ตอนนี้ Fish Audio Drama 3 ครองสังเวียนด้านเสียงทั้งสองแห่งได้พร้อมกันแล้ว — และไม่มีตัวเลขไหนเลยที่เป็นตัวเลขที่คุณเห็นเมื่อสัปดาห์ที่แล้ว

บนกระดานจัดอันดับมีบันทึกสองรายการสำหรับผลิตภัณฑ์เดียว Fish Audio Drama 3อยู่อันดับที่หกบน Artificial Analysis Provider Voice Arena ด้วยค่า Elo 1,278 และอยู่อันดับที่สิบสองบน Controlled Voice Arena ด้วยค่า 1,085 และบนกระดานทั้งสองนี้ ถือเป็นโมเดลแบบเปิดน้ำหนักที่อยู่อันดับสูงสุดในตาราง บันทึกที่ติดป้ายว่า Fish Audio Drama 3 Preview — รายการที่ได้รับความสนใจจากสื่อเมื่อ Fish Audio เผยแพร่เมื่อ 2026-10-13 — ยังคงถูกแสดงแยกต่างหาก ที่ 1,240 และ 1,063 นั่นคือส่วนต่าง 38 คะแนนบนกระดานหนึ่ง และ 22 คะแนนบนอีกกระดาน สำหรับสิ่งที่หน้าผลิตภัณฑ์ของผู้จำหน่ายเองเรียกว่าโมเดลเดียวภายใต้สองชื่อ หากคุณได้อ้างอิงค่า Elo ของ Drama 3 ในช่วงสองสัปดาห์ที่ผ่านมา นี่คือข้อมูลที่บอกคุณว่าคุณกำลังอ้างอิงรายการใดในสองรายการนี้

สิ่งที่ป้ายต่าง ๆ บอกจริง ๆ ในวันนี้

ตัวเลขทั้งสองอ่านมาจาก Artificial Analysis เมื่อวันที่ 2026-10-29 และทั้งคู่มาพร้อมราคา $15.00 ต่อล้านอักขระที่บันทึกไว้บนกระดานเดียวกัน ดังนั้นช่องว่าง 38 คะแนนจึงไม่ใช่การเปลี่ยนแปลงราคา — แต่เป็นการประเมินสองครั้งของสองสถานะที่เก็บถาวรของโมเดลเดียวกัน อันดับเสียงของผู้ให้บริการที่อยู่เหนือ Drama 3 ล้วนเป็นระบบปิด: Eleven v4 Turbo ที่ 1,336 คะแนนและ $40.00, Eleven v4 ที่ 1,334 คะแนนและ $80.00, Qwen-Audio-3.1-TTS-Plus ที่ 1,305 คะแนนและ $19.30, Cartesia Sonic 3.6 ที่ 1,296 คะแนนและ $49.00 และ Google Gemini 3.8 Flash TTS ที่ 1,283 คะแนนและ $16.50 ทุกรายมีค่าใช้จ่ายต่อล้านอักขระสูงกว่ารายการ Fish Audio ที่อยู่ในอันดับถัดลงไปทันที

กระดาบจัดอันดับเสียงแบบควบคุมคือจุดที่บันทึก Drama 3 ทั้งสองรายการแยกจากกันชัดเจนที่สุดในแง่อันดับ และเป็นจุดที่ตรวจสอบข้อกล่าวอ้างเรื่องโมเดลโอเพนเวตส์ได้ง่ายที่สุด เพราะโมเดลทั้งหมดที่นั่นได้รับการให้คะแนนจากเสียงอ้างอิงชุดเดียวกันที่กำหนดไว้ตายตัว แทนที่จะใช้แคตตาล็อกเสียงของแต่ละผู้พัฒนาของตนเอง การกระจายคะแนนเต็มรูปแบบของรายการโมเดลโอเพนเวตส์ ณ วันนี้:

เสียงผู้ให้บริการ — Fish Audio Drama 3 1,278 (#6); Fish Audio Drama 3 Preview 1,240 (#12); Breeze TTS 2 1,228 (#13); Voxtral 3 TTS 1,223 (#15)

• เสียงที่ควบคุมได้ — Fish Audio Drama 3 1,085 (#12); Ming-3.0-tts 1,068 (#17); Fish Audio Drama 3 Preview 1,063 (#20); Breeze TTS 2 1,021 (#28)

• ช่องว่างที่สำคัญ — ในกลุ่มเสียงที่ควบคุมได้ Drama 3 ยังตามหลัง Eleven v4 (1,156, #4) และ Inworld Realtime TTS-2 (1,146, #7) โดย Google Gemini 3.8 Flash TTS (1,053, #24) อยู่ต่ำกว่า แต่ระบบปิดที่อยู่บนสุดของกระดานนั้นไม่ได้ห่างเพียงสี่คะแนน หากห่างถึงเจ็ดสิบ HeyGen Voice นำอยู่ที่ 1,193

มีสองประเด็นตามมา ประการแรก “อันดับหนึ่งในกลุ่มโมเดลโอเพนเวต” เป็นจริงบนทั้งสองอารีนาในวันนี้ และไม่ใช่ผลเสมอในทั้งสองแห่ง ประการที่สอง ส่วนต่างบนบอร์ดควบคุม — 17 Elo เหนือ Ming-3.0-tts ที่จำนวนพารามิเตอร์เพียงหนึ่งในห้า — อยู่ในช่วงที่คะแนนเสียงสองสามพันเสียงสามารถเปลี่ยนลำดับได้ ดังนั้นให้ถือว่าเป็นเพียงการนำอยู่ ไม่ใช่การล็อกผลไว้แน่นอน

คะแนนการออกเสียงเป็นที่หนึ่งร่วม ไม่ใช่ที่หนึ่งแต่เพียงผู้เดียว

ประกาศของ Fish Audio ระบุว่าทำได้ 93.2% ในเกณฑ์มาตรฐาน English Pronunciation Robustness ของ Artificial Analysis เทียบกับ 88.1% ของ S2.1 Pro รุ่นก่อนหน้า และอธิบายว่าเป็นคะแนนสูงสุดบนตารางอันดับ ข้อมูลดังกล่าวถูกต้อง ณ เวลาที่คะแนนถูกบันทึกเมื่อ 2026-10-20 โดยมีข้อแม้หนึ่งที่ข้อความทางการตลาดไม่ได้ระบุไว้ ได้แก่ Ming-3.0-tts ของ Ant Group ทำได้ 93.2% เท่ากัน ดังนั้นตารางจึงแสดงผลเสมอกันที่อันดับหนึ่งในบรรดา 31 โมเดลที่ได้รับการให้คะแนน ไม่ใช่ผู้นำเพียงรายเดียว Eleven v4 อยู่ที่ 91.7% และ Eleven v4 Turbo อยู่ที่ 90.1%

ตัวเลขรวมปิดบังการแลกเปลี่ยนที่แท้จริง จุดแข็งของ Drama 3 คือคำนามเฉพาะและคำที่ขึ้นอยู่กับบริบท — 95.9% สำหรับคำที่ยืนลำพัง เช่น แบรนด์ สถานที่ และชื่อทางเทคนิค และ 95.3% สำหรับคำที่การอ่านขึ้นอยู่กับประโยค จุดอ่อนของมันคือสิ่งใดก็ตามที่ต้องทำซ้ำแบบตัวต่อตัว: 86.3% สำหรับรหัส พาธ และที่อยู่อีเมล ซึ่งเป็นจุดที่ Ming ทำได้ 90.6% หมวดเดียวที่ Drama 3 แพ้อย่างชัดเจนคือการขยายคำย่อ — ตัวเลข วันที่ และหน่วย — ที่ 93.6% เทียบกับ 94.1% ของ Eleven v4 หากไปป์ไลน์ของคุณอ่านหมายเลขคำสั่งซื้อ รหัสชิ้นส่วน หรือสตริงการติดตามออกเสียง ตัวเลขพาดหัว 93.2% เป็นตัวเลขที่ผิดสำหรับใช้วางแผน ส่วน 86.3% คือตัวเลขที่ถูกต้อง

มีอะไรเปิดตัวเมื่อวันที่ 2026-10-13 และสิบหกวันเปลี่ยนอะไรไปบ้าง

ทั้งหมดนี้ไม่ใช่การเปิดตัว และไม่ควรถูกรายงานว่าเป็นการเปิดตัว Fish Audio ได้นำโมเดลนี้เข้าสู่เว็บแอป แอป iOS และ Android และ API ของตนเมื่อ 2026-10-13 โดยมี model id ใน API คือ "drama-3" สิ่งใหม่ในสองสัปดาห์ที่ผ่านมาคือการให้คะแนนโมเดลฉบับวางจำหน่ายโดยอิสระ ไม่ใช่การมีอยู่ของโมเดล ผลในทางปฏิบัติของความแตกต่างนี้ควรอธิบายให้ชัดเจน เพราะการรายงานข่าวเกี่ยวกับโมเดลนี้ก่อนหน้านี้ — รวมถึงในบล็อกนี้ — ถูกเขียนขึ้นโดยอ้างอิงข้อมูล Preview

สถาปัตยกรรมไม่มีการเปลี่ยนแปลงระหว่างสองเรกคอร์ด: mixture-of-experts ขนาด 35 พันล้านพารามิเตอร์ที่เริ่มต้นจาก Qwen3.5-35B-A3B โดยมีพารามิเตอร์ที่ใช้งานประมาณ 3 พันล้านตัวต่อโทเค็น และมี routed expert 8 จาก 256 ตัวพร้อม shared expert หนึ่งตัวทำงานอยู่ สี่สิบชั้นจัดเรียงเป็นบล็อกซ้ำ ๆ ประกอบด้วยชั้น Gated DeltaNet สามชั้นและชั้น gated full-attention หนึ่งชั้น ดังนั้นจึงมีเพียงหนึ่งในสี่ของชั้นทั้งหมดที่เก็บ KV cache ดีโคเดอร์เป็นการออกแบบ codebook-MTP — ชั้น shared สี่ชั้นป้อนเข้าสู่ชั้น full-width เก้าชั้น หนึ่งชั้นต่อ acoustic codebook หนึ่งชุด — และมีเพียง codebook 0 กับ 1 เท่านั้นที่ถูกป้อนกลับเข้าสู่ backbone tokenizer เป็นการตั้งค่า Descript Audio Codec แบบเดียวกับที่ S2 ใช้: 44.1 kHz, สิบ codebook, ประมาณ 21.5 เฟรมต่อวินาที, เป็นแบบ causal อย่างสมบูรณ์ มีความไม่สอดคล้องเล็กน้อยหนึ่งจุดที่ควรทราบ เพราะจะทำให้ใครก็ตามที่เปรียบเทียบสองแหล่งข้อมูลสับสน: ประกาศของ Fish Audio ระบุว่า 35 พันล้านพารามิเตอร์ และ model card บน Hugging Face รายงานขนาดโมเดลเป็น 36B ความแตกต่างนี้น่าจะเป็นเรื่องการปัดเศษหรือวิธีการนับจำนวน embedding มากกว่าจะเป็น checkpoint ที่แตกต่างกัน แต่ตัวเลขสองตัวนี้คือสิ่งที่คุณจะพบในแต่ละแหล่ง

ทรูพุตบน H200 ตัวเดียวอยู่ที่ 271 เฟรมต่อวินาทีตามตัวเลขจากผู้จำหน่าย เทียบกับ 177 สำหรับ S2 ซึ่งเป็นสิ่งที่ MoE ขนาด 35B ที่มีเส้นทาง active ขนาด 3B ควรให้ได้ การให้บริการทำผ่าน SGLang-Omni เวตต์อยู่บน Hugging Face ในชื่อ fishaudio/drama-3 — ประมาณ 40 GB กระจายอยู่ในชุดไฟล์ shard ของ safetensors หลายไฟล์ บวกไฟล์ codec แยกต่างหาก — และการอนุมานด้วย FP8 ต้องใช้ VRAM ประมาณ 48 GB โดยไม่มีเส้นทาง CPU หรือ ROCm ที่มีเอกสารรองรับ ข้อจำกัดสุดท้ายนั่นเองคือสิ่งที่ตัดสินคำถามเรื่องการโฮสต์ด้วยตัวเองเป็นส่วนใหญ่ และเป็นหัวข้อของการเปรียบเทียบ Breeze TTS 2 ไม่ใช่การเปรียบเทียบนี้

ราคาสามแบบ และการ์ดใบนั้นไม่ใช่ใบที่คุณควรวางแผนรับมือ

ในที่นี้ การระบุแหล่งที่มาต้องชัดเจน เพราะมีตัวเลขสามจำนวนหมุนเวียนอยู่ และสองจำนวนในนั้นไม่ใช่สิ่งที่ดูเหมือนเป็น Artificial Analysis บันทึกไว้ที่ $15.00 ต่อล้านอักขระสำหรับรายการ Drama 3 ทั้งสองรายการ หน้าประกาศของ Fish Audio เองระบุราคาปกติที่ $50.00 ต่อล้านอักขระ โดยมีอัตราเปิดตัวที่ $10.00 ลด 80% จนถึงวันที่ 2026-11-12 และเอกสารสำหรับนักพัฒนาของ Fish Audio คิดเงินในหน่วยที่สามโดยสิ้นเชิง คือต่อล้านไบต์ UTF-8 โดย drama-3 อยู่ที่ $50.00, s2.1-pro อยู่ที่ $15.00 และอัตราเปิดตัวที่ $10.00 จนถึง 2026-11-12 09:00 PT ภาษาอังกฤษใกล้เคียงกับหนึ่งไบต์ต่อหนึ่งอักขระ ดังนั้นตัวเลขหน่วยไบต์และหน่วยอักขระจึงใช้แทนกันได้คร่าว ๆ สำหรับข้อความภาษาอังกฤษ และแตกต่างกันอย่างมากสำหรับระบบอักษรที่ใช้มากกว่าหนึ่งไบต์ต่อหนึ่งกลิฟ

ตัวเลข $15.00 บนกระดานจัดอันดับ (leaderboard) สมควรได้รับการพิจารณาอีกครั้งมากกว่าจะแค่ยักไหล่ เพราะมันเป็นอัตราตามราคาปกติของ s2.1-pro ซึ่งเป็นโมเดลก่อนหน้าของ Fish Audio อย่างพอดีย ไม่ใช่อัตราของโมเดลที่กำลังถูกให้คะแนนอยู่ อาจเป็นได้ว่ากระดานบันทึกตัวเลขแบบผสมหรือแบบยกมา หรือไม่ก็กำหนดราคาโมเดลในอัตราที่ Fish Audio ไม่ได้ประกาศไว้สำหรับโมเดลดังกล่าว ตัวเลขที่ควรใช้ตั้งงบประมาณคือตัวเลขในตารางราคาของ Fish Audio เอง: $50.00 ต่อหนึ่งล้านไบต์ UTF-8 ในราคาปกติ ซึ่งเอกสารของผู้ให้บริการเทียบว่าอยู่ที่ประมาณ 180,000 คำภาษาอังกฤษ หรือประมาณสิบสองชั่วโมงของเสียงพูด — เรียกได้ว่า $4.17 ต่อชั่วโมงเสียงที่เสร็จสมบูรณ์ ส่วนลดเปิดตัวที่หมดอายุในสองสัปดาห์ไม่ใช่ตารางอัตราค่าบริการ ที่ $10.00 สิบสองชั่วโมงเดียวกันมีค่าใช้จ่ายประมาณ $0.83

สัญญาอนุญาต: เปิดเผยน้ำหนักโมเดล แต่ไม่ใช่โอเพนซอร์ส และมีเงื่อนไขหนึ่งข้อที่ชี้ขาดหลายอย่าง

น้ำหนักโมเดลเผยแพร่ภายใต้ Fish Audio Community License v1.0 การใช้งานเพื่อการวิจัยและไม่ใช่เชิงพาณิชย์สามารถทำได้ฟรี การใช้งานเชิงพาณิชย์สามารถทำได้ฟรีหากคุณและบริษัทในเครือมีรายได้ต่อปีต่ำกว่า US$500,000 หากเกินกว่านั้น หรือหากคุณต้องการให้ Drama 3 เป็นบริการแปลงข้อความเป็นเสียง การโคลนเสียง หรือบริการอนุมาน คุณต้องมีใบอนุญาตแยกต่างหากจาก Fish Audio ใบอนุญาตยังห้ามการโคลนเสียงของบุคคลจริงโดยไม่ได้รับความยินยอม และ FAQ ของ Fish Audio ถือว่า "การสร้างเสียงสำเร็จรูปให้ลูกค้า" เป็นสิ่งที่ได้รับอนุญาต ซึ่งเป็นข้อกำหนดที่สำคัญสำหรับเอเจนซีและสตูดิโอโพสต์โปรดักชัน S2 ยังคงอยู่ภายใต้ Research License ที่เข้มงวดกว่า ดังนั้นสองรุ่นนี้จึงใช้แทนกันไม่ได้ในการนำไปใช้งานเชิงพาณิชย์

Artificial Analysis ระบุว่าโมเดลนี้เป็น open weights โดยไม่มีสิทธิ์ใช้งานเชิงพาณิชย์เต็มรูปแบบ นั่นคือคำอธิบายที่ตรงไปตรงมา: คุณดาวน์โหลดและรันมันได้ แต่คุณอาจไม่สามารถขายการเข้าถึงมันได้ ใครก็ตามที่วางแผนจะสร้างผลิตภัณฑ์แบบโฮสต์บน weights เหล่านี้ ควรอ่านข้อกำหนดการให้บริการก่อนที่จะสร้างหน้าชำระเงิน ไม่ใช่หลังจากนั้น

สิ่งนี้ทำให้ไปป์ไลน์การผลิตอยู่ตรงไหน

เหตุผลที่ผลลัพธ์จากสองอารีนาคุ้มค่าพอจะเขียนเป็นโพสต์มากกว่าจะเป็นเพียงเชิงอรรถ ก็เพราะมันเปลี่ยนสิ่งที่ทีมหนึ่งจะสันนิษฐานได้ สิบหกวันก่อน ข้อความที่ป้องกันได้คือโมเดลแบบเปิดน้ำหนักได้เข้าสู่สิบอันดับแรกของกระดานจัดอันดับความชอบ และอ้างว่าครองความเป็นผู้นำด้านการออกเสียงจากการประเมินของตัวเอง วันนี้คำตัดสินอิสระนั้นแคบลงแต่แข็งแกร่งขึ้น: มันเป็นโมเดลแบบเปิดน้ำหนักที่ดีที่สุดในทั้งสองอารีนา มันเป็นที่หนึ่งร่วมด้านการออกเสียง ไม่ใช่ที่หนึ่งโดยเดี่ยว และมันทำเช่นนั้นด้วยอัตราระดับกลางโดยใช้น้ำหนักที่ใครก็ดาวน์โหลดได้

Drama 3 ไม่ใช่หนึ่งในโมเดลบน OrcaRouter แต่เข้าถึงได้ผ่าน API ของ Fish Audio เองและแพลตฟอร์มบุคคลที่สามหลายแห่ง และบทความที่แสร้งทำเป็นอย่างอื่นก็จะโกหกคุณเกี่ยวกับสิ่งเดียวที่บล็อกนี้มีไว้เพื่อทำ สิ่งที่เราทำคืออีกครึ่งหนึ่งของปัญหา: โมเดลประมาณ 200 ตัวที่อยู่เบื้องหลังคีย์เดียวในราคาตามรายการของผู้ให้บริการโดยไม่มีการบวกราคา, การสลับไปยังระบบสำรองโดยอัตโนมัติ, routing DSL และ model fusion คือวิธีที่ไปป์ไลน์ซึ่งเรียกผู้ให้บริการรายอื่นอยู่แล้วสามารถรับโมเดลแบบนี้ได้โดยไม่ต้องมีสัญญาที่สองและ SDK ที่สอง หาก Drama 3 กลายเป็นเสียงบรรยายบนคิวเรนเดอร์และคิวมีกำหนดส่ง มูลค่าของการกำหนดเส้นทางทุกอย่างอื่นผ่านปลายทางเดียวคือเส้นทางการลองใหม่มีอยู่แล้ว

สิ่งที่ต้องจับตาภายในสองสัปดาห์ข้างหน้า เรียงตามว่ามันจะเปลี่ยนภาพรวมได้มากแค่ไหน: ช่องว่าง 22 คะแนนระหว่างสองรายการของ Drama 3 จะแคบลงหรือกว้างขึ้นเมื่อมีคะแนนโหวตลงไปที่รายการเวอร์ชันขายปลีกมากขึ้น; Ming-3.0-tts จะขึ้นนำด้านการออกเสียงหรือไม่เมื่อคะแนนคำนามเฉพาะที่อยู่อันดับ 21 ถูกวัดใหม่ด้วยจำนวนสแปนที่มากขึ้น; และจะมีใครนอก Fish Audio ที่ทำซ้ำตัวเลข 271 เฟรมต่อวินาทีได้บนฮาร์ดแวร์ที่ไม่ใช่ H200 หรือไม่ ตัวเลขจากอารีนานิ่งพอที่จะอ้างอิงได้แล้ว ตัวเลขทรูพุตยังเป็นคำกล่าวอ้างของผู้ขาย และสัญญาอนุญาตยังเป็นสิ่งที่อาจชี้ขาดได้มากที่สุดว่าทีมหนึ่งจะใช้งานสิ่งนี้ได้เลยหรือไม่