GPT-Live-1 vs Fish Audio Drama 3: Den ena kan du ladda ner, den andra kan du bara hyra

Fish Audio Drama 3 Preview levereras som 41,5 gigabyte nedladdningsbara vikter som du kan rikta mot din egen GPU, granska, finjustera och fortsätta köra efter att leverantören har tappat intresset. GPT-Live-1 levereras som en URL. Det finns inga vikter att ladda ner, ingen lokal inferensväg och inget sätt att höra den alls utan att öppna en session mot OpenAI:s v1/live/sessions slutpunkt för $0,05 per minut.

Det låter som en inköpsdetalj. Det är beslutet. En av de här modellerna är en tillgång med en licens knuten till sig; den andra är en tjänst med en mätare knuten till sig, och de två beter sig helt olika när din produkt överlever en prissida.

Vad Drama 3 faktiskt är

Fish Audio släppte Drama 3 Preview i mitten av oktober 2026: en text-till-tal-modell med blandning av experter och 35 miljarder parametrar, med ungefär 3 miljarder aktiva parametrar per token, byggd på en Qwen3.5-35B-A3B-stomme. Den täcker 83 språk, har plats för upp till 16 distinkta talare i en enda förfrågan, klonar röster från korta referenser och accepterar regi på vanligt språk – säg till den att en replik ska låta uppgiven, lägg till ett ljud eller markera vilka ord som ändras, och den framför det i stället för att läsa det platt.

Taket för antalet talare är den funktion som har kommersiell betydelse. Ett ljuddrama med två personer, en podd med en programledare och en gäst, en utbildningsvideo med en berättare och en kund – de är ett API-anrop var, inte sexton hopfogade filer med olika rumston.

På Artificial Analysis Provider Voice Arena, med data hämtade 29 oktober 2026, ligger Drama 3 Preview på 1240 Elo, elfte plats totalt och först bland bidragen med öppna vikter, före Breeze TTS 2 på 1228. Fish rapporterar 93,2 % uttalsrobusthet, den högsta som uppgivits vid lansering och högre än de 91,7 % som ElevenLabs rapporterar för Eleven v4.

Vad GPT-Live-1 faktiskt är

OpenAIs modell är en motsatt sorts objekt. Sedan 10 september 2026 kan den anropas för 0,05 USD per röstminut, debiteras per sekund, med ljud och text både in och ut, med stöd för strömning och funktionsanrop, men uttryckligen inte strukturerade utdata. Den är full duplex: den hör dig medan den talar och delegerar tungt resonemang till en textmodell i bakgrunden.

Det har ingen produkt för röstkloning, inget flertalarläge och inget dokumenterat sätt att ta ett manus och returnera en deterministisk ljudfil. Det som finns är en konversation. För en telefonagent är det precis rätt. För en scen med fyra karaktärer är det inte ett sämre verktyg, det är fel kategori av verktyg.

Numret som båda sidor skriver ut

Här är en detalj värd att flagga, eftersom den kommer att förvirra alla som jämför datablad: Drama 3 från Fish Audio och Ming-3.0-TTS från Ant Group rapporterar båda 93,2 % uttalsrobusthet i samma mätning från Artificial Analysis. Två olika labb, två olika arkitekturer, samma ned till en decimal.

Det är inte ett kopieringsfel och det är inte oavgjort. Det är så ett tak ser ut – de återstående 6,8 % är den hårda svansen av engelsk text: alfanumeriska sekvenser, ovanliga egennamn, tal som läses i kontext. Den som hävdar en avgörande uttalsvinst mellan de främsta modellerna med öppna vikter läser brus. Den användbara frågan är vilka felfall ditt innehåll faktiskt innehåller, och det kräver att du testar din egen text, inte att du läser en topplista.

Licensen är den del som ingen läser.

Drama 3 har öppna vikter, inte öppen källkod i permissiv bemärkelse. Det släpps under Fish Audio Community License v1.0: gratis för forskning och icke-kommersiellt arbete, gratis för kommersiell användning under 500 000 USD i årlig omsättning, och kräver ett separat avtal över den nivån. Tredjeparts-API-hosting kräver sin egen licens, och kreditering krävs.

Det är en rimlig licens och en verklig begränsning. Tre konsekvenser följer:

• Under intäktsgränsen är egen hosting genuint gratis – du betalar för el och GPU-tid och inget annat.

Ovanpå det är du tillbaka i en förhandling, och fördelen med "vi äger vikterna" snävas in till "vi kan fortfarande köra dem medan vi pratar".

• Att sälja vidare åtkomst till dina egna kunder kräver nästan helt säkert ett separat avtal, oavsett hur stor din omsättning är.

GPT-Live-1:s licens är enklare på samma sätt som ett hyresavtal är enklare: du betalar per minut, du använder den, du stoppar. Ingen intäktströskel, ingen attribueringsklausul, ingen skyldighet att redovisa antalet kunder. Den enkelheten är värd något, och den är värd mer ju mindre du är.

Vad hårdvaran faktiskt kostar

Att självhosta Drama 3 kräver ungefär 48 GB NVIDIA-minne i FP8, och omkring 41,5 GB av det är vikter. En H100 eller en hyrd instans av A100-klass klarar det; ett konsumentkort klarar det inte bekvämt. Två formuleringar följer.

Om du redan äger GPU:n är marginalkostnaden för syntesen nära noll och det värdbaserade priset framstår som absurt: Fish listar $50 per miljon tecken, kör en lanseringskampanj med $10 per miljon till och med den 12 november 2026, och Artificial Analysis anger priset på tavlan till $15. En tio minuter lång scen på cirka 9 000 tecken kostar mellan nio cent och fyrtiofem cent beroende på vilket av de tre talen du faktiskt debiteras.

Om du inte äger GPU:n hyr du en ändå, och jämförelsen blir GPU-timme mot miljontecken. Vid ett typiskt pris på 2 $ per GPU-timme producerar en modell som syntetiserar tio gånger snabbare än realtid ungefär tio timmar ljud per uthyrd timme – cirka 540 000 tecken i normal talhastighet. Det blir ungefär 3,70 $ per miljon tecken, klart under varje hostat pris i prislistan, men bara vid varaktigt utnyttjande. Vid en driftcykel under cirka 30 % tjänar uthyrningen ingenting, och antagandet om genomströmning är precis det: ett antagande som du måste mäta på din egen instans, inte en siffra som Fish publicerar.

I motsats till det är GPT-Live-1:s kostnad linjär och tråkig: 0,05 USD per minut, varje minut, ingen fast kostnad, ingen risk för kapacitetsutnyttjande. Tio minuters samtal kostar 0,50 USD. Tio minuters berättarröst för Drama 3 kostar ungefär 0,135 USD till det registrerade priset på tavlan. Olika jobb, olika mätare, och ett av dem har en fast kostnad som du kan fördela över tid.

Där hyresrätten fortfarande vinner

Efterlevnad är det tysta argumentet för den hostade modellen. Vikterna i Drama 3 kan kopieras, finjusteras till en konkurrents produkt eller lämnas körande i en jurisdiktion som ditt juridiska team har åsikter om. GPT-Live-1 ger dig en endpoint, en faktura och en leverantör som bär risken på modellsidan. För ett reglerat företag är det inte lathet; det är en försäkringspremie.

Latenspolicyn är den andra. Full-duplex-turtagning är ett beteende, inte en kontrollpunkt: en tur på 0,8 sekunder och 87 % träffsäkerhet vid verktygsanrop är vad OpenAI rapporterar för den här modellen, och båda är leverantörssiffror snarare än oberoende mätningar. Du kan inte ladda ned det beteendet med Drama 3, eftersom Drama 3 inte försöker höra dig.

Och hantering av fel är den tredje. En nedladdningsbar modell går sönder när din GPU går sönder. En hostad modell går sönder när någon annans gör det — vilket är en annan risk, inte uppenbart en värre sådan, och en som du kan skydda dig mot.

Var häcken ska placeras

Hedgen hör hemma bakom röstlagret, inte inuti det. Ingen av dessa modeller tillhandahålls av OrcaRouter: Drama 3:s vikter finns inte i vår katalog, och GPT-Live-1 har exakt en endpoint och ingen kompatibel yta. Det som är routbart är den resonemangsdel som en samtalsagent är beroende av – GPT-6 Astra, GPT-5.6 Terra, Claude, Gemini, Qwen – nåbara via en enda nyckel med automatisk failover, till leverantörernas listpriser som vidarebefordras med 0 % påslag.

Det är rätt plats att lägga din redundansbudget på. Att röstutmatningen fallerar hörs högt och tydligt; att textmodellen bakom den fallerar är det fel som under en vecka tyst förstör samtalskvaliteten. Håll örat låst vid den modell du valde. Håll hjärnan utbytbar.

Beslutet, i ett stycke vardera

Välj Drama 3 om du producerar ljud snarare än samtal: scener, poddar, dubbning, träningsinnehåll med flera karaktärer, och om du antingen ligger under intäktströskeln eller är beredd att förhandla om att ligga över den. 35B MoE, taket på sexton talare och 1240 Elo är ett genuint starkt paket, och vikterna gör att ingen kan ta det ifrån dig.

Välj {{1}}GPT-Live-1{{/1}} om produkten är ett samtal i realtid och värdet ligger i avbrottshantering. Det är dyrare per levererad minut, det ger dig ingenting att äga, och det gör det enda som {{2}}Drama 3{{/2}} strukturellt sett inte kan: lyssna medan den talar.

De två står bredvid varandra i ett specifikationsblad och ligger långt ifrån varandra i praktisk användning. Den som köper den ena med förväntan att den ska göra den andras jobb kommer att dra slutsatsen att modellen är dålig, när modellen helt enkelt aldrig fick uppgiften att göra den saken.