Fish Audio Drama 3 กับ Gemini 3.8 Flash TTS: ตอนนี้ Google กลายเป็นตัวเลือกราคาประหยัด และนั่นพลิกข้อโต้แย้งที่เคยมีมา

เมื่อคิดราคาทั้งสองแบบต่อนาทีของเสียงที่เสร็จสมบูรณ์ การเปรียบเทียบก็จะไม่เหมือนกับที่ตลาดทำมาตลอดทั้งปีอีกต่อไป Google Gemini 3.8 Flash TTS คิดราคา 9.00 ดอลลาร์ต่อโทเค็นเสียงหนึ่งล้านโทเค็น และเสียงถูกสร้างขึ้นที่ 25 โทเค็นต่อวินาที — มากกว่าสองในร้อยของหนึ่งเซนต์ต่อวินาทีเล็กน้อย ซึ่งประมาณ 0.81 ดอลลาร์ต่อชั่วโมงของคำพูด Fish Audio Drama 3 ตั้งราคาไว้ที่ 50.00 ดอลลาร์ต่อหนึ่งล้านไบต์ UTF-8 ซึ่งเอกสารของผู้ขายเองเทียบให้เท่ากับคำพูดประมาณสิบสองชั่วโมง: ประมาณ 4.17 ดอลลาร์ต่อชั่วโมงในราคาปกติ และ 0.83 ดอลลาร์ต่อชั่วโมงในช่วงโปรโมชั่นเปิดตัวที่สิ้นสุดวันที่ 2026-11-12 ดังนั้น เมื่อส่วนลดหมดลง โมเดลคำพูดเรือธงของ Google จึงถูกกว่าผู้ท้าชิงแบบ open-weights ถึงห้าเท่า และในระหว่างที่โปรโมชั่นยังมีอยู่ก็มีราคาไล่เลี่ยกัน กรอบความคิดแบบปกติ — โมเดลเปิดที่มีความคล่องตัวตัดราคาผู้ให้บริการคลาวด์รายใหญ่ — กลับกันโดยสิ้นเชิงในกรณีนี้ และการเข้าใจว่าทำไมคือหัวใจของการตัดสินใจทั้งหมด

การคำนวณ โดยละเอียดพอที่จะตรวจสอบได้

หน่วยของ Google คือโทเคน ไม่ใช่ตัวอักษร ซึ่งเป็นเหตุผลที่ตัวเลขพาดหัวดูไม่น่าสนใจเมื่อเทียบกับผู้จำหน่ายที่คิดราคาต่อตัวอักษร Gemini 3.8 Flash TTS ส่งออกเสียงที่ 25 โทเคนต่อวินาทีของคำพูด ในราคา $9.00 ต่อล้านโทเคนไปจนถึงสิ้นปี 2026 และโมเดลที่ถูกแทนที่ — Gemini 3.1 Flash TTS Preview — ถูกตั้งราคาไว้ที่ $20.00 สำหรับโทเคนเอาต์พุตหนึ่งล้านโทเคนเดียวกัน Gemini 3.8 Flash-Lite TTS ซึ่งเปิดตัวพร้อมกันในวันที่ 2026-09-23 มีรายการภาษาที่สั้นลงและอัตราที่ต่ำลงอีกครั้ง และ Artificial Analysis บันทึกไว้ที่ $11.00 ต่อล้านตัวอักษรเพื่อใช้ในการเปรียบเทียบ

หน่วยของ Fish Audio คือไบต์ ไม่ใช่อักขระ และเอกสารประกอบระบุการแปลงไว้อย่างชัดเจนว่า หนึ่งล้านไบต์ UTF-8 มีค่าประมาณ 180,000 คำภาษาอังกฤษ หรือประมาณสิบสองชั่วโมงของเสียงพูด ที่ราคา $50.00 ต่อล้านไบต์ นั่นคือ $4.17 ต่อชั่วโมงก่อนค่าใช้จ่ายอื่นใด ในราคาโปรโมชัน $10.00 จะอยู่ที่ $0.83 วงเล็บคำสั่งกำกับการแสดงถูกคิดค่าบริการเป็นข้อความอินพุต ดังนั้นสคริปต์ที่เต็มไปด้วยคำสั่งกำกับจึงมีค่าใช้จ่ายสูงกว่าที่จำนวนคำบ่งชี้ไว้ 10-25% — และในการเปรียบเทียบครั้งนี้ ทุกวงเล็บถูกคิดค่าบริการ เพราะการออกแบบทั้งหมดของ Drama 3 คือให้คุณเขียนการแสดงลงไปในสคริปต์

• ราคาตามรายการ ต่อชั่วโมงเสียงพูด — Gemini 3.8 Flash TTS ประมาณ $0.81; Drama 3 ประมาณ $4.17

• ราคาโปรโมชั่น ต่อชั่วโมง — Gemini 3.8 Flash TTS ประมาณ $0.81; Drama 3 ประมาณ $0.83 ถือว่าเสมอกัน

• หน่วย — โทเคนต่อวินาทีของเอาต์พุตฝั่ง Google; ไบต์ UTF-8 ของอินพุตฝั่ง Fish Audio ทั้งสองเป็นหน่วยที่ตรงไปตรงมา ทั้งสองไม่ใช่หน่วยเดียวกัน และการเปรียบเทียบแบบ "ต่อล้าน X" ใด ๆ ที่นำสองหน่วยนี้มาปนกันโดยไม่แปลงหน่วยให้ตรงกัน ก็ไม่มีความหมาย

• ค่าใช้จ่ายที่ซ่อนอยู่ — คำขอ Drama 3 ที่ส่วนหัวระบุโมเดลหายไปหรือสะกดผิดจะไม่ล้มเหลว แต่จะถอยกลับไปใช้ s2.1-pro และเรียกเก็บเงินในอัตรา 15.00 ดอลลาร์ต่อหนึ่งล้านไบต์ ซึ่งเป็นการคิดเงินเพิ่ม 50% เหนืออัตราโปรโมชันสำหรับการพิมพ์ผิดเพียงครั้งเดียว

สิ่งที่ราคาของ Google ซื้อได้จริง ๆ

การที่ราคาต่อชั่วโมงถูกกว่าเป็นเรื่องน่าสนใจก็ต่อเมื่อผลลัพธ์ใช้งานได้ และตัวเลขจากแหล่งอิสระระบุว่าใช้งานได้จริง โดยมีรูปแบบเฉพาะเจาะจง Artificial Analysis จัดให้ Google Gemini 3.8 Flash TTS อยู่อันดับที่ 5 บน Provider Voice Arena ด้วย Elo 1,283 และมีราคาที่บันทึกบนกระดานที่ $16.50 — สูงกว่า 1,278 ของ Fish Audio Drama 3 — และอยู่อันดับที่ 24 บน Controlled Voice Arena ที่ 1,053 ซึ่งต่ำกว่า 1,085 ของ Drama 3 ความแตกต่างแบบนี้สรุปลักษณะของโมเดลได้ในบรรทัดเดียว: มันฟังดูยอดเยี่ยมเมื่อใช้เสียงของ Google เอง แต่จะตกลงไปอยู่กลางตารางเมื่อทุกโมเดลถูกตัดสินด้วยเสียงอ้างอิงชุดเดียวกัน

ตารางคะแนนการออกเสียงก็บอกเรื่องราวที่แคบในทำนองเดียวกัน Gemini 3.8 Flash TTS เป็นผู้นำในหมวดหมู่ความเหมาะสมตามบริบทด้วยคะแนน 98.0% จากทั้งหมด 31 โมเดลที่ได้รับการให้คะแนน และ Drama 3 อยู่ที่ 95.3% นี่ไม่ใช่จุดอ่อนของโมเดล จุดอ่อนของ Google ในการเปรียบเทียบครั้งนี้คือการควบคุม: Gemini มาพร้อมเสียงสตูดิโอสำเร็จรูป 30 เสียง — โดยมี Kore และ Puck รวมอยู่ด้วย — พร้อมชุดภาษาครบ 130 ภาษาและการตรวจจับภาษาอัตโนมัติ และคลังเสียงที่เอกสารระบุว่าเป็น "หลายร้อย" ใน Extended Voice Library ขณะที่หน้าเพจการตลาดระบุว่ามีมากกว่า 2,000 ตัวเลขเหล่านั้นไม่เคยถูกทำให้ตรงกันจากภายนอก และหากเสียงเฉพาะเสียงใดเสียงหนึ่งเป็นองค์ประกอบสำคัญสำหรับผลิตภัณฑ์ของคุณ การทดสอบเสียงนั้นคือคำตอบเดียวที่ใครก็ตามสามารถให้คุณได้อย่างตรงไปตรงมา

เสียงที่ใช้งานได้สามสิบเสียงโดยไม่ต้องโคลนเสียงนั้นใช้ได้ดีกับบอทช่วยเหลือ ผู้บรรยายสินค้า หรือแอปเรียนภาษา แต่ใช้ไม่ได้กับไปป์ไลน์งานละคร เกมที่มีตัวละครสิบสองตัวซึ่งต้องคัดเลือกนักพากย์ หรืองานลูกค้าใด ๆ ที่เสียงคือสิ่งที่ต้องส่งมอบ นั่นคือช่องว่างที่ Fish Audio เติมเต็ม และเป็นช่องว่างที่ต่างกันในเชิงชนิด ไม่ใช่แค่เชิงระดับ

น้ำหนักโมเดลแบบเปิดให้อะไรคุณ และคุณต้องจ่ายเท่าไรเพื่อรันมัน

Fish Audio Drama 3 เป็นโมเดลแบบ mixture-of-experts ขนาด 35 พันล้านพารามิเตอร์ โดยมีพารามิเตอร์ที่ใช้งานจริงประมาณ 3 พันล้านตัวต่อโทเคน เริ่มต้นจาก Qwen3.5-35B-A3B ใช้ผู้เชี่ยวชาญแบบ routed 8 จาก 256 ตัว บวกหนึ่งตัวแบบ shared มีสี่สิบเลเยอร์จัดเป็นบล็อกละสามเลเยอร์ Gated DeltaNet และหนึ่งเลเยอร์ gated full-attention น้ำหนักโมเดลเผยแพร่บน Hugging Face ในชื่อ fishaudio/drama-3 — ประมาณ 40 GB กระจายอยู่ในชุด shard บวกไฟล์ codec แยกต่างหาก — และการอนุมานด้วย FP8 ต้องใช้ VRAM ประมาณ 48 GB โดยไม่มีเอกสารระบุเส้นทางสำหรับ CPU หรือ ROCm การให้บริการทำผ่าน SGLang-Omni และผู้ขายรายงานว่าได้ 271 เฟรมต่อวินาทีบน H200 ตัวเดียว เทียบกับ 177 สำหรับ S2

บรรทัดฮาร์ดแวร์นั้นคือข้อแลกเปลี่ยนที่แท้จริง ราคา $0.81 ต่อชั่วโมงของ Google ไม่รวมค่าใช้จ่ายฝ่ายทุนและค่าดำเนินงานเลย ต้นทุนคงที่เดียวของคุณคือคำขอ อัตราโปรโมชัน $0.83 ต่อชั่วโมงของ Drama 3 เป็นอัตราแบบ API และการรันมันด้วยตัวเองจะเปลี่ยนสิ่งนั้นเป็น GPU 48 GB, serving stack และคนที่ดูแลมัน สำหรับแคตตาล็อกเสียง 40 ชั่วโมงต่อเดือน API ย่อมถูกกว่าอย่างชัดเจน สำหรับสองสามพันชั่วโมง หรือสำหรับอะไรก็ตามที่ต้องทำงานโดยไม่มีบุคคลที่สามอยู่ในวงจร weights เปลี่ยนข้อโต้แย้งทั้งหมด — และนั่นคือสิ่งเดียวที่ Google ไม่ขายในราคาใด ๆ

ใบอนุญาตก็มีความสำคัญในที่นี้เช่นกัน เพราะเป็นสิ่งที่แยก "open weights" ออกจาก "ฟรี" Drama 3 เผยแพร่ภายใต้ Fish Audio Community License v1.0: ใช้ฟรีเพื่อการวิจัยและไม่ใช่เชิงพาณิชย์ ใช้เชิงพาณิชย์ได้ฟรีหากคุณและบริษัทในเครือมีรายได้ต่อปีต่ำกว่า 500,000 ดอลลาร์สหรัฐ และต้องมีใบอนุญาตแยกต่างหากเมื่อเกินเกณฑ์ดังกล่าว หรือเพื่อเสนอ Drama 3 เองในฐานะบริการเสียงพูดหรือบริการโคลนเสียงแบบโฮสต์ Artificial Analysis ระบุว่าเป็น open weights โดยไม่มีสิทธิ์ใช้งานเชิงพาณิชย์เต็มรูปแบบ ข้อกำหนดของ Google เป็นข้อกำหนด API ทั่วไป ซึ่งเป็นประเด็นอีกชุดหนึ่งที่แตกต่างออกไป — การจัดการข้อมูลมากกว่าการเผยแพร่ต่อ

ภาษา และตัวเลขที่ทำได้น้อยกว่าที่เห็น

Google อ้างว่ามี 130 ภาษา พร้อมการตรวจจับภาษาอัตโนมัติจากข้อความ ส่วน Fish Audio อ้างว่ามี 83 ภาษา พร้อมความสามารถที่แปลกกว่านั้นมาก: คำกำกับสามารถเขียนเป็นภาษาใดก็ได้ และไม่จำเป็นต้องตรงกับภาษาของบท อีกทั้งยังมีแท็กสลับภาษาที่มีเอกสารอธิบายไว้ ซึ่งพลิกวลีเดียวให้เป็นภาษาอื่นกลางบรรทัด — โดยระบุว่าเป็นฟีเจอร์ทดลอง สองสิ่งนี้เป็นผลิตภัณฑ์ที่ต่างกัน ตัวเลขของ Google บอกถึงจำนวนตลาดที่คุณเข้าถึงได้ด้วยการผสานรวมเพียงครั้งเดียว ส่วนตัวเลขของ Fish Audio บอกถึงความแม่นยำในการสร้างหนึ่งบรรทัด โดยผู้กำกับที่อาจไม่ใช้ภาษเดียวกับบท

สำหรับทีมที่ส่งมอบผลิตภัณฑ์ที่มีการแปลภาษา 130 ดีกว่า 83 และการตรวจจับอัตโนมัติคือการประหยัดในเชิงปฏิบัติการอย่างแท้จริง — ไม่ต้องกำหนดเส้นทางแยกตามภาษา ไม่ต้องเลือกเสียงแยกตามภาษา สำหรับทีมที่ผลิตเนื้อหาในหนึ่งหรือสองภาษาสำหรับผู้ชมที่ช่างสังเกต 83 ไม่ถือเป็นข้อจำกัด และความสามารถด้านทิศทางในภาษาใดก็ได้คือสิ่งที่มีคุณค่ามากกว่าระหว่างสองฟีเจอร์นี้ ไม่ควรตีความตัวเลขใดตัวเลขหนึ่งว่าเป็นอันดับในตารางจัดอันดับ จำนวนภาษาที่โมเดลอ้างว่ามีไม่เคยสอดคล้องกับคุณภาพในภาษาที่คุณต้องการได้ดีเลย

แต่ละรายการอยู่ในตำแหน่งใดในสแต็กที่จัดเส้นทางแล้ว

นี่เป็นหนึ่งในไม่กี่บทความในซีรีส์นี้ที่ฝั่งผู้ให้บริการไม่ได้ซื่อสัตย์เต็มที่จนกลบเกลื่อนได้: OrcaRouter กำหนดเส้นทางไปยังโมเดลเสียงพูด Gemini รุ่นก่อนๆ ของ Google — google/gemini-3.1-flash-tts-preview และ google/gemini-2.5-flash-preview-tts ทั้งสองอยู่ในแคตตาล็อกในปัจจุบัน — แต่ไม่รวม Google Gemini 3.8 Flash TTS และไม่รวม Fish Audio Drama 3 โมเดล Gemini TTS รุ่นเก่าเหล่านั้นมีให้บริการผ่านเราในราคาตามรายการของ Google โดยไม่บวกเพิ่ม; ส่วนสองโมเดลที่บทความนี้กล่าวถึงจริงนั้นเข้าถึงได้ผ่าน API ของผู้จำหน่ายเอง และในกรณีของ Fish Audio ผ่านแพลตฟอร์มของบุคคลที่สาม

ผลลัพธ์ที่เป็นประโยชน์คือ ค่าใช้จ่ายด้านเสียงของ Google ส่วนใหญ่สามารถอยู่หลังคีย์เดียวได้แล้ว และ ชั้น failover คือสิ่งที่ทำให้การรันการเปรียบเทียบนี้มีต้นทุนต่ำ: วาง canary ของ Drama 3 ไว้เคียงข้างการเรียก Gemini 3.8 Flash TTS แล้วกำหนดเส้นทาง production ไปยังตัวที่ผ่าน acceptance test ของคุณ การเลือกแบบราย segment จะอยู่ใน routing DSL แทนที่จะอยู่ใน SDK สองตัว การฟิวชันโมเดลเป็นอีกทางเลือกที่สิ่งนี้เปิดขึ้นมา — panel ที่เรนเดอร์บรรทัดเดียวกันผ่านทั้งสองโมเดลแล้วเลือกตามกฎที่คุณกำหนด ซึ่งสำหรับงานบรรยายเสียงหมายความว่าคุณสามารถคงการออกเสียงของ Drama 3 ไว้บนบรรทัดที่มีโค้ด และคงการอ่านตามบริบทของ Google ไว้บนข้อความร้อยแก้ว

ข้อสรุปพูดให้ตรง ๆ: สำหรับงานภาษาอังกฤษปริมาณมากที่ไม่ต้องโคลนเสียงและไม่ต้องการลงทุนด้านโครงสร้างพื้นฐาน Gemini 3.8 Flash TTS ในราคา $0.81 ต่อชั่วโมงเป็นโมเดลที่ถูกกว่าและฟังดูดีกว่าบนเสียงจากผู้ให้บริการ และเหตุผลสนับสนุน Drama 3 จะหมดน้ำหนักเมื่อเทียบกับเรทราคา สำหรับงานใดก็ตามที่ต้องการเสียง customized หรือเสียงนักพากย์ การกำกับรายคำ การควบคุมหน่วยเสียง หรือความสามารถในการทำงานโดยไม่ต้องพึ่งบุคคลที่สาม Drama 3 คือตัวเดียวในสองตัวนี้ที่ทำงานนั้นได้จริง — ในราคาตามรายการ ค่าใช้จ่ายต่อชั่วโมงของมันเป็นห้าเท่าของ Google และในช่วงโปรโมชันมีค่าใช้จ่ายเท่ากัน ซึ่งทำให้สองสัปดาห์ข้างหน้าเป็นช่วงเวลาที่ถูกที่สุดที่ใคร ๆ จะได้มีโอกาสค้นหาว่าข้อได้เปรียบด้านการออกเสียงนั้นคุ้มค่าที่จะสร้างระบบโดยอิงสิ่งนี้หรือไม่