Fish Audio Drama 3 กับ Inworld Realtime TTS-2: ตัวหนึ่งอ่านบท อีกตัวติดตามบทสนทนา

คำว่า "Realtime" ใน Inworld Realtime TTS-2 เป็นการบอกเรื่องความหน่วง ไม่ใช่คำอธิบายว่าตัวแบบทำอะไร ผลิตภัณฑ์ speech-to-speech ของ Inworld สำหรับบทสนทนาแบบสดเป็นรายการแยกต่างหากบนหน้าค่าบริการของตัวเอง ส่วน Realtime TTS-2 เป็นโมเดล text-to-speech ที่เร็วพอสำหรับการใช้งานแบบโต้ตอบ ความแตกต่างนี้สำคัญทันทีเมื่อนำไปเทียบกับ Fish Audio Drama 3 ซึ่งถูกสร้างมาเพื่องานที่ตรงกันข้าม — โมเดลขนาด 35,000 ล้านพารามิเตอร์ที่การออกแบบทั้งหมดคือให้คุณเขียนคำกำกับเวทีลงในบทก่อนที่จะพูดสักบรรทัด เมื่อวางเทียบกันบน Artificial Analysis ความแตกต่างกลับชัดเจนอย่างผิดปกติ: Drama 3 นำ Provider Voice Arena อยู่ 11 คะแนน และ Inworld นำ Controlled Voice Arena อยู่ 61 คะแนน ทิศทางของช่องว่างนั้นบอกได้มากกว่าว่าแต่ละตัวมีไว้ทำอะไร มากกว่าตัวเลขใดตัวเลขหนึ่งจะบอกได้เอง

สองผลิตภัณฑ์ที่ไม่เคยมีเป้าหมายไปที่สิ่งเดียวกัน

Inworld Realtime TTS-2 เริ่มต้นในฐานะพรีวิวงานวิจัยเมื่อ 2026-05-05 และเปิดให้ใช้งานทั่วไปอย่างเป็นทางการในวันที่ 2026-09-02 จุดขายตอนเปิดตัวgeneral availability ไม่ใช่ความเที่ยงตรงของเสียง แต่คือโมเดลจะนำบทสนทนาก่อนหน้าในรูปแบบเสียงมาวิเคราะห์โทนและจังหวะ แล้วจึงตัดสินใจว่าประโยคถัดไปควรฟังดูเป็นอย่างไร นั่นคือฟีเจอร์สำหรับเอเจนต์สนทนา บอทฝ่ายสนับสนุนที่เพิ่งได้ยินลูกค้าที่หงุดหงิดไม่จำเป็นต้องได้รับคำสั่งกำกับการแสดง มันต้องอนุมานเอาจากสิ่งที่เพิ่งพูดไป

Fish Audio Drama 3 ซึ่งเผยแพร่เมื่อ 2026-10-13 ไปในทิศทางตรงกันข้าม ทุกความสามารถที่มันโฆษณาล้วนเกี่ยวกับการกำหนดผู้เขียนอย่างชัดเจน: คำสั่งในวงเล็บที่วางไว้ก่อนวลีที่คำสั่งนั้นควบคุม, เหตุการณ์เสียงและการหยุดที่วางไว้กลางบรรทัด, แท็กคู่ที่เปลี่ยนเฉพาะคำที่ถูกห่อไว้ (whisper, emphasis, soft, fast, slow, stress, forceful), การปักหมุดหน่วยเสียงสำหรับการออกเสียง, แท็กสลับภาษาสำหรับวลีเดียว, คำสั่งที่เขียนด้วยภาษาซึ่งต่างจากบท และบทสนทนาหลายผู้พูดในคำขอเดียวผ่านอาร์เรย์ reference_id พร้อมแท็กผู้พูดสำหรับแต่ละรอบคำพูด ไม่มีสิ่งใดในรายการนั้นที่อนุมานได้จากบริบท ทั้งหมดเป็นสิ่งที่ผู้เขียนพิมพ์ลงไป

ดังนั้นการวางกรอบอย่างตรงไปตรงมาจึงไม่ใช่คำถามที่ว่า “อะไรดีกว่า” แต่เป็น “ความล้มเหลวแบบใดที่คุณทนไม่ได้” ไพป์ไลน์สำหรับงานดราม่าที่ต้องเรนเดอร์ฉากซึ่งมีตัวละครสิบสองตัวพร้อมความต่อเนื่องทางอารมณ์จะไปไม่ถึงจุดนั้นด้วยโมเดลที่ออกแบบมาเพื่ออนุมานโทนเสียงจากประวัติแชต วอยซ์เอเจนต์ที่ต้องตอบภายในเวลาไม่ถึงหนึ่งวินาทีจะไปไม่ถึงจุดนั้นด้วยโมเดลที่ต้องมีสเตจไดเรกชันและ VRAM 48 GB พื้นที่ทับซ้อนที่ทั้งสองแนวทางใช้งานได้จริงอย่างแท้จริงนั้นแคบมาก: การบรรยายคุณภาพสูงตามสคริปต์ที่ส่งผ่าน API สำหรับเนื้อหาเชิงโต้ตอบ — ตัวอย่างหนังสือเสียง, เสียงตอบของ NPC ที่เรนเดอร์ไว้ล่วงหน้า, วอยซ์โอเวอร์ด้านการตลาดที่ต้องสร้างใหม่ตามกำหนดการ

ป้ายต่าง ๆ เมื่ออ่านตามลำดับที่ถูกต้อง

ตัวเลขทั้งสองด้านล่างนี้อ่านจาก Artificial Analysis เมื่อวันที่ 2026-10-29:

Provider Voice Arena — Fish Audio Drama 3 อยู่อันดับ 6 ด้วยคะแนน 1,278 และราคาที่บันทึกไว้บนบอร์ดที่ $15.00 ต่อล้านตัวอักษร; Inworld Realtime TTS-2 อยู่อันดับ 8 ด้วยคะแนน 1,267 และราคา $20.80. Inworld Realtime TTS-2 Flash อยู่อันดับ 19 บนบอร์ดแบบควบคุมด้วยคะแนน 1,065

• Controlled Voice Arena — Fish Audio Drama 3 อยู่อันดับที่ 12 ด้วย 1,085; Inworld Realtime TTS-2 อยู่อันดับที่ 7 ด้วย 1,146 โดย Inworld นำอยู่ 61 คะแนน

• ความไม่สมมาตร — ข้อได้เปรียบ 11 คะแนนของผู้ให้บริการของ Drama 3 หดลงและกลับทิศทันทีเมื่อทำการเปรียบเทียบโดยใช้เสียงอ้างอิงชุดเดียวกัน แทนที่จะใช้แคตตาล็อกของแต่ละผู้ให้บริการเอง ความเป็นผู้นำของมันส่วนใหญ่เป็นความเป็นผู้นำในหมู่เสียงที่ Fish Audio ให้บริการ ส่วนของ Inworld ไม่ใช่เช่นนั้น

• ความไม่สมมาตรอีกประการ — สองรายการของ Inworld อยู่คนละช่วงของกระดาน โดยรุ่นเรือธงอยู่ที่ 1,146 และ Flash อยู่ที่ 1,065 เป็นช่องว่าง 81 คะแนนระหว่างระดับของตระกูลเดียวกัน Drama 3 ไม่มีระดับที่ต่ำกว่านั้น คุณจะได้โมเดล 35B หรือใช้อย่างอื่นแทน

นี่คือรูปแบบที่ตรงกันข้ามกับบอร์ดสองอันเดียวกันภายใต้ Google Gemini 3.8 Flash TTS ซึ่งโมเดลแบบปิดชนะในส่วนเสียงจากผู้ให้บริการและแพ้ในส่วนที่ควบคุมไว้ ทั้งสองรูปแบบไม่ใช่สัญญาณรบกวน ทั้งคู่เป็นเครื่องเตือนใจว่าตัวเลขจากอารีนาเพียงตัวเดียวบรรยายถึงชุดรวมของโมเดลบวกไลบรารีเสียง และมีเพียงบอร์ดที่ควบคุมไว้เท่านั้นที่แยกโมเดลออกมาได้

การรับรู้บริบทเมื่อเทียบกับทิศทาง อย่างเป็นรูปธรรม

ประกาศ GA ของ Inworld Realtime TTS-2 อธิบายถึงโมเดลที่อ่านประวัติบทสนทนา — เทิร์นก่อนหน้าในรูปแบบเสียง — และใช้ข้อมูลนั้นเพื่อกำหนดจังหวะและการแสดงอารมณ์ นั่นเป็นคำกล่าวอ้างของผู้ขาย ไม่ใช่ความสามารถที่ได้รับการให้คะแนนอย่างอิสระ และอารีนาของ Artificial Analysis ก็ไม่ได้ทดสอบสิ่งนี้ พวกเขาทดสอบเพียงประโยคเดี่ยวเทียบกับเสียงอ้างอิง ดังนั้นฟีเจอร์ที่ Inworld กำลังขายอยู่จริงจึงเป็นฟีเจอร์ที่ยังไม่มีเบนช์มาร์กสาธารณะใดวัดได้ ควรถือคำกล่าวอ้างนี้ว่าน่าสนใจแต่ยังไม่ผ่านการทดสอบ และควรทดสอบกับบทสนทนาของคุณเองมากกว่าจะเทียบกับลีดเดอร์บอร์ด

ความสามารถด้านการกำกับ (direction) ของ Drama 3 นั้นวัดผลได้ในความหมายอย่างแคบ นั่นคือคุณเห็นการเปลี่ยนแปลงของเอาต์พุตเมื่อเปลี่ยนวงเล็บ และ Fish Audio ก็จัดทำเอกสารประกอบแต่ละความสามารถพร้อมตัวอย่างเสียง ส่วนฟีเจอร์ที่คู่แข่งรายใดในการเปรียบเทียบนี้ไม่สามารถเทียบได้ คือการกำกับที่ไม่ขึ้นกับภาษา กล่าวคือคำสั่งกำกับที่เขียนเป็นภาษาจีนวางไว้หน้าบทพูดภาษาอังกฤษ ซึ่งมีเอกสารและตัวอย่างสาธิตให้ดู สำหรับทีมโพสต์โปรดักชันระดับนานาชาติ นี่คือสิ่งที่ปลดล็อกการทำงานได้จริง ไม่ใช่แค่ของnice-to-have และเป็นประเภทของสิ่งที่โชว์ให้เห็นในโครงการนำร่องได้ภายในหนึ่งชั่วโมง

การทดสอบภาคปฏิบัติสำหรับทีมที่กำลังตัดสินใจเลือกระหว่างทั้งสองตัวคือบทสนทนาของคุณเองจำนวนหนึ่งหน้า เรนเดอร์บทนั้นด้วยบริบทการสนทนาของ Inworld ที่ตั้งค่าไว้เหมือนกับที่จะเป็นในโปรดักชัน และเรนเดอร์ด้วย Drama 3 พร้อมคำสั่งที่ชัดเจน ตัวเลือกใดก็ตามที่ทำให้คุณต้องแก้บรรทัดด้วยมือน้อยกว่า นั่นคือคำตอบ และคำตอบสำหรับเอเจนต์แชตจะแตกต่างจากคำตอบสำหรับละครวิทยุ

การโคลน ความหน่วง และตัวเลขที่คุณวางแผนได้

การโคลนเสียงแบบทันทีของ Inworld รับเสียงอ้างอิงความยาว 5 ถึง 15 วินาที และเบตาการโคลนเสียงระดับมืออาชีพของบริษัทใช้เสียงประมาณ 10 นาทีเพื่อให้ได้โคลนที่มีความเที่ยงตรงสูงขึ้น ตัวเลขเหล่านี้เป็นตัวเลขจากผู้ให้บริการและเจาะจงพอที่จะนำไปทดสอบได้ การโคลนของ Fish Audio อยู่ในระบบเครดิตเดียวกับการสร้างเสียง และ Drama 3 ใช้เครดิตเดียวกันกับ S2.1 Pro ในแผนการสมัครสมาชิก แต่ส่วนที่แตกต่างคือสัญญาอนุญาต เนื่องจากสัญญาอนุญาตชุมชนของ Fish Audio ห้ามโคลนเสียงของบุคคลจริงโดยไม่ได้รับความยินยอมอย่างชัดเจน ขณะที่ข้อกำหนดของ Inworld เป็นข้อกำหนด API ทั่วไป

ความหน่วง (latency) คือจุดที่ Inworld เป็นเครื่องมือที่ถูกต้องอย่างชัดเจน และการเปรียบเทียบก็ไม่ควรแสร้งว่าเป็นอย่างอื่น TTS-2 แบบเรียลไทม์และระดับ Flash ของมันถูกสร้างขึ้นสำหรับผลิตภัณฑ์เชิงโต้ตอบ โดยระดับ Flash ตั้งราคาต่ำกว่าตัวเรือธง 40% สำหรับงานที่ต้องการมันพอดี ตัวเลขความเร็วที่ Fish Audio เผยแพร่สำหรับ Drama 3 คือ 271 เฟรมต่อวินาทีบน H200 เครื่องเดียว เทียบกับ 177 ของ S2 — ซึ่งเป็นตัวเลขทรูพุตสำหรับการเรนเดอร์แบบแบตช์ ไม่ใช่เวลาในการส่งไบต์แรกสำหรับสตรีมสด หากความต้องการของคุณคือ "เสียงต้องเริ่มภายในเทิร์นของการสนทนา" คุณก็อยู่ในผลิตภัณฑ์ของ Inworld แล้ว และความเป็นผู้นำด้านผู้ให้บริการที่นำอยู่ 11 จุดของ Drama 3 ก็ไม่อาจเปลี่ยนแปลงข้อเท็จจริงนี้ได้

ราคา ตามอัตราที่คุณจะจ่ายจริง

Inworld Realtime TTS-2 ราคา $25.00 ต่อล้านตัวอักษรแบบ on-demand โดยลดลงเป็น $20.00 สำหรับแพ็กเกจ Creator ราคา $25, $17.50 ที่ Builder, $15.00 ที่ Developer และ $12.50 ที่ Growth ส่วน Flash ราคา $15.00 แบบ on-demand ลดลงเหลือ $7.00 ที่ Growth Fish Audio Drama 3 ราคา $50.00 ต่อล้านไบต์ UTF-8 ตามราคาปกติ และ $10.00 ในช่วงโปรโมชันเปิดตัวจนถึง 2026-11-12 09:00 PT สำหรับสคริปต์ภาษาอังกฤษ 100,000 ตัวอักษร คิดเป็น $2.50 ตามอัตรา on-demand ของ Inworld เทียบกับ $5.00 สำหรับ Drama 3 ในราคาปกติ หรือ $1.00 ในช่วงโปรโมชัน

ข้อควรระวังสามข้อนี้ควรนับรวมอยู่ในการคำนวณนั้น ไม่ใช่เขียนไว้เป็นหมายเหตุใต้การคำนวณ Drama 3 คิดค่าบริการตามไบต์ UTF-8 ดังนั้นข้อความภาษา CJK จึงมีค่าใช้จ่ายเป็นหลายเท่าของภาษาอังกฤษเมื่อมีจำนวนอักขระเท่ากัน ขณะที่อัตราคิดค่าตามจำนวนอักขระของ Inworld ไม่เปลี่ยนแปลง วงเล็บคำสั่งกำกับการแสดงของ Drama 3 ถูกคิดค่าเป็นข้อความอินพุต ซึ่งเพิ่มขึ้น 10–25% สำหรับบทที่มีคำกำกับหนาแน่น — ซึ่งเป็นบทแบบเดียวกับที่คุณจำเป็นต้องใช้โมเดลนี้ และกลไก fallback ของ Fish Audio ทำงานอย่างเงียบ ๆ: คำขอที่ไม่มีส่วนหัวระบุโมเดลหรือมีส่วนหัวที่ไม่ตรงกันทุกประการจะถูกให้บริการและคิดค่าบริการเป็น s2.1-pro ในอัตรา $15.00 ต่อล้านไบต์ แทนที่จะถูกปฏิเสธ

การเปรียบเทียบที่ยังคงอยู่หลังผ่านข้อควรระวังทั้งสามข้อนั้นสั้นกว่าที่ตารางราคาบ่งชี้ ในราคาปกติ Inworld อยู่ที่ประมาณครึ่งหนึ่งของ Drama 3 ต่ออักขระภาษาอังกฤษ และดีกว่าในเรื่องเสียงที่ควบคุมได้ ในช่วงโปรโมชัน Drama 3 มีราคาเป็นหนึ่งในสามของราคา Inworld ใครก็ตามที่ตัดสินใจจากราคาเพียงอย่างเดียวกำลังเลือกวันที่ ไม่ใช่เลือกผลิตภัณฑ์

ทั้งสองอย่างไม่มีอยู่ในแคตตาล็อกของเรา และนั่นเปลี่ยนอะไรไปบ้าง

Fish Audio Drama 3 และ Inworld Realtime TTS-2 ต่างเข้าถึงได้ผ่าน API ของผู้ให้บริการแต่ละรายและแพลตฟอร์มของบุคคลที่สาม ทั้งสองไม่ได้เป็นหนึ่งในโมเดลบน OrcaRouter และประเด็นเรื่องการกำหนดเส้นทางในที่นี้เกี่ยวกับส่วนที่เหลือของสแต็กมากกว่าจะเกี่ยวกับสองตัวนี้ ผลิตภัณฑ์ด้านเสียงไม่ค่อยเรียกใช้โมเดลเสียงเพียงตัวเดียวโดยไม่มีอย่างอื่น — มันเรียก LLM สำหรับบทพูด เรียกโมเดลเสียงสำหรับเสียง บางครั้งเรียกโมเดลเสียงตัวที่สองสำหรับส่วนที่แตกต่างกัน และมีกำหนดส่ง การรวมครึ่งที่ไม่ใช่เสียงไว้เบื้องหลังคีย์เดียวในราคาตามรายการของผู้ให้บริการโดยไม่บวกเพิ่ม พร้อมกับการสลับสำรองอัตโนมัติ เพื่อให้ปัญหาสะดุดจากต้นทางเพียงครั้งเดียวไม่ทำให้การเรนเดอร์หยุดชะงัก คือสิ่งที่ทำให้การเลือกเสียงยังคงเป็นการตัดสินใจด้านการกำหนดค่า ไม่ใช่ด้านสถาปัตยกรรม

สิ่งที่ทำให้ routing DSL คุ้มค่าในคู่แข่งขันเฉพาะรายนี้นั้นคือไปป์ไลน์แบบผสม นั่นคือบทบรรยายเชิงดราม่าที่เรนเดอร์ไว้ล่วงหน้าผ่าน Drama 3 และบทสนทนาแบบสดผ่าน Inworld ซึ่งถูกกำหนดเป็นสองเส้นทางบนคีย์เดียว โดยเลือกใช้ตามแต่ละช่วง การผสานโมเดลครอบคลุมกรณีที่คุณตัดสินใจไม่ได้ นั่นคือเรนเดอร์บรรทัดเดียวกันผ่านทั้งสองระบบ ให้คะแนนเทียบกับข้อมูลอ้างอิง แล้วเก็บตัวที่ชนะไว้ ทั้งสองวิธีนี้ไม่ใช่วิธีหลบเลี่ยงราคาของผู้ให้บริการรายใดรายหนึ่ง แต่เป็นวิธีหลบเลี่ยงการต้องดูแลการเชื่อมต่อสองชุดเพียงเพื่อประหยัดหนึ่งบรรทัดในไฟล์คอนฟิก

สำหรับผู้อ่านที่กำลังตัดสินใจเลือก: Inworld Realtime TTS-2 หากเสียงพูดต้องตอบสนองต่อบทสนทนา หากความหน่วงเป็นข้อจำกัด หากคุณต้องการระดับ Flash เพื่อรองรับปริมาณการใช้งาน และหากยอมรับ API แบบปิดได้ Fish Audio Drama 3 หากเสียงพูดถูกกำหนดขึ้นล่วงหน้าแทนที่จะตอบสนอง หากการออกเสียงชื่อและรหัสต้องเชื่อถือได้ หากคำสั่งกำกับต้องถูกบันทึกเป็นลายลักษณ์อักษร หากคุณต้องการน้ำหนักโมเดล หรือหากโจทย์จะถูกเขียนด้วยภาษาที่ต่างจากสคริปต์ คะแนนนำ 11 คะแนนของผู้ให้บริการเป็นตัวเลขที่สำคัญน้อยที่สุดในรายการนั้น ส่วนคะแนนขาด 61 คะแนนที่ควบคุมได้คือสิ่งที่ต้องตรวจสอบเทียบกับเสียงอ้างอิงของคุณเองก่อนตัดสินใจ