehälsning. Fish Audio säljer båda, prisenheterna skiljer sig medvetet, och en färdplan som behandlar dem som en produkt kommer att felprognostisera sina egna kostnader från första månaden.