Fish Audio Drama 3 กับ VoxCPM2: ลีดเดอร์บอร์ดปะทะเอกสารข้อมูล

Fish Audio Drama 3 มี Elo แต่ VoxCPM2 ไม่มี ซึ่งทำให้การเปรียบเทียบที่เห็นได้ชัดระหว่างทั้งสองเป็นไปไม่ได้ และทำให้การเปรียบเทียบที่น่าสนใจนั้นมองข้ามได้ง่าย Drama 3 ซึ่งประกาศเมื่อวันที่ 13 ตุลาคม 2026 และได้รับการให้คะแนนโดย Artificial Analysis ตั้งแต่นั้นมา อยู่อันดับที่ 6 จาก 100 ใน Provider Voice Arena ด้วยคะแนน 1,278 VoxCPM2 ไม่มีแถวในกระดานเสียงใด ๆ ของ Artificial Analysis และไม่ปรากฏอยู่ในอารีน่าทั้งสองแห่งที่อ้างถึงในหน้านี้ สิ่งที่ทั้งสองแล็บเผยแพร่คือ Seed-TTS-eval และตัวเลขนั้นบอกสิ่งที่การจัดอันดับเพียงอย่างเดียวไม่สามารถบอกได้: ในการรันของแต่ละผู้จำหน่ายเอง Drama 3 ต้องใช้สองรอบจึงจะเอาชนะ VoxCPM2 ที่ใช้หนึ่งรอบ การเลือกระหว่างสองโมเดลนี้ไม่ใช่เรื่องของคุณภาพอย่างแท้จริง แต่เป็นเรื่องของว่าคุณต้องการเครื่องยนต์สำหรับการแสดงที่คุณเช่าตามจำนวนตัวอักษร หรือโมเดลสองพันล้านพารามิเตอร์ที่คุณถือครองไว้ได้

คนหนึ่งมี Elo ส่วนอีกคนมี datasheet

ความไม่สมมาตรนี้ควรพูดให้ตรง ๆ เพราะหน้าสื่อสารเปรียบเทียบส่วนใหญ่กลบเกลื่อนเรื่องนี้เงียบ ๆ Drama 3 อยู่ในกระดานจัดอันดับทุกแห่งที่สำคัญ: อันดับ 6 จาก 100 ใน Provider Voice Arena ที่ 1,278 อันดับ 12 จาก 49 ใน Controlled Voice Arena ที่ 1,085 และอันดับ 1 ร่วมจาก 31 ด้านความทนทานการออกเสียงภาษาอังกฤษที่ 93.2% ส่วน VoxCPM2 ไม่ปรากฏอยู่ในกระดานใดเลย

การที่ไม่มีชื่ออยู่ในนั้นไม่ใช่เรื่องอื้อฉาว และก็ไม่ใช่เรื่องใหม่ VoxCPM2 ออกมาตั้งแต่ฤดูใบไม้ผลิปี 2026 — เอกสารของโครงการระบุว่าไลน์ 2.0 คือเดือนมีนาคม รีโพซิทอรีติดแท็กเป็น 2026.04 และรายงานทางเทคนิคเผยแพร่ในเดือนมิถุนายนเป็น arXiv:2606.06928 — และตลอดเวลานั้น ก็ไม่มีใครนำมันไปใส่ในอารีนาการฟังแบบปิดตาเลย คำอธิบายที่น่าจะเป็นไปได้ที่สุดนั้นธรรมดา: ช่องในอารีนามักถูกเติมโดยผู้ขายที่มีปลายทางโฮสต์ไว้โปรโมต และ OpenBMB ไม่ได้ขายปลายทางแบบนั้น VoxCPM2 แจกจ่ายน้ำหนักโมเดลบน Hugging Face และ ModelScope พร้อมเซิร์ฟเวอร์ /v1/audio/speech ที่เข้ากันได้กับ OpenAI ผ่าน vLLM-Omni และนั่นคือเรื่องราวการแจกจ่ายทั้งหมด

ดังนั้นจุดยืนที่ซื่อสัตย์คือแบบนี้: เราจะเปรียบเทียบ Drama 3 กับคะแนนก็ได้ หรือจะเปรียบเทียบสองโมเดลกับกันและกันก็ได้ เราทำทั้งสองอย่างพร้อมกันไม่ได้ และหน้าใดก็ตามที่นำเสนอ Elo แบบ VoxCPM2 เทียบกับ Drama 3 กำลังกุค่าดังกล่าวขึ้นมาเอง

แกนเดียวที่ทั้งคู่เผยแพร่

Seed-TTS-eval เป็นสิ่งที่ใกล้เคียงที่สุดกับมาตรวัดร่วมในสาขานี้ และทั้งสองแล็บก็รายงานผลบนมาตรวัดนี้ ข้อควรระวังคือไม่มีแล็บใดเผยแพร่ตารางฉบับเต็มในรูปแบบเดียวกัน ดังนั้นสิ่งที่ตามมาจึงเป็นการวัดผลโดยผู้ขายสองรายที่วัดตัวเอง

• อัตราข้อผิดพลาดระดับคำภาษาอังกฤษ — Drama 3 รายงาน 1.54% ในการบันทึกเทครอบสุดท้าย และ 2.20% ในการบันทึกเทครอบแรก; VoxCPM2 รายงาน 1.84% ในการประมวลผลเพียงครั้งเดียว เทครอบที่เสร็จสมบูรณ์ของ Drama 3 เป็นตัวเลขที่ดีที่สุดในบรรดาตัวเลขทั้งสาม และเทครอบแรกของมันเป็นตัวเลขที่แย่ที่สุด

• อัตราข้อผิดพลาดภาษาจีน — Drama 3 มี CER 0.83% ในเทคสุดท้าย และ 1.00% ในเทคแรก; VoxCPM2 มี CER 0.97% รูปแบบเดียวกัน โดยเทคสุดท้ายของ Drama 3 ดีกว่า และเทคแรกของมันอยู่ในระดับใกล้เคียงกัน

• ความคล้ายคลึงของผู้พูด — Drama 3 รายงานค่า 0.640 สำหรับภาษาอังกฤษ (สเกล 0–1); VoxCPM2 รายงาน 75.3 สำหรับภาษาอังกฤษและ 79.5 สำหรับภาษาจีน ซึ่งตามเกณฑ์ 0–100 ที่ใช้ที่อื่นในรายงานของตน จะเท่ากับ 0.753 และ 0.795 VoxCPM2 เป็นระบบโคลนเสียงที่แข็งแกร่งกว่าเมื่อพิจารณาจากตัวเลขของตนเอง

• การทดสอบความเครียดที่กว้างขึ้น — VoxCPM2 ยังเผยแพร่อัตราข้อผิดพลาดของ CV3-eval ในสิบเอ็ดภาษา (3.65% zh, 5.00% en, 8.55% hard-zh, 9.85% fr, 4.25% it, 5.21% ru) และค่าเฉลี่ยภายในสำหรับ 30 ภาษาเท่ากับ 1.68% ส่วน Drama 3 ไม่ได้เผยแพร่ตารางข้อผิดพลาดแยกตามภาษาที่เทียบเท่ากัน จึงไม่มีข้อมูลใดให้นำมาเปรียบเทียบข้าง ๆ ได้

ให้ถือว่าช่องว่างด้านความคล้ายคลึงนั้นสำคัญจริงจัง และมองช่องว่างของอัตราคำผิดอย่างเบา ๆ ความคล้ายคลึงของผู้พูดเป็นเมตริกที่มีแนวโน้มจะอยู่รอดแม้ชุดทดสอบ (harness) ต่างกันมากที่สุด เพราะมันคือระยะทางโคไซน์ระหว่าง embedding ของเสียงอ้างอิงเดียวกัน อัตราคำผิดขึ้นอยู่กับการปรับมาตรฐาน (normalisation) การประมวลผลข้อความล่วงหน้า และการใช้คลิปอ้างอิงใดบ้าง และทั้งสองแล็บก็ไม่ถูกกำหนดให้ต้องเห็นพ้องกันในเรื่องเหล่านี้เลย ทิศทางนั้นเชื่อถือได้ — VoxCPM2 เลียนแบบได้ใกล้เคียงกว่า และ Drama 3 ถอดความได้แม่นยำกว่าหลังการแก้ไข — แต่ขนาดของส่วนต่างนั้นไม่ใช่ผลการวัด

ภาษีจากการแก้ไขที่ไม่มีใครใส่ไว้ในพาดหัวข่าว

1.54% และ 2.20% เป็นโมเดลเดียวกันบนการทดสอบเดียวกัน ต่างกันเพียงว่าเทคถูกยอมรับในครั้งแรกหรือไม่ รายงานทางเทคนิคของ Fish Audio ซื่อสัตย์อย่างผิดปกติในเรื่องนี้ โดยรายงานทั้งสองค่า เพราะการแก้ไขแบบหลายเทคคือตัวผลิตภัณฑ์ จุดขายคือคุณกำกับบทพูดด้วยภาษาธรรมชาติ ฟัง ปรับทิศทาง และเก็บเทคที่ต้องการ — และเกณฑ์มาตรฐานสะท้อนเทคที่เก็บไว้

ถ้านั่นคือวิธีการทำงานของไปป์ไลน์ของคุณ ตัวเลขที่คุณจะเห็นก็คือ 1.54% หากคุณสตรีมแบบ single pass เข้าไปในการสนทนาแบบเรียลไทม์ บทสนทนาในเกม หรือการเรนเดอร์แบบแบตช์ที่ไม่มีมนุษย์อยู่ในวงจร คุณกำลังจ่ายในราคาที่ให้ตัวเลข 2.20% ซึ่งแย่กว่า single-pass 1.84% ของ VoxCPM2 การกลับทิศของตัวเลขนี้คือข้อเท็จจริงที่มีประโยชน์ที่สุดในการเปรียบเทียบครั้งนี้ และเป็นสิ่งที่ตารางของทั้งสองผู้ขายไม่ได้ทำให้เห็นชัดเจน มันยังทำให้เห็นต้นทุนของเวิร์กโฟลว์ด้วย: การเทกเพิ่มทุกครั้งคือการสังเคราะห์เต็มรูปแบบอีกครั้ง และ Drama 3 คิดเงินตามจำนวนอักขระอินพุต ดังนั้นนิสัยการเทกสามครั้งจึงคูณใบแจ้งหนี้เป็นสามเท่า

VoxCPM2 ไม่มีกลไกการแก้ไขในลักษณะนี้ มันมีโหมดการสร้างสี่แบบ ได้แก่ zero-shot, continuation, reference-only และแบบผสมที่ใช้เสียงอ้างอิงพร้อมพรอมป์ต์เสียง และวิธีรับมือกับเทคที่ออกมาไม่ดีก็คือเรนเดอร์ใหม่อีกครั้งด้วยแท็กสไตล์ที่ต่างออกไป ต้นทุนต่อครั้งถูกกว่า เพราะคุณไม่ได้จ่ายตามจำนวนตัวอักษร แต่ไม่มีความทรงจำระดับโมเดลเกี่ยวกับเทคที่ถูกปฏิเสธ

ฮาร์ดแวร์ขั้นต่ำคือการตัดสินใจที่แท้จริง

นี่คือจุดที่โมเดลทั้งสองหยุดเป็นสิ่งทดแทนกัน

• ขนาด/พื้นที่ใช้งานของ VoxCPM2 — ใช้ VRAM ประมาณ 8 GB, real-time factor อยู่ที่ราว 0.30 บน RTX 4090 และ 0.13 เมื่อใช้ Nano-VLLM; ทางโปรเจกต์ยังรายงานค่า 1.76 ที่ Q8_0 บน Apple M4 Pro ผ่าน llama.cpp-omni โดยรันบนเวิร์กสเตชัน

• ขนาดพื้นที่หน่วยความจำของ Drama 3 — Fish Audio ไม่ได้ประกาศ VRAM ขั้นต่ำ ตารางปริมาณงานของมันถูกวัดบน H200s: 166.7 เฟรมต่อวินาที และเวลาถึงเสียงแรกมัธยฐาน 88.9 ms ที่หนึ่งสตรีมพร้อมกัน, 927.6 เฟรม/วินาที ที่สิบหกสตรีม, 1,687 เฟรม/วินาที ที่หกสิบสี่สตรีม โดยมี RTF 0.131 ที่การตั้งค่าสตรีมเดียว ผู้รีวิวประเมินว่าความต้องการ bf16 อยู่ที่การ์ด 48 GB และบิลด์ 4-bit จากคอมมิวนิตี้อ้างว่าประมาณ 32 GB มันทำงานบนเซิร์ฟเวอร์หรือบนเครื่องของคนอื่น

• ข้อควรระวังด้านทรูพุต — โพสต์เปิดตัวอ้างอิง 271 เฟรมต่อวินาทีจาก H200 เครื่องเดียว ขณะที่ตารางสตรีมมิ่งของการ์ดโมเดลให้ค่าสูงสุดเพียง 166.7 ที่หนึ่งคำขอ ทั้งสองค่าอาจเป็นจริงได้ภายใต้การตั้งค่าการวัดที่แตกต่างกัน แต่นั่นหมายความว่าตัวเลขความเร็วในพาดหัวไม่ใช่ตัวเลขที่การทดสอบโหลดของคุณจะทำซ้ำได้

การคำนวณมีดังนี้ หนึ่งล้านตัวอักษรคิดเป็นประมาณสิบห้าถึงยี่สิบชั่วโมงของเสียงพูดที่เสร็จสมบูรณ์ที่ความเร็วการบรรยายปกติ บน 4090 ที่ RTF 0.30 นั่นคือเวลา GPU ห้าถึงหกชั่วโมง; บน API ของ Fish Audio คิดเป็น 10 ดอลลาร์สหรัฐในช่วงโปรโมชันเปิดตัว และ 50 ดอลลาร์สหรัฐหลังจากสิ้นสุดในวันที่ 12 พฤศจิกายน การโฮสต์ VoxCPM2 ด้วยตนเองมีต้นทุนต่อชั่วโมงเสียงถูกกว่า และถูกกว่ามากต่อชั่วโมงของการทดลอง — คุณสามารถวนปรับดีไซน์เสียงได้ตลอดทั้งบ่ายโดยไม่ต้องคอยดูมิเตอร์

การกำหนดเส้นทางไม่ได้ทำให้ตัวเลือกนั้นหมดไป ดังนั้นจึงคุ้มค่าที่จะระบุให้ชัดเจนว่ามันทำอะไร OrcaRouter ไม่ได้โฮสต์โมเดลใดเลยจากสองตัวนี้ Drama 3 พร้อมใช้งานผ่าน API ของ Fish Audio เองและแพลตฟอร์มบุคคลที่สามหลายแห่ง และ VoxCPM2 พร้อมใช้งานในรูปแบบน้ำหนักโมเดลที่คุณให้บริการเอง ส่วนสิ่งที่เรารองรับคือฝั่งเสียงพูดของไปป์ไลน์รอบ ๆ โมเดลเหล่านี้ — สาย TTS ของ Gemini และOpenAI's TTS-1-HD พร้อมกับการสลับสำรองข้ามผู้ให้บริการโดยอัตโนมัติ เพื่อให้เอนด์พอยต์ที่โฮสต์ไว้ซึ่งอยู่ในสถานะไม่ปกติไม่ทำให้ผลิตภัณฑ์ล่มไปด้วย หากคำถามคือ "ฉันจะรันตัวไหนในสองตัวนี้" คำตอบขึ้นอยู่กับ VRAM ไม่ใช่การกำหนดเส้นทาง

การกำกับการแสดง เทียบกับการออกแบบเสียง

โมเดลทั้งสองไม่เห็นพ้องกันว่างานสร้างสรรค์เกิดขึ้นที่ใด และความไม่ลงรอยนั้นเป็นเรื่องเชิงสถาปัตยกรรม ไม่ใช่แค่เรื่องผิวเผิน

Drama 3 เป็นเครื่องมือของผู้กำกับ คุณเขียนคำสั่งในวงเล็บเหลี่ยมไว้ก่อนคำที่คำสั่งนั้นควบคุม — [พูดติดขัด, ร้องไห้เงียบ ๆ] — และเปลี่ยนคำสั่งเหล่านั้นกลางประโยค แท็กแบบคู่จะกำหนดขอบเขตคำสั่งให้กับคำเฉพาะ: <whisper>, <emphasis>, <soft>, <fast>, <slow>, <stress>, <forceful> การออกเสียงสามารถปักหมุดได้ทีละหน่วยเสียงด้วย CMU Arpabet, พินอิน หรือโรมาจิ และฉากรับ voice ID หนึ่งรายการต่อผู้พูดหนึ่งคนในรูปแบบอาร์เรย์ สามารถแก้ไขเทคหลายเทคได้โดยอ้างอิงถึงเทคก่อนหน้า และการ inpaint ระดับคำจะเรนเดอร์คำที่ทำเครื่องหมายไว้เพียงคำเดียวใหม่เพื่อให้เข้ากับเทคที่อยู่รอบ ๆ — แม้ว่าทั้งการแก้ไขแบบอินเทอร์แอกทีฟและการ inpaint จะยังอยู่ในการทดสอบแบบเชิญเท่านั้น โดยมี API สำหรับการแก้ไขที่ระบุว่าเร็ว ๆ นี้

VoxCPM2 เป็นเครื่องมือออกแบบ ฟีเจอร์เด่นของมันคือ Voice Design: อธิบายผู้พูดด้วยภาษาธรรมชาติแล้วได้เสียงออกมาโดยไม่มีเสียงอ้างอิงใด ๆ เลย นอกเหนือจากนั้น มันทำการโคลนแบบ zero-shot, การต่อเสียงจากพรอมต์, การโคลนโดยใช้เฉพาะเสียงอ้างอิงผ่านช่องอ้างอิงที่แยกออกมา (จึงไม่จำเป็นต้องมีทรานสคริปต์ที่ตรงกับคลิป) และการควบคุมสไตล์ผ่านแท็ก ข้อจำกัดคือขอบเขต: มันกำหนดรูปร่างของเสียงและการถ่ายทอด แต่ไม่ใช่ฉากทั้งหมด ไม่มีไวยากรณ์แบบอาร์เรย์ผู้พูด ไม่มีโหมดบทสนทนาหลายตัวละคร และไม่มีการซ่อมแซมระดับคำ

สำหรับละครเสียงที่มีตัวละครสองคน ความแตกต่างนั้นชี้ขาดก่อนที่เบนช์มาร์กใด ๆ จะมีบทบาท สำหรับผลิตภัณฑ์ที่ต้องการเสียงแบรนด์ที่เป็นหนึ่งเดียวและสม่ำเสมอตลอดทั้งแคตตาล็อก โหมดการออกแบบของ VoxCPM2 คือเส้นทางที่สั้นกว่า ส่วนไวยากรณ์สำหรับกำกับของ Drama 3 แทบจะเป็นภาระส่วนเกิน

อัตราการสุ่มตัวอย่าง ภาษา และอาร์กิวเมนต์ของ codec

• เอาต์พุต — VoxCPM2 ส่งออกเสียงที่ 48 kHz ผ่าน AudioVAE V2 แบบอสมมาตรซึ่งเข้ารหัสที่ 16 kHz และถอดรหัสที่ 48 kHz; Drama 3 ยังคงใช้ 44.1 kHz โดยสร้างผ่าน Descript Audio Codec แบบสิบโคดบุ๊กที่ประมาณ 21.5 เฟรมต่อวินาที ส่วน 3.9 kHz ที่เพิ่มขึ้นของ VoxCPM2 นั้นมีอยู่จริง แต่แทบจะไม่ได้ยินเมื่อเทียบกับรูปแบบการจัดส่งแบบบีบอัด

• สถาปัตยกรรม — VoxCPM2 ถูกออกแบบมาให้ไม่มี tokenizer โดยทำนาย continuous latents โดยตรงบน backbone MiniCPM-4 และโต้แย้งว่า audio codec คือคอขวด; ส่วน Drama 3 ยังคงใช้ discrete tokens และทุ่มขนาด 35B ของตนไปกับ decoder แบบ codebook multi-token-prediction ที่ทำนาย codebook เชิงเศษเหลือทั้งเก้าชุดถัดจากสองชุดแรก นี่คือสองเดิมพันที่แตกต่างกันเกี่ยวกับว่าขีดจำกัดด้านคุณภาพอยู่ตรงไหน

• ภาษา — Drama 3 อ้างว่ามี 83 ภาษา เทียบกับ 30 ภาษาของ VoxCPM2 บวกกับภาษาจีนถิ่นอีกเก้าภาษา (เสฉวน กวางตุ้ง อู๋ ตะวันออกเฉียงเหนือ เหอหนาน ฉ่านซี ซานตง เทียนจิน หมิ่นใต้) หากคุณต้องการภาษาไทย เวียดนาม ฮิบรู และสวาฮีลี VoxCPM2 มีครบทั้งสี่ภาษา และ Drama 3 ไม่ได้ดีกว่าอย่างเห็นได้ชัดในภาษาใดภาษาหนึ่งเหล่านี้ หากคุณต้องการ 83 ภาษา มีเพียงตัวเดียวในสองตัวนี้ที่ยังอยู่ในข่าย

• ข้อมูลการฝึก — VoxCPM2 ถูกฝึกด้วยเสียงพูด 2.36 ล้านชั่วโมง (1.8 ล้านชั่วโมงเป็นภาษาจีนและอังกฤษ บวก 560,000 ชั่วโมงหลายภาษา) ซึ่งเป็นตัวเลขที่เอกสารของมันเผยแพร่ไว้อย่างแม่นยำ Fish Audio ไม่ได้เผยแพร่ตัวเลขที่เทียบเท่า ซึ่งไม่ใช่การวิจารณ์เท่าไรนัก แต่เป็นอีกจุดหนึ่งที่บทความทั้งสองไม่ได้เขียนขึ้นเพื่อให้เปรียบเทียบกัน

สัญญาอนุญาต: จุดเดียวที่ VoxCPM2 ชนะได้อย่างชัดเจน

VoxCPM2 เป็น Apache 2.0 บริษัทใดก็ตาม ไม่ว่าจะมีรายได้เท่าใด สามารถนำไปฝังในผลิตภัณฑ์ แก้ไข ดัดแปลง ไฟน์จูน แจกจ่ายซ้ำ และขายผลลัพธ์ที่ได้ โดยไม่มีเกณฑ์รายได้ขั้นต่ำและไม่ต้องเจรจาใด ๆ ทั้งสิ้น รองรับการไฟน์จูนด้วย LoRA และ SFT พร้อมมีเอกสารประกอบครบถ้วน

Drama 3 อยู่ภายใต้สัญญาอนุญาต Fish Audio Community License v1.0 คือ ใช้งานฟรีสำหรับการวิจัยและงานที่ไม่ใช่เชิงพาณิชย์ ใช้งานเชิงพาณิชย์ได้ฟรีตราบใดที่คุณและบริษัทในเครือยังมีรายได้ต่อปีต่ำกว่า 500,000 ดอลลาร์สหรัฐฯ และหากเกินกว่านั้นจะต้องเจรจาสัญญาอนุญาต — หรือใช้ได้ในทุกขนาดรายได้หากคุณต้องการเสนอ Drama 3 เป็นบริการ TTS การโคลนเสียง หรือบริการประมวลผลเชิงอนุมาน (inference) โดยเสียงที่ส่งมอบให้ลูกค้าได้รับอนุญาตอย่างชัดเจนไม่ว่าจะมีรายได้เท่าใด แต่ API การสังเคราะห์เสียงที่เป็นคู่แข่งนั้นไม่ได้รับอนุญาต Artificial Analysis ระบุว่าเป็น "โมเดลเปิดน้ำหนักแต่ไม่มีสิทธิ์ใช้งานเชิงพาณิชย์" ซึ่งเป็นคำสรุปสั้น ๆ ที่ตรงประเด็นเกี่ยวกับเงื่อนไขการเข้าถึงนี้

ยังมีรายละเอียดอีกจุดที่ควรตรวจสอบแทนที่จะเชื่อถือ: เมทาดาทาบน Hugging Face สำหรับ fishaudio/drama-3 ยังคงระบุว่า fish-audio-research-license ในขณะที่ข้อความบนการ์ดอธิบายว่าเป็น Community License ควรอ่านไฟล์สัญญาอนุญาตในรีโพซิทอรี ก่อนที่คุณจะสร้างผลิตภัณฑ์โดยอาศัยแท็กนั้น

สำหรับบริษัทที่ได้รับทุนและกำลังปล่อยฟีเจอร์เสียง นั่นคือการเปรียบเทียบทั้งหมดในบรรทัดเดียว: VoxCPM2 {{1}}ไม่มีค่าใช้จ่ายใด ๆ ในการตรวจสอบทางกฎหมาย{{/1}} ส่วน Drama 3 {{2}}ทำให้คุณต้องแลกมาด้วยการคุยกับทีมขาย{{/2}}

เลือกตามข้อจำกัด ไม่ใช่ตามคะแนน

คุณมี GPU หนึ่งตัวและมีผลิตภัณฑ์ที่ต้องส่งมอบ VoxCPM2 แปดกิกะไบต์ Apache 2.0 48 kHz และโหมดออกแบบเสียงที่ช่วยให้คุณได้เสียงแบรนด์ที่ใช้งานได้ภายในบ่ายวันแรก คุณต้องแลกด้วยการกำกับฉากและคะแนนเสียงผู้ให้บริการที่ดีที่สุดในหมวดหมู่

คุณกำลังผลิตออดิโอที่มีบทโดยมีมนุษย์อยู่ในวงจรDrama 3. คำกำกับในวงเล็บ แท็กแบบมีขอบเขต การเปลี่ยนกลางประโยค และการซ่อมระดับคำ คือสิ่งที่ทำให้ open weights ใกล้เคียงกับเซสชันการบันทึกเสียงมากที่สุด และ WER ภาษาอังกฤษที่ 1.54% คือผลตอบแทนจากวงจรการแก้ไข ตั้งงบรองรับการปรับราคาวันที่ 12 พฤศจิกายน และอ่านข้อกำหนดบริการก่อน

คุณต้องใช้ภาษาที่อยู่นอกเหนือจากสามสิบภาษานี้ Drama 3 หรือไม่ก็ไม่ใช่ทั้งสองอย่าง — แต่จงตรวจสอบภาษาที่เฉพาะเจาะจงกับคำกล่าวอ้างเรื่องความครอบคลุมของ Fish Audio เอง แทนที่จะดูที่ "83" บนฉลาก

คุณกำลังโคลนเสียงของบุคคลหนึ่งในระดับ масштаб ความคล้ายของผู้พูดของ VoxCPM2 เป็นตัวเลขที่ดีที่สุดในหน้านี้ และช่องอ้างอิงที่แยกออกมาของมันหมายความว่าคุณสามารถโคลนจากคลิปได้โดยไม่ต้องมีบทถอดเสียงที่ตรงกัน ข้อได้เปรียบของ Drama 3 คือการกำกับทิศทาง ไม่ใช่ความเที่ยงตรงต่อเสียงอ้างอิง

สิ่งเดียวที่ไม่ควรทำคือการจัดอันดับพวกมัน ไม่มีอารีนาที่ใช้ร่วมกัน ไม่มีการศึกษาความชอบของมนุษย์ที่ใช้ร่วมกัน และไม่มีชุดทดสอบข้อผิดพลาดที่ใช้ร่วมกัน — มีเพียงโมเดลหนึ่งที่มีคะแนน Elo และอีกโมเดลหนึ่งที่มีเอกสารข้อมูล และการตัดสินใจที่ขึ้นอยู่กับว่าคุณมีฮาร์ดแวร์อะไร และสัญญาอนุญาตให้คุณทำอะไรกับมันได้