Fish Audio Drama 3 กับ Breeze TTS 2: การเปรียบเทียบแบบโอเพนเวตส์ที่จบลงด้วยตัวเลข VRAM

Fish Audio Drama 3 และ Breeze TTS 2เป็นโมเดลแปลงข้อความเป็นเสียงแบบน้ำหนักเปิดสองโมเดลที่ได้รับการจัดอันดับสูงสุดบน Artificial Analysis' Provider Voice Arena โดยมีคะแนนต่างกัน 50 Elo และทั้งสองไม่ได้แข่งขันกันจริง ๆ สำหรับการนำไปใช้งานแบบเดียวกัน Drama 3 เป็นโมเดล mixture-of-experts ขนาด 35 พันล้านพารามิเตอร์ที่ต้องการการ์ด 48 GB เพียงใบเดียว ส่วน Breeze TTS 2 จาก BreezeBlue เป็นโมเดลแบบ dense ขนาด 3 พันล้านพารามิเตอร์ พร้อมโค้ด inference ด้วย PyTorch ที่เผยแพร่แล้ว ความแตกต่างด้านขนาดทรัพยากรนี้เป็นตัวกำหนดคำถามเรื่องการจัดซื้อได้มากกว่าช่องว่าง Elo เพราะโมเดลที่คุณรันไม่ได้ก็ไม่ใช่โมเดลที่คุณจะประเมินได้ — และยิ่งไปกว่านั้น ใบอนุญาตทั้งสองฉบับยังชี้ไปคนละทิศทาง

ชื่อเดียวกัน แต่เป็น open weights สองชนิดที่แตกต่างกัน

ทั้งสองรายการแสดงลิงก์ weights บนกระดาน และทั้งคู่จะถูกบรรยายในข่าวประชาสัมพันธ์ว่าเป็น open ทั้งคู่ไม่ใช่โอเพนซอร์ส และข้อจำกัดก็ไม่ได้มีรูปแบบเดียวกัน

เวตของ Breeze TTS 2 ถูกเผยแพร่บน Hugging Face เมื่อวันที่ 2026-08-25 ในชื่อ BreezeBlue/Breeze-TTS-2 พร้อมกับโค้ดอินเฟอเรนซ์ PyTorch ภายใต้สัญญาอนุญาตเพื่อการวิจัยและไม่ใช่เชิงพาณิชย์ นี่เป็นข้อจำกัดที่ชัดเจนสำหรับการนำไปใช้งานเชิงพาณิชย์โดยไม่มีข้อตกลงแยกต่างหาก และยังไม่มีการเปลี่ยนแปลงนับตั้งแต่นั้นเป็นต้นมา บริษัทประกาศโมเดลนี้เมื่อวันที่ 2026-08-16 และ 2026-08-17 ในฐานะโมเดลเสียงเรียลไทม์สำหรับสื่อเชิงโต้ตอบ เปิด API แบบโฮสต์ในราคา 34 ดอลลาร์ต่อหนึ่งล้านตัวอักษร และเผยแพร่เวตในอีกเก้าวันต่อมา BreezeBlue ก่อตั้งโดย Yang Bin อดีตผู้ร่วมก่อตั้งด้านเทคนิคของ MiniMax ด้วยรอบระดมทุน seed มูลค่า 6 ล้านดอลลาร์ ซึ่งนำโดย Yuanjing Capital และ Redpoint China

Fish Audio Drama 3 เผยแพร่ภายใต้ Fish Audio Community License v1.0 ซึ่งผ่อนปรนกว่าอย่างมีนัยสำคัญในมิติที่ทีมส่วนใหญ่ให้ความสำคัญ นั่นคือ การใช้งานเชิงพาณิชย์ไม่มีค่าใช้จ่ายเมื่อรายได้ต่อปีของคุณและบริษัทในเครือต่ำกว่า US$500,000 และ FAQ ถือว่าการผลิตเสียงสำเร็จรูปให้ลูกค้าเป็นสิ่งที่ได้รับอนุญาต เมื่อสูงกว่าเกณฑ์ดังกล่าว หรือหากคุณต้องการให้บริการ Drama 3 ในฐานะบริการ text-to-speech, voice-cloning หรือ inference คุณต้องได้รับใบอนุญาตจาก Fish Audio ใบอนุญาตยังห้ามโคลนเสียงของบุคคลจริงโดยไม่ได้รับความยินยอม S2 ซึ่งเป็นรุ่นก่อนหน้า ยังคงอยู่ภายใต้ Research License ที่เข้มงวดกว่า ดังนั้นสองรุ่นของ Fish Audio จึงไม่สามารถถือเป็นประเภททางกฎหมายเดียวกันได้

ข้อสรุปในทางปฏิบัติ: Breeze TTS 2 เป็นโมเดลที่ทดลองได้ง่ายกว่า แต่ยากกว่าในการนำไปปล่อยเชิงพาณิชย์ ส่วน Drama 3 ตรงกันข้าม หากการประเมินของคุณเป็นการสาธิตงานวิจัยหรือเครื่องมือภายใน สัญญาอนุญาตของ Breeze ก็ไม่เป็นอุปสรรค และขนาด 3B ของมันทำให้การทดลองมีต้นทุนต่ำ หากการประเมินของคุณจบลงที่ผลิตภัณฑ์ ข้อกำหนดของ Fish Audio คือสิ่งที่ทนายความจะเซ็นโดยไม่ต้องต่อรอง

รายละเอียดหนึ่งบนการ์ดโมเดล Breeze น่าชี้ให้เห็น เพราะตอนนี้ข้อมูลล้าสมัยแล้ว ส่วนแนะนำของการ์ดยังระบุว่าโมเดล "อยู่ในอันดับ 1 ในบรรดาโมเดล open-weight บนกระดานจัดอันดับ TTS ของ Artificial Analysis" ซึ่งเป็นความจริงตอนที่เขียนขึ้น แต่กระดานในวันนี้จัดให้ Breeze TTS 2 อยู่อันดับที่ 13 ในหมวดเสียงของผู้ให้บริการ และอันดับที่ 28 ในหมวดเสียงแบบควบคุม โดยตามหลังรายการของ Fish Audio ทั้งสองรายการ การ์ดโมเดลล้าสมัยเร็วกว่ากระดานจัดอันดับ และผู้อ่านที่ตรวจเฉพาะการ์ดจะได้อันดับที่ไม่ถูกต้อง

ตัวเลขของอารีน่า และเหตุผลที่ช่องว่างด้านเสียงแบบควบคุมเป็นปัญหาที่ใหญ่กว่า

อ่านค่าจาก Artificial Analysis ณ วันที่ 2026-10-29:

• Provider Voice Arena — Fish Audio Drama 3 อยู่อันดับ 6 ด้วยคะแนน Elo 1,278 และราคาที่บันทึกไว้บนกระดานที่ $15.00 ต่อล้านตัวอักษร; Breeze TTS 2 อยู่อันดับ 13 ด้วยคะแนน 1,228 และ $34.00 ช่องว่าง 50 คะแนน โดยโมเดลที่จัดอันดับระหว่างทั้งสองนั้นเป็นระบบปิดทั้งหมด

• Controlled Voice Arena — Fish Audio Drama 3 อยู่อันดับ 12 ด้วยคะแนน 1,085; Breeze TTS 2 อยู่อันดับ 28 ด้วยคะแนน 1,021 ช่องว่าง 64 คะแนน และนี่คือบอร์ดที่ทุกโมเดลถูกให้คะแนนจากเสียงอ้างอิงคงที่ชุดเดียวกัน แทนที่จะเป็นเสียงที่ผู้จำหน่ายของโมเดลนั้นออกแบบเอง

• ทิศทางของการถ่างช่องว่าง — ความได้เปรียบของ Drama 3 เพิ่มขึ้น 14 คะแนน เมื่อคุณตัดแค็ตตาล็อกเสียงของเจ้าของผู้ขายออกจากการเปรียบเทียบ นั่นคือตัวเลขที่มีประโยชน์ที่สุดเพียงตัวเดียวในการจับคู่นี้ เพราะมันบ่งชี้ว่า ความได้เปรียบของ Fish Audio ไม่ใช่ผลพลอยได้จากความไพเราะของเสียงสำเร็จรูปของตน

50 หรือ 64 Elo เป็นความแตกต่างจริงในการทดสอบความชอบแบบไม่ระบุชื่อ และไม่ใช่ความแตกต่างที่ยังคงอยู่เมื่อเป็นโมเดลเดียวในการเปรียบเทียบ ทั้งสองอยู่ต่ำกว่าแนวหน้าแบบปิดมาก: Eleven v4 Turbo นำตารางจัดอันดับผู้ให้บริการที่ 1,336 และ HeyGen Voice นำตารางจัดอันดับแบบควบคุมที่ 1,193 สิ่งที่คู่โมเดลแบบเปิดน้ำหนักมอบให้คือฐานที่โฮสต์เองได้ ไม่ใช่แนวหน้า

สิ่งที่แต่ละอันต้องการจริง ๆ เพื่อให้ทำงานได้

นี่คือจุดที่การเปรียบเทียบไม่เป็นเรื่องนามธรรมอีกต่อไป

• Drama 3 — พารามิเตอร์ทั้งหมด 35B โดยมีประมาณ 3B ที่ใช้งานต่อโทเค็น เป็นผู้เชี่ยวชาญแบบกำหนดเส้นทาง 8 จาก 256 ราย บวกหนึ่งรายแบบแชร์ น้ำหนักประมาณ 40 GB กระจายอยู่ทั่วชุดชาร์ด บวกไฟล์โคเด็กแยกต่างหาก และการอนุมานด้วย FP8 ต้องใช้ VRAM ประมาณ 48 GB เอกสารของ Fish Audio ไม่ได้ระบุเส้นทางสำหรับ CPU, Apple Silicon หรือ ROCm บน H200 เครื่องเดียว ผู้จำหน่ายรายงานว่าได้ 271 เฟรมต่อวินาที เทียบกับ 177 สำหรับ S2 ซึ่งเป็นผลตอบแทนของสถาปัตยกรรมแบบสแปร์ส ตัวเลขดังกล่าวเป็นการรายงานโดยผู้จำหน่ายและยังไม่มีการทำซ้ำให้ได้ผลเดียวกันภายนอก Fish Audio

• Breeze TTS 2 — พารามิเตอร์แบบ dense จำนวน 3B เช็กพอยต์ BF16 มีขนาดประมาณ 6 GB จึงใส่ได้สบาย ๆ บนการ์ด 24 GB และมีความเป็นไปได้บนการ์ดที่เล็กกว่าหากใช้การควอนไทซ์ โค้ดสำหรับการอนุมานมีอยู่ในที่เก็บโค้ดจริง ไม่ได้เป็นเพียงสิ่งที่บอกเป็นนัย ไม่มีตัวเลข latency ที่เผยแพร่ในระดับสตรีมเดี่ยว แต่โมเดลนี้ถูกออกแบบและจำหน่ายสำหรับสื่อโต้ตอบแบบเรียลไทม์ ซึ่งเป็นข้อกำหนดที่แตกต่างจากการบรรยายคุณภาพสูง

• Tokenizer — Drama 3 ยังคงใช้การตั้งค่า Descript Audio Codec จาก S2 เหมือนเดิม: 44.1 kHz, โค้ดบุ๊ก 10 ชุด, ประมาณ 21.5 เฟรมต่อวินาที และเป็นแบบ causal ทั้งหมด Tokenizer ของ Breeze TTS 2 ไม่ใช่สิ่งที่ฉันสามารถอ้างอิงจากแหล่งข้อมูลปฐมภูมิได้ และการเปรียบเทียบที่แต่งรายละเอียดขึ้นมาก็จะเป็นความแม่นยำเท็จ

ผลที่ตามมาชัดเจนและตรงไปตรงมา ทีมที่มีการ์ด 24 GB สี่ใบสามารถรัน Breeze TTS 2 ได้ในตอนนี้ แต่ไม่สามารถรัน Drama 3 ได้ เว้นแต่จะใช้เทคนิค sharding ที่ Fish Audio ไม่ได้อธิบายไว้ในเอกสาร ทีมที่มีการ์ดระดับ H200 หนึ่งใบกำลังเลือกระหว่างโมเดลที่เหมาะกับฮาร์ดแวร์ของตนกับโมเดลที่ดีกว่า 50 Elo ไม่ว่าคำตอบไหนก็ไม่ผิด ทั้งสองเป็นคำตอบสำหรับคำถามที่แตกต่างกัน

ต้นทุนที่ปริมาณมาก ในหน่วยที่ Fish Audio เรียกเก็บจริง

เอกสารประกอบของ Fish Audio กำหนดราคาต่อหนึ่งล้านไบต์แบบ UTF-8 ไม่ใช่ต่อตัวอักษร ซึ่งเปลี่ยนวิธีคำนวณสำหรับใครก็ตามที่ไม่ได้เขียนภาษาอังกฤษ ตามเอกสารเดียวกันนั้น หนึ่งล้านไบต์แบบ UTF-8 เทียบได้ประมาณ 180,000 คำภาษาอังกฤษ หรือเสียงพูดสิบสองชั่วโมง Drama 3 ตั้งราคาไว้ที่ $50.00 ต่อหนึ่งล้านไบต์ — ประมาณ $4.17 ต่อชั่วโมงเสียงที่เสร็จสมบูรณ์ — โดยมีราคาเปิดตัวที่ $10.00 หรือประมาณ $0.83 ต่อชั่วโมง ไปจนถึงวันที่ 2026-11-12 09:00 PT ส่วน Breeze TTS 2 อยู่ที่ $34.00 ต่อหนึ่งล้านตัวอักษร และเมื่อใช้การแปลงแบบคร่าว ๆ เดียวกัน ก็จะอยู่ที่ประมาณ $2.83 ต่อชั่วโมง

ดังนั้นการจัดอันดับจึงพลิกไปตามวันที่คุณซื้อ ในช่วงโปรโมชัน Drama 3 มีต้นทุนต่อชั่วโมงประมาณหนึ่งในสามของ Breeze TTS 2 หลังวันที่ 2026-11-12 Drama 3 ในราคาตามรายการจะแพงกว่าต่อชั่วโมงประมาณ 47% เมื่อเทียบกับ Breeze — ในขณะที่ดีกว่าบนอารีน่าอยู่ 50 ถึง 64 Elo และดีกว่าอย่างมีนัยสำคัญในด้านการออกเสียง และสำหรับข้อความ CJK หรือซีริลลิก การคิดค่าบริการตามไบต์ยิ่งดันให้ Drama 3 สูงขึ้นไปอีก: ตัวอักษรสามไบต์มีค่าใช้จ่ายเป็นสามเท่าของตัวอักษรภาษาอังกฤษภายใต้ตารางนั้น ในขณะที่ผู้ให้บริการที่คิดตามจำนวนตัวอักษรคิดราคาเท่ากันสำหรับทั้งสองแบบ

รายละเอียดการเรียกเก็บเงินสองจุดจากเอกสารเดียวกันควรนำไปใส่ในแบบจำลองงบประมาณ เพราะทั้งสองอย่างทำให้การใช้จ่ายจริงสูงขึ้นอย่างเงียบ ๆ ขีดจำกัดอัตราคือจำนวนคำขอที่ทำงานพร้อมกัน ไม่ใช่จำนวนคำขอต่อวินาที — 5 รายการพร้อมกันในแพ็กเกจเริ่มต้น, 15 รายการเมื่อชำระตั้งแต่ $100, 50 รายการเมื่อชำระตั้งแต่ $1,000 — และคำขอที่เกินขีดจำกัดจะคืนค่า 429 โดยไม่มีเฮดเดอร์ retry-after ดังนั้นตัวเรนเดอร์แบบขนานอย่างง่ายจึงต้องทำ backoff ด้วยตัวเอง และคำขอที่ระบุรหัสโมเดลซึ่งไม่มีอยู่หรือไม่ตรงกันทุกตัวอักษรจะถูกให้บริการและเรียกเก็บเงินเป็นโมเดลค่าเริ่มต้น ซึ่งในฝั่ง TTS หมายความว่าการสะกดเฮดเดอร์ Drama 3 ผิดในช่วงโปรโมชันอาจทำให้คุณถูกเรียกเก็บเงินในอัตราของ S2.1 Pro แทนส่วนลด

นำทั้งสองมาอยู่ภายใต้ไปป์ไลน์เดียว

ทั้ง Fish Audio Drama 3 และ Breeze TTS 2 ไม่ใช่หนึ่งในโมเดลบน OrcaRouter แต่ละโมเดลเข้าถึงได้ผ่าน API ของผู้จำหน่ายเอง และในกรณีของ Fish Audio ยังผ่านแพลตฟอร์มของบุคคลที่สามด้วย และเวอร์ชันที่ซื่อสัตย์ของส่วนนี้ก็กล่าวเช่นนั้น แทนที่จะบอกเป็นนัยถึงเส้นทางที่เราไม่มี

ชั้นออร์เคสเตรชันเป็นอีกคำถามแยกต่างหาก และนี่คือจุดที่การแยกสองโมเดลคุ้มค่าที่จะทำ สตูดิโอเล็กที่ต้องการ Drama 3 สำหรับการบรรยายและ Breeze TTS 2 สำหรับพรอมต์ UI แบบเรียลไทม์กำลังใช้งาน SDK สองตัว ตารางราคาสองชุด และโหมดความล้มเหลวสองแบบภายใต้กำหนดส่งเดียว การกำหนดเส้นทางส่วนที่เหลือของสแตกผ่าน ปลายทางเดียวในราคาตามรายการของผู้ให้บริการโดยไม่บวกเพิ่ม พร้อมกับ การสลับไปใช้ระบบสำรองอัตโนมัติข้ามอัปสตรีม หมายความว่าการเลือกผู้จำหน่าย TTS กลายเป็นเพียงบรรทัดในคอนฟิกแทนที่จะเป็นสัญญาอีกฉบับ — และ DSL สำหรับการกำหนดเส้นทางสามารถประกอบการเรียกโมเดลเข้ากับขั้นตอนเสียงได้ แทนที่จะเอามาโยงกันในโค้ดแอปพลิเคชัน

หากคุณกำลังเลือกตัวใดตัวหนึ่งในวันนี้และฮาร์ดแวร์ถูกซื้อมาแล้ว การตัดสินใจแทบจะถูกกำหนดให้คุณแล้ว: VRAM 48 GB อยู่ในสายงบประมาณที่ต่างจาก 6 GB และไลเซนส์สำหรับงานวิจัยเท่านั้นของ Breeze ก็ต้องผ่านการตรวจทางกฎหมายที่ต่างจากไลเซนส์ชุมชนแบบจำกัดรายได้ของ Drama 3 หากคุณกำลังเลือกเพื่อคุณภาพในกลุ่ม open-weights คำตอบคือ Drama 3 ทั้งในสองสนามทดสอบและในด้านการออกเสียง และข้อโต้แย้งเรื่องราคาจะใช้ได้เพียงสองสัปดาห์ข้างหน้าเท่านั้น