Fish Audio Drama 3 Preview ขึ้นแท่นอันดับ 1 ใน Open-Weights Speech Arena

Fish Audio Drama 3 Preview คือโมเดลที่ Fish Audio เผยแพร่เมื่อวันที่ 13 ตุลาคม 2026 และภายในเช้าวันรุ่งขึ้น มันก็คว้าอันดับหนึ่งในกลุ่มระบบ open-weight บนกระดานจัดอันดับ text-to-speech ของ Artificial Analysis สิ่งที่ทำให้ตำแหน่งนั้นน่าพิจารณาอีกครั้งไม่ใช่จุดสูงสุด แต่เป็นราคาที่ผูกอยู่กับมัน รายการนี้มีอัตราตามประกาศที่ 15.00 ดอลลาร์ต่อล้านตัวอักษร ขณะที่ทุกโมเดลซึ่งอยู่อันดับใกล้เคียงมีค่าใช้จ่ายสูงกว่าเป็นสองถึงห้าเท่า และสองโมเดลที่อยู่เหนือขึ้นไปบนกระดานโดยตรง ได้แก่ ElevenLabs Eleven v4 Turbo และ ElevenLabs Eleven v4 เป็นระบบปิดที่มีการคิดราคาต่อตัวอักษรซึ่งสเกลไปในทางที่ไม่เป็นผลดีต่อใครก็ตามที่ผลิตเสียงรูปแบบยาว

บน Provider Voice Arena ของตารางอันดับ ซึ่งเสียงของผู้ให้บริการแต่ละรายแข่งขันกันเอง Fish Audio Drama 3 Preview อยู่อันดับ 10 ด้วย Elo 1,243 ซึ่งตามหลังคู่ของ ElevenLabs ที่ 1,330 และ 1,328 ตามหลัง Cartesia Sonic 3.6 ที่ 1,286 ตามหลัง Qwen-Audio-3.1-TTS-Plus ที่ 1,300 และ Qwen-Audio-3.0-TTS-Plus ที่ 1,268 และตามหลัง Gemini 3.8 Flash TTS ที่ 1,274 มันนำหน้ารายการ open-weights ลำดับที่สองอย่าง Breeze TTS 2 ซึ่งอยูที่ 1,221 และมีค่าใช้จ่าย $34.00 ต่อล้านตัวอักษร — มากกว่าอัตราของ Drama 3 Preview ประมาณสองเท่าติดนิดหน่อย จาก 97 โมเดลบนบอร์ดนั้น 17 เป็น open weights และพรีวิวใหม่ของ Fish Audio เป็นอันดับสูงสุดในบรรดาโมเดลเหล่านั้น

อ่านตัวเลขพร้อมแถบความคลาดเคลื่อนที่แนบมาด้วย ช่วงที่บอร์ดรายงานสำหรับรายการนี้อยู่ที่ 1,226.8 ถึง 1,258.8 โดยประมาณ 1,857 การเปรียบเทียบแบบปกปิด ครอบคลุมเสียง 8 เสียงใน Arena เมื่อเทียบกับ Breeze TTS 2 ช่องว่างยังสบาย แต่เมื่อเทียบกับ Speechify Simba 3.2 ที่ 1,245 และ $6.60 กลับไม่ใช่ — นั่นคือความต่าง 2 คะแนนที่มีช่วงทับซ้อนกัน และไม่มีใครควรใช้ค่านี้ตัดสินใจซื้อ สรุปอย่างตรงไปตรงมาคือ Drama 3 Preview ได้พาโมเดล open-weights เข้าไปอยู่ในสิบอันดับแรกของบอร์ดที่ก่อนหน้านี้ไม่มีสิทธิ์จะอยู่ และทำได้ในราคาระดับกลาง

สิ่งที่โมเดลเป็นจริง ๆ

Fish Audio อธิบายว่า Drama 3 Preview เป็นโมเดล mixture-of-experts ขนาด 35 พันล้านพารามิเตอร์ โดยมีพารามิเตอร์ที่ทำงานอยู่ประมาณ 3 พันล้านตัวต่อโทเค็น มันใช้สแต็กแอตเทนชันแบบไฮบริด — Gated DeltaNet รวมกับ gated full attention — จับคู่กับตัวถอดรหัส codebook-MTP และโทเค็นไนเซอร์ที่ใช้ DAC ซึ่งทำงานที่ 44.1 kHz การหลอมรวม codebook บางส่วนจะป้อนเฉพาะ codebook สองตัวแรกกลับเข้าสู่ลูป การฝึกอบรมดำเนินไปผ่านสามขั้นตอน pre-training จากนั้นจึงทำ instruction fine-tuning แล้วจึงทำ reinforcement learning กับโมเดลรางวัลที่อ้างอิงความชอบของมนุษย์เพียงตัวเดียว โดยไม่มีการกำหนดรางวัลแบบอิงกฎ

คำอ้างเรื่องทรูพุตที่มาพร้อมกับมันคือส่วนที่ผู้ปฏิบัติงานจะให้ความสำคัญมากที่สุด: Fish Audio รายงานว่าได้ 271 เฟรมต่อวินาทีบน H200 ตัวเดียว เทียบกับ 177 สำหรับโมเดล S2 ที่มันมาแทน ทั้งที่มีพารามิเตอร์มากกว่ามาก นี่เป็นตัวเลขจากผู้ขาย ไม่ใช่ผลเบนช์มาร์กที่ผ่านการตรวจสอบยืนยัน และจะเปลี่ยนไปตามการแบตช์และความยาวลำดับ — แต่ทิศทางนั้นสอดคล้องกับสถาปัตยกรรมแบบสแปร์สที่ทำในสิ่งที่สถาปัตยกรรมแบบสแปร์สควรทำ

อินเทอร์เฟซ API ไม่เปลี่ยนแปลงจากเอนด์พอยต์ S2.1 Pro คำขอจะถูกส่งไปยัง POST https://api.fish.audio/v1/tts และคำขอที่ละเว้นฟิลด์ model หรือระบุชื่อที่บริการไม่รู้จัก จะ fallback ไปที่ s2.1-pro แทนที่จะเกิดข้อผิดพลาด การ fallback เช่นนี้สะดวกและควรรู้ไว้ เพราะหมายความว่าการพิมพ์ชื่อ model ผิดจะสร้างเสียงที่ฟังดูสมเหตุสมผลแต่เป็นเสียงผิด แทนที่จะเป็นข้อผิดพลาด 400

การควบคุมแบบผู้กำกับ บทสนทนาในรอบเดียว และการซ่อมคำเดี่ยว

ความสามารถสามประการนี้ทำให้รีลีสนี้แตกต่างจากรุ่นก่อนหน้า และทั้งสามประการล้วนมุ่งเป้าไปที่งานโปรดักชันแบบใช้สคริปต์มากกว่าการสนทนาแบบสด

• การสั่งงานด้วยภาษาธรรมชาติ แทนที่จะเป็นชุดคำแท็กแบบตายตัว โมเดลรับคำสั่งแบบบรรยายตรง ๆ เช่น [ประหม่า แทบจะคุมตัวเองไว้ไม่อยู่] หรือ [อบอุ่นและผ่อนคลาย เหมือนกำลังคุยกับเพื่อนเก่า] และมันสามารถเปลี่ยนอารมณ์หรือวิธีการส่งเสียงกลางประโยคได้โดยไม่ต้องสร้างเทคใหม่ แท็กอินไลน์แบบจับคู่เช่น <whisper>…</whisper> และคิวอย่าง [sigh] จะมีผลกับข้อความที่มันครอบไว้เท่านั้น ดังนั้นประโยคหนึ่งจึงเปลี่ยนโทนเสียงกลางคันได้ตามโครงสร้าง ไม่ใช่ตามโชค

• บทสนทนาของผู้พูดหลายคนในครั้งเดียว ตัวละครแต่ละตัวคงเสียงของตัวเองไว้ภายในหนึ่งการสร้าง ซึ่งตัดขั้นตอนการต่อเสียงที่มักอยู่ระหว่างโมเดล TTS กับฉากที่เสร็จสมบูรณ์ออกไป สำหรับละครเสียงและบทสนทนาในเกม นี่คือความแตกต่างระหว่างไปป์ไลน์กับโปรเจกต์วิจัย

• Audio inpainting. สามารถเลือกส่วนหนึ่งใหม่ กำหนดคำสั่งใหม่ และสร้างส่วนนั้นขึ้นมาใหม่ได้โดยลำพัง ซึ่งเป็นวิธีแก้ปัญหาในเวิร์กโฟลว์สำหรับคำที่ออกเสียงผิดเพียงคำเดียว ที่แต่ก่อนต้องเรนเดอร์ใหม่ทั้งหมด Fish Audio ระบุว่าประสบการณ์การแก้ไขแบบอินเทอร์แอกทีฟ เครื่องมือ inpaint และ API สำหรับการแก้ไข อยู่ในสถานะเฉพาะผู้ได้รับเชิญหรือเร็ว ๆ นี้ ดังนั้นความสามารถนี้มีอยู่ แต่ยังไม่เปิดให้ใช้งานโดยทั่วไป

Fish Audio ยังอ้างว่ามี 83 ภาษา พร้อมความสม่ำเสมอของภาษาทั้งในสคริปต์ยาว ๆ และการสลับภาษากลางฉาก การควบคุมการออกเสียงระดับหน่วยเสียงในภาษาอังกฤษ จีน ญี่ปุ่น เกาหลี และอีกหลายภาษา และการโคลนเสียงแบบ S2 จากคลิปอ้างอิงความยาวประมาณ 10 ถึง 30 วินาที เดโมเปิดตัวใช้เสียงโคลนของ Uncle Roger ซึ่งบริษัทกล่าวว่าจัดทำและใช้งานโดยได้รับอนุญาต

ข้อกล่าวอ้างเรื่องการออกเสียง และที่มาของมัน

ประกาศของ Fish Audio ระบุว่า Drama 3 Preview ได้คะแนนโดยรวม 93.2% บนลีดเดอร์บอร์ด Artificial Analysis Pronunciation Robustness และอยู่ในอันดับหนึ่งบนลีดเดอร์บอร์ดนั้น นำหน้า ElevenLabs Eleven v4 และ Eleven v4 Turbo คะแนนย่อยที่เผยแพร่คือ 95.9% สำหรับชื่อ แบรนด์ และคำศัพท์ทางเทคนิค เทียบกับ 87.3% สำหรับ Fish Audio S2.1 Pro; 95.3% สำหรับคำที่ขึ้นอยู่กับบริบท เทียบกับ 86.1%; 93.6% สำหรับตัวเลข วันที่ และหน่วย เทียบกับ 92.7%; และ 86.3% สำหรับรหัส พาธ และที่อยู่อีเมล เทียบกับ 79.4%

ตัวเลขเหล่านั้นมาจากประกาศของ Fish Audio เอง เมื่อผมไปค้นหากระดานเพื่ออ่านคะแนนรายโมเดลโดยตรง เส้นทางความทนทานต่อการออกเสียงส่งคืน 404 และหน้า leaderboard ที่ผมโหลดได้แสดงอันดับ Elo โดยไม่มีตัวเลขการออกเสียงรายโมเดลที่อ้างอิงได้แนบมาด้วย ดังนั้น ทุกตัวเลขในย่อหน้าข้างต้นจึงเป็นข้อมูลที่ผู้ขายรายงานเอง และควรติดป้ายกำกับเช่นนั้นในเด็คใดก็ตามที่นำไปใช้ ตัวเลข Elo ในส่วนอื่นของบทความนี้แตกต่างออกไป: ตัวเลขเหล่านั้นผมอ่านจากกระดาน และมาพร้อมช่วงความเชื่อมั่นของกระดานเอง

ข้อร้องเรียนเบื้องหลังที่ข้อกล่าวอ้างนี้มุ่งตอบนั้นเป็นเรื่องจริง ไม่ว่าคุณจะเชื่อตัวเลขของใครก็ตาม การออกเสียงคำนามเฉพาะ รหัสสินค้า และพาธไฟล์ คือรูปแบบความล้มเหลวที่ทำให้ทีมต้องหันกลับไปใช้เสียงนักพากย์มนุษย์ และเป็นปัญหาที่ผู้ให้บริการ TTS ส่วนใหญ่แก้ไขช้าที่สุด เพราะมันไม่ใช่ปัญหาด้านจังหวะและทำนองเสียง โมเดลที่จัดการรหัส พาธ และอีเมลได้ 86.3% เมื่อเทียบกับรุ่นก่อนที่ 79.4% ก็ยังผิดพลาดประมาณหนึ่งในเจ็ดครั้ง

"open weights" หมายถึงอะไรภายใต้สัญญาอนุญาตนี้

Fish Audio Drama 3 Preview เผยแพร่ภายใต้ Fish Audio Community License v1.0 อ่านข้อกำหนดก่อนที่คุณจะวางแผนโดยอิงตามข้อกำหนดเหล่านี้ สัญญาอนุญาตนี้ใช้ฟรีสำหรับการวิจัยและการใช้งานที่ไม่ใช่เชิงพาณิชย์ และใช้ฟรีสำหรับการใช้งานเชิงพาณิชย์หากคุณและบริษัทในเครือมีรายได้ต่อปีต่ำกว่า US$500,000 หากเกินเกณฑ์ดังกล่าว — หรือหากคุณต้องการให้โมเดลนี้เป็นบริการแปลงข้อความเป็นเสียง บริการโคลนเสียง หรือบริการประมวลผลอนุมาน ไม่ว่าขนาดใดก็ตาม — คุณต้องได้รับสัญญาอนุญาตจาก Fish Audio กลุ่มผลิตภัณฑ์ S2 ยังคงอยู่ภายใต้ Research License แยกต่างหาก การโคลนเสียงของบุคคลจริงโดยไม่ได้รับความยินยอมเป็นสิ่งต้องห้ามเด็ดขาด

เกณฑ์เชิงพาณิชย์ได้รับการยืนยันอย่างเป็นอิสระ: บอร์ด Artificial Analysis ระบุรายการนี้ว่าเป็นน้ำหนักเปิดที่ไม่มีสิทธิ์ใช้งานเชิงพาณิชย์ ซึ่งสอดคล้องกับใบอนุญาตที่กำหนดเงื่อนไขตามรายได้ มากกว่าใบอนุญาตแบบไม่มีข้อจำกัด หากคุณเป็นสตูดิโอขนาดเล็ก น้ำหนักเปิดภายใต้ใบอนุญาตนี้ถือเป็นทางเลือกจริง ๆ หากคุณเป็นแพลตฟอร์มที่ขายต่ออินเฟอเรนซ์ มันไม่ใช่น้ำหนักเปิดในแบบที่คุณหวังไว้

ราคาและข้อเสนอเปิดตัว

ราคาตามรายการของ API อยู่ที่ $50 ต่อล้านตัวอักษร ลด 80% เหลือ $10 ต่อล้านตัวอักษร ตั้งแต่วันที่ 13 ตุลาคม ถึง 12 พฤศจิกายน 2026 เครดิต Creator ตรงกับ S2.1 Pro และแพ็กเกจ Plus, Pro และ Max ใหม่มีราคาครึ่งหนึ่งตลอดช่วงเวลาเดียวกัน Artificial Analysis บันทึกราคาบนบอร์ดไว้ที่ $15.00 ต่อล้านตัวอักษรภายใต้การตั้งค่าเริ่มต้น ซึ่งเป็นตัวเลขที่ควรใช้เมื่อเปรียบเทียบกับรายการอื่น ๆ บนบอร์ดนั้น แทนที่จะเปรียบเทียบกับตารางราคาของ Fish Audio เอง

หน้าต่างโปรโมชันคือส่วนที่มีกำหนดเวลาจริงกำกับอยู่ ในราคา $10 ต่อล้านอักขระ Drama 3 Preview มีราคาต่ำกว่าโมเดลคู่แข่งแทบทุกตัวบนลีดเดอร์บอร์ดอย่างมาก ที่ $50 มันแพงกว่า Cartesia Sonic 3.6 ที่ $49 และสูงกว่า Qwen-Audio-3.0-TTS-Plus ที่ $19.30 อย่างมาก ใครก็ตามที่สร้างโมเดลต้นทุนบนอัตราส่วนลด ควรสร้างอีกโมเดลบนอัตราตามรายการ และตรวจสอบว่าโปรเจกต์ยังทำงานได้อยู่

จุดที่สิ่งนี้อยู่ภายในสแตกโปรดักชัน

เสียงแบบมีสคริปต์ที่เรนเดอร์ครั้งเดียวคือจุดที่ลงตัวที่สุด: หนังสือเสียง ละครเสียง บทสนทนาในเกมและแอนิเมชัน วิดีโอสั้น ทั้งการสร้างแบบหลายผู้พูดในรอบเดียวและเวิร์กโฟลว์แบบอินเพนติ้งต่างมีอยู่เพื่อรองรับงานรูปแบบนั้น และการคิดราคาคิดตามจำนวนตัวอักษรไม่ใช่ต่อนาที ซึ่งเอื้อต่อสคริปต์ยาว การแก้ไขแบบอินเทอร์แอกทีฟและ API สำหรับการแก้ไขยังไม่พร้อมใช้งานทั่วไป ดังนั้นเวิร์กโฟลว์ที่พึ่งพาสิ่งเหล่านี้ก็คือเวิร์กโฟลว์ที่ต้องพึ่งคำเชิญ

คำถามเชิงปฏิบัติการหลังจากนั้นคือการจัดเส้นทาง และเป็นเรื่องที่ยากกว่าสำหรับเสียงพูดเมื่อเทียบกับข้อความ Fish Audio Drama 3 Preview ไม่ใช่หนึ่งในโมเดลบน OrcaRouter ในปัจจุบัน มันเข้าถึงได้ผ่าน API ของผู้ขายเองและแพลตฟอร์มของบุคคลที่สามหลายแห่ง เช่นเดียวกันกับโมเดลส่วนใหญ่ที่เปรียบเทียบข้างต้น — สิบอันดับแรกของลีดเดอร์บอร์ดเสียงพูดคือชุดปลายทางเฉพาะผู้ขายที่มีการยืนยันตัวตนเฉพาะผู้ขาย และแต่ละรายการก็มีการผสานรวมของตัวเองและโดเมนเหตุขัดข้องของตัวเอง OrcaRouter มี ~200 โมเดลอยู่หลังคีย์เดียวในราคาตามรายการของผู้ให้บริการโดยไม่มีการบวกเพิ่ม ครอบคลุมงานด้านข้อความ วิชัน และการให้เหตุผล และการสลับไปยังระบบสำรองอัตโนมัติของมันมีอยู่โดยเฉพาะสำหรับกรณีที่ปลายทางของผู้ให้บริการรายหนึ่งเสื่อมประสิทธิภาพระหว่างการทำงาน รูปแบบที่ใช้ได้จริงสำหรับเส้นทางเสียงพูดในระบบโปรดักชันคือการเก็บผู้ขายเสียงพูดไว้แบบตรง และเก็บทุกอย่างที่มันประสานงานไว้ — การสรุปความ รอบการแปล ตัวสร้างพจนานุกรมการออกเสียง ตัวจำแนก QA — ไว้หลังปลายทางที่จัดเส้นทางเดียว เพื่อว่าการสลับไปยังระบบสำรองตรงนั้นจะไม่พาไปป์ไลน์การเรนเดอร์ไปด้วย

ประเด็นสำคัญ

Fish Audio Drama 3 Preview เป็นผลลัพธ์จริง ไม่ใช่ผลชั่วคราวเฉพาะสัปดาห์เปิดตัว: อยู่อันดับ 10 บน Provider Voice Arena ด้วยคะแนน Elo 1,243 เป็นอันดับหนึ่งในบรรดา 17 รายการ open-weights บนกระดาน ที่ราคา $15.00 ต่อล้านตัวอักษร เทียบกับ $34 สำหรับโมเดล open-weights ลำดับถัดลงไป ช่องว่างไปยังอันดับต้นของกระดานยังกว้างอยู่ และช่วงความเชื่อมั่นทับซ้อนกับคู่แข่งที่ใกล้เคียงที่สุด ดังนั้นมงกุฎ open-weights จึงเป็นจุดเริ่มต้น ไม่ใช่ตำแหน่งผู้นำ ตัวเลขการออกเสียง 93.2% เป็นข้อมูลของผู้ขายเอง และไม่สามารถตรวจสอบจากกระดานได้อย่างอิสระ สัญญาอนุญาตมีเพดานรายได้ US$500,000 สำหรับการใช้งานเชิงพาณิชย์ ซึ่งจะตัดบางทีมออกไปโดยสิ้นเชิง และอัตรา $10 จะหมดอายุในวันที่ 12 พฤศจิกายน 2026

สำหรับสตูดิโอที่ทำงานเสียงแบบมีบทในปริมาณมาก การรวมกันของการสร้างเสียงหลายผู้พูดในรอบเดียว การอินเพนติงคำเดียว และสัญญาอนุญาตแบบเปิดน้ำหนักภายใต้เกณฑ์รายได้ คือเหตุผลที่แข็งแกร่งที่สุดตรงนี้ — แข็งแกร่งกว่าอันดับบนลีดเดอร์บอร์ดที่จะได้พาดหัวข่าว

การเลือกโมเดลแบบนี้ก็เป็นจุดที่โหมดความล้มเหลวปรากฏขึ้นเช่นกัน: เหตุการณ์ AI และความล้มเหลวของเอเจนต์ที่ได้รับการบันทึกไว้ซึ่งอยู่เบื้องหลังโมเดลในคลาสนี้ถูกรวบรวมไว้ใน the OrcaRouter AI Incident Archive โดยแต่ละรายการมีแหล่งที่มา ระดับความรุนแรง เกรดความเชื่อมั่น และแฟล็กข้อโต้แย้งของตัวเอง