Fish Audio Live 3 vs Drama 3: โมเดลหนึ่งอ่านบท อีกโมเดลหนึ่งได้ยินเสียงในห้อง

Fish Audio Live 3 กับ Fish Audio Drama 3 ไม่ใช่สองคำตอบสำหรับคำถามเดียวกัน และการมองว่าทั้งสองเป็นคู่แข่งกันคือวิธีที่เร็วที่สุดที่จะทำให้คุณซื้อผิดตัว Drama 3 ซึ่ง Fish Audio เผยแพร่เมื่อ 2026-10-13 เป็นโมเดลแปลงข้อความเป็นเสียงพูด คุณป้อนคำและทิศทางการแสดงให้มัน แล้วมันจะส่งเสียงกลับมา ส่วน Live 3 ซึ่งประกาศเมื่อ 2026-11-10 เป็นโมเดลเสียงแบบดูเพล็กซ์สำหรับการโทรผ่านเอเจนต์ มันฟังไปพร้อมกับพูดไป ตัดสินใจว่าช่วงหยุดหมายถึง "พูดต่อ" หรือ "พูดจบแล้ว" และตอบสนองได้เร็วเพียง 186 มิลลิวินาที ตามข้อมูลจาก Fish Audio ตัวหนึ่งเป็นตัวเรนเดอร์ อีกตัวเป็นคู่สนทนา

ความสับสนนี้เป็นเรื่องที่เข้าใจได้ เพราะทั้งสองเป็นโมเดลของ Fish Audio ทั้งคู่เป็นรุ่นใหม่ และทั้งคู่ถูกวางขายโดยชูจุดเด่นว่าทำสิ่งหนึ่งได้ดี ซึ่งโมเดลอื่นของ Fish Audio ทำไม่ได้ แต่ทั้งสองอยู่ในเลเยอร์ที่ต่างกันของสแต็กเสียง มีเอกสารแยกกัน และมีเพียงตัวเดียวเท่านั้นที่ปรากฏอยู่ในเรตการ์ดที่ Fish Audio เผยแพร่ ดังนั้นการเปรียบเทียบที่มีประโยชน์จึงไม่ใช่การดูว่าตัวไหนดีกว่า แต่คือการดูว่าแต่ละตัวมีไว้สำหรับงานใดกันแน่ และทั้งสองมาบรรจบกันตรงไหนภายในผลิตภัณฑ์เดียว

แต่ละโมเดลมีเอกสารระบุว่าทำอะไรได้บ้าง

Drama 3 เป็นโมเดลข้อความเป็นเสียง และหลักฐานสาธารณะที่มีอยู่คือความชอบและการออกเสียง มากกว่าการผลัดกันพูด บน Provider Voice Arena ของ Artificial Analysis อยู่อันดับหกด้วยคะแนน Elo 1,278; บน Controlled Voice Arena ซึ่งทุกโมเดลถูกตัดสินเทียบกับเสียงอ้างอิงชุดเดียวกัน อยู่อันดับสิบสองที่ 1,085 บนทั้งสองกระดานคะแนน มันเป็นโมเดล open-weights ที่อันดับสูงสุดในตาราง และบันทึกของ Drama 3 Preview ก่อนหน้านี้ — ฉบับที่ได้รับความสนใจจากสื่อในเดือนตุลาคม — ยังคงถูกระบุแยกต่างหากที่ 1,240 และ 1,063 บนเบนช์มาร์ก English Pronunciation Robustness ได้คะแนนโดยรวม 93.2% เป็นอันดับหนึ่งร่วมกับ Ming-3.0-tts ในกลุ่ม 31 โมเดลที่ถูกให้คะแนน โดยการแยกตามหมวดหมู่สำคัญกว่าตัวเลขพาดหัว: 95.9% สำหรับคำเดี่ยว เช่น ชื่อแบรนด์และชื่อทางเทคนิค, 93.6% สำหรับการขยายคำย่อ เช่น ตัวเลขและวันที่, 86.3% สำหรับการรักษาลำดับที่แม่นยำ เช่น รหัสและพาธ และ 95.3% สำหรับการออกเสียงที่เหมาะสมตามบริบท

หลักฐานสาธารณะของ Live 3 มีรูปแบบที่แตกต่างออกไปโดยสิ้นเชิง การประกาศของ Fish Audio ถูกสร้างขึ้นโดยเน้นการสนทนามากกว่าการเรนเดอร์ และตัวอย่างที่ยกมาทั้งสามตัวอย่างล้วนเกี่ยวข้องกับจังหวะเวลา

• หมายเลขโทรศัพท์ที่ถูกอ่านเป็นช่วง ๆ — "415… 555… 0132" — โดยที่ Live 3 อาจพูดว่า "อืม-ฮึม" หรือ "โอเค 415" ระหว่างแต่ละช่วง แล้วรอส่วนที่เหลือ

• ผู้โทรที่พูดว่า “ใช่” หรือ “อืม” ขณะที่เอเจนต์อ่านเวลาทำการออกมา โดยที่ Live 3 ยังคงพูดต่อแทนที่จะถือว่าการตอบรับนั้นเป็นการขัดจังหวะ

• ผู้โทรที่แก้ไขคำสั่งซื้อระหว่างพูด — “พิซซ่าสองถาด… ไม่ สามถาด สามถาดใหญ่ และ… จริงๆ แล้ว ทำหนึ่งถาดเป็นมาร์เกอริตา” — โดยที่ Live 3 จะรอจนผ่านการแก้ไขแต่ละครั้ง แทนที่จะดำเนินการกับคำสั่งซื้อที่สมบูรณ์และดูสมเหตุสมผลรายการแรก

Fish Audio ระบุว่าโมเดลสามารถตัดสินใจตอบกลับได้เร็วเพียง 186 มิลลิวินาที โดยอธิบายถึงปฏิกิริยาสั้น ๆ เช่น "mm-hmm", "okay" และการยืนยันแบบรวดเร็ว มากกว่าคำตอบเต็มรูปแบบ เปิดตัวรองรับเฉพาะภาษาอังกฤษ และพร้อมใช้งานบน Fish Agent Platform ผ่าน API ของ Fish Audio และแบบติดตั้งภายในองค์กรสำหรับองค์กรธุรกิจ สิ่งที่ยังไม่มีคือ benchmark ที่เผยแพร่ใด ๆ คะแนนอิสระใด ๆ — ณ วันที่ 2026-11-11 Artificial Analysis ไม่มีแถว Live 3 duplex — หรือรายการในตารางราคาของ Fish Audio

ทำไมหน่วยการกำหนดราคาจึงบอกคุณว่าพวกมันเป็นผลิตภัณฑ์ที่แตกต่างกัน

Fish Audio คิดค่าบริการ Drama 3 ตามจำนวนไบต์ UTF-8 ของข้อความอินพุต: ราคาตามรายการ $50.00 ต่อล้านไบต์ โดยมีโปรโมชันเปิดตัว $10.00 ต่อล้านไบต์ ไปจนถึงวันที่ 2026-11-30 เอกสารของบริษัทเองระบุว่าหนึ่งล้านไบต์ UTF-8 เทียบได้กับคำภาษาอังกฤษประมาณ 180,000 คำ หรือเสียงพูดประมาณสิบสองชั่วโมง ซึ่งทำให้ drama-3 อยู่ที่ประมาณ $4.17 ต่อชั่วโมงของเสียงที่สร้างขึ้นตามราคารายการ และประมาณ $0.83 ต่อชั่วโมงในช่วงโปรโมชัน หน่วยนี้มีอยู่เพราะ TTS มีปริมาณข้อความขาเข้าที่ทราบได้ และปริมาณเสียงขาออกที่ทราบได้

Live 3 ไม่เข้ากับหน่วยนั้นเลย และไม่ปรากฏอยู่ในตารางราคา การโทรผ่านเอเจนต์แบบดูเพล็กซ์ไม่มีสคริปต์ตายตัว: เสียงขาเข้าคือสิ่งที่ผู้โทรพูด เสียงขาออกคือปริมาณที่โมเดลเลือกจะพูด และต้นทุนที่น่าสนใจคือจำนวนนาทีของการเชื่อมต่อมากกว่าไบต์ของข้อความ Fish Audio ยังไม่ได้ประกาศว่าจะใช้มาตรวัดใด ซึ่งเป็นเหตุผลว่าทำไมคอลัมน์ Live 3 ในการเปรียบเทียบต้นทุนใด ๆ จึงว่างเปล่า ไม่ใช่ราคาถูก

สิ่งที่สองโมเดลมีร่วมกันคือแพลตฟอร์ม Agent Platform ของ Fish Audio ซึ่งปัจจุบันอยู่ในช่วง public beta โดยโฮสต์เอเจนต์ Live 3 และเปิด REST surface ภายใต้ /v1/agent/* พร้อม SDK สำหรับ JavaScript และ React ช่องทางสำหรับเว็บวิดเจ็ต หมายเลขโทรศัพท์ หรือไคลเอนต์แบบกำหนดเอง และการยืนยันตัวตนด้วย session token ฮุก custom-LLM บนแพลตฟอร์มนั้นชี้ไปยัง endpoint ที่เข้ากันได้กับ OpenAI ซึ่งเป็นรอยต่อที่ชั้นการให้เหตุผล (reasoning layer) ที่คุณเลือกเองจะเข้าไปเสียบ

จุดที่ทั้งสองมาบรรจบกันในผลิตภัณฑ์เดียว

คำถามที่น่าสนใจไม่ใช่โมเดลไหนชนะ แต่เป็นว่าผลิตภัณฑ์เดียวจะมีหน้าตาอย่างไรเมื่อใช้ทั้งสองโมเดลกับสิ่งที่แต่ละตัวถนัด สายรับจองต้องใช้ Live 3 ในการสนทนาแบบสด เพราะการสนทนาคือจุดที่เกิดการหยุดชะงักและการแก้ไข ผลิตภัณฑ์เดียวกันมักต้องใช้ Drama 3 หรือโมเดลที่คล้ายกันด้วย สำหรับทุกสิ่งที่ไม่ใช่บทสนทนา: การอ่านข้อมูลยืนยันกลับให้ฟังหลังจบสาย ข้อความต้อนรับทางเสียง การแจ้งเตือนขาออก และการบรรยายแบบยาวในหน้าการตลาดที่พาผู้โทรมาที่นี่ สิ่งเหล่านี้เป็นงานเรนเดอร์ที่มีสคริปต์กำหนดไว้ล่วงหน้า และจุดแข็งที่เผยแพร่ของ Drama 3 — ความชอบในหมู่ผู้ฟัง การออกเสียง 93.2% 83 ภาษา น้ำหนักโมเดลแบบเปิดที่เผยแพร่ภายใต้ Fish Audio Community License v1.0 โดยมีเพดานรายได้ $500,000 — คือจุดแข็งที่งานเรนเดอร์ต้องการพอดี

การแยกส่วนดังกล่าวมีนัยด้านต้นทุนที่ควรพูดให้ตรงไปตรงมา เพราะนี่คือจุดที่ชั้นการกำหนดเส้นทางเลิกเป็นเพียงนามธรรม ชั้นการให้เหตุผลเบื้องหลังเอเจนต์ Live 3 ชี้ไปยังที่ใดก็ได้ที่รองรับโปรโตคอล OpenAI; OrcaRouter อยู่เบื้องหลังปลายทางนั้นด้วย 216 โมเดลจากคีย์เดียว ในราคาตามรายการของผู้ให้บริการโดยไม่คิดมาร์กอัป พร้อมการสลับสำรองอัตโนมัติเมื่อผู้ให้บริการเกิดข้อผิดพลาด ดังนั้นตัววางแผนภายในเอเจนต์จึงสลับเปลี่ยนได้โดยไม่ต้องแตะชั้นเสียงหรือหมายเลขโทรศัพท์ DSL สำหรับการกำหนดเส้นทางเป็นตัวตัดสินว่าโมเดลใดจัดการการเรียกประเภทใด และการฟิวชันโมเดลช่วยให้โมเดลราคาถูกยกร่างการเรียกใช้เครื่องมือ ขณะที่โมเดลที่แข็งแกร่งกว่าตรวจสอบก่อนที่จะเรียกใช้งานจริง OrcaRouter ไม่ได้โฮสต์ Fish Audio Live 3 หรือ Drama 3 — ทั้งสองไม่มีให้ใช้งานผ่านปลายทางของบุคคลที่สาม และชั้นเสียงในสแต็กนี้ยังคงอยู่กับ Fish Audio สิ่งที่มันโฮสต์คือทุกสิ่งรอบ ๆ ชั้นเสียง

อันไหนที่คุณต้องการจริงๆ

คุณต้องใช้ Drama 3 หากผลลัพธ์ที่ได้ออกมาเป็นไฟล์ ไม่ว่าจะเป็นการบรรยาย หนังสือเสียง โฆษณา เสียงตัวละคร การพากย์เสียง หรือการอ่านเพื่อการเข้าถึง — ทุกกรณีที่มนุษย์เป็นผู้เขียนถ้อยคำและผู้ฟังจะได้ยินเพียงครั้งเดียวอย่างขัดเกลาแล้ว มันมีคะแนนความพึงพอใจ การแยกวิเคราะห์การออกเสียง จำนวนภาษา และอัตราค่าบริการต่อไบต์ที่ประกาศไว้ซึ่งคุณใช้คาดการณ์ล่วงหน้าได้ อีกทั้งยังเป็นโมเดลแบบเปิดน้ำหนัก (open weights) ซึ่งสำคัญหากคุณต้องการรันด้วยตัวเอง

คุณต้องใช้ Live 3 หากเอาต์พุตเป็นบทสนทนาที่ต้องทนต่อการถูกขัดจังหวะ พนักงานรับสาย สายจอง รับออเดอร์ คัดแยกงานซัพพอร์ต — อะไรก็ตามที่ผู้โทรพูดโต้ตอบกลับมา และโหมดความล้มเหลวคือการถูกพูดทับหรือต้องพูดชุดตัวเลขซ้ำ มันมีอาร์กิวเมนต์ด้านพฤติกรรม มีพื้นความหน่วงขั้นต่ำจากผู้ขาย และมีแพลตฟอร์ม และยังไม่มีเบนช์มาร์กหรือราคา

คุณอาจต้องใช้ทั้งสองอย่าง หากคุณกำลังสร้างผลิตภัณฑ์เสียงจริง ไม่ใช่แค่เดโม และจุดแบ่งแยกอยู่ที่เส้นระหว่างแบบไลฟ์กับแบบเรนเดอร์ ความผิดพลาดที่ต้องหลีกเลี่ยงคือการเลือกอย่างหนึ่งไปทำหน้าที่ของอีกอย่าง: โมเดล TTS ไม่สามารถตัดสินใจได้ว่าเมื่อใดควรหยุดพูด และโมเดลเอเจนต์แบบดูเพล็กซ์เป็นวิธีที่แพงและยังไม่ได้ประเมินผลสำหรับการสร้างข้อความต้อนรับฝากข้อความเสียง Fish Audio ขายทั้งสองแบบ หน่วยการคิดราคาตั้งใจให้แตกต่างกัน และโรดแมปที่มองทั้งสองเป็นผลิตภัณฑ์เดียวกันจะพยากรณ์ต้นทุนของตัวเองผิดตั้งแต่เดือนแรก