GPT-Live-1 กับ Fish Audio Drama 3: ตัวหนึ่งดาวน์โหลดได้ อีกตัวเช่าใช้ได้เท่านั้น

Fish Audio Drama 3 Previewมาในรูปแบบไฟล์น้ำหนักที่ดาวน์โหลดได้ขนาด 41.5 กิกะไบต์ ซึ่งคุณสามารถชี้ไปที่ GPU ของคุณเอง ตรวจสอบ ปรับแต่งละเอียด และรันต่อไปได้แม้ผู้ขายจะหมดความสนใจแล้ว GPT-Live-1มาในรูปแบบ URL ไม่มีไฟล์น้ำหนักให้ดาวน์โหลด ไม่มีเส้นทางการประมวลผลภายในเครื่อง และไม่มีทางได้ยินเลยหากไม่เปิดเซสชันกับ v1/live/sessionsเอนด์พอยต์ของ OpenAI ในราคา 0.05 ดอลลาร์ต่อนาที

นั่นฟังดูเหมือนรายละเอียดด้านการจัดซื้อจัดจ้าง แต่มันคือการตัดสินใจเลยทีเดียว หนึ่งในโมเดลเหล่านี้เป็นสินทรัพย์ที่มาพร้อมสัญญาอนุญาต ส่วนอีกแบบเป็นบริการที่มาพร้อมมิเตอร์วัดการใช้งาน และทั้งสองมีพฤติกรรมแตกต่างกันโดยสิ้นเชิงเมื่อผลิตภัณฑ์ของคุณมีอายุยืนยาวกว่าหน้าแสดงราคา

Drama 3 จริง ๆ แล้วคืออะไร

Fish Audio เปิดตัว Drama 3 Preview ในช่วงกลางเดือนตุลาคม 2026 เป็นโมเดลแปลงข้อความเป็นเสียงแบบ mixture-of-experts ขนาด 35 พันล้านพารามิเตอร์ โดยมีพารามิเตอร์ที่ทำงานอยู่ประมาณ 3 พันล้านตัวต่อโทเคน สร้างบนโครงข่ายหลัก Qwen3.5-35B-A3B รองรับ 83 ภาษา รองรับผู้พูดได้สูงสุด 16 คนที่แตกต่างกันภายในคำขอเดียว เลียนแบบเสียงจากตัวอย่างอ้างอิงสั้น ๆ และรับคำสั่งกำกับด้วยภาษาธรรมชาติ — บอกได้เลยว่าบทพูดนั้นควรออกมาในโทนจำยอม เพิ่มเสียงประกอบ หรือระบุว่าคำไหนเปลี่ยนอารมณ์ แล้วโมเดลจะแสดงออกตามนั้นแทนที่จะอ่านแบบเรียบเฉย

ขีดจำกัดสูงสุดด้านผู้พูดหลายคนคือฟีเจอร์ที่สำคัญในเชิงพาณิชย์ ละครเสียงแบบสองตัวละคร พอดแคสต์ที่มีพิธีกรและแขก วิดีโอฝึกอบรมที่มีผู้บรรยายและลูกค้า — สิ่งเหล่านี้ใช้การเรียก API เพียงครั้งเดียวต่อรายการ ไม่ใช่ไฟล์สิบหกไฟล์ที่นำมาเชื่อมต่อกันซึ่งมีโทนเสียงห้องที่ไม่สอดคล้องกัน

ใน Provider Voice Arena ของ Artificial Analysis ซึ่งบันทึกเมื่อวันที่ 29 ตุลาคม 2026 Drama 3 Preview อยู่ที่ 1240 Elo เป็นอันดับ 11 โดยรวม และเป็นอันดับ 1 ในกลุ่มรายการแบบ open-weights นำหน้า Breeze TTS 2 ที่ 1228 Fish รายงานความทนทานของการออกเสียง 93.2% ซึ่งเป็นค่าสูงสุดที่อ้างไว้ ณ การเปิดตัว และสูงกว่า 91.7% ที่ ElevenLabs รายงานสำหรับ Eleven v4

GPT-Live-1 คืออะไรกันแน่

โมเดลของ OpenAI เป็นวัตถุอีกประเภทหนึ่งที่ตรงกันข้าม ตั้งแต่ 10 กันยายน 2026 เป็นต้นมา โมเดลนี้สามารถเรียกใช้งานได้ในราคา 0.05 ดอลลาร์ต่อนาทีเสียง โดยคิดค่าบริการเป็นรายวินาที รองรับเสียงและข้อความทั้งขาเข้าและขาออก รองรับการสตรีมมิ่งและการเรียกฟังก์ชัน แต่ไม่รองรับเอาต์พุตแบบมีโครงสร้างอย่างชัดเจน มันเป็นแบบฟูลดูเพล็กซ์: มันได้ยินคุณขณะที่มันกำลังพูด และมันส่งงานคิดวิเคราะห์ที่หนักหน่วงให้โมเดลข้อความดำเนินการอยู่เบื้องหลัง

มันไม่มีผลิตภัณฑ์สำหรับโคลนเสียง ไม่มีโหมดหลายผู้พูด และไม่มีวิธีที่ระบุไว้ในเอกสารว่าจะรับสคริปต์แล้วคืนไฟล์เสียงที่ให้ผลลัพธ์แน่นอนเหมือนเดิมได้อย่างไร สิ่งที่มันมีคือการสนทนา สำหรับเอเจนต์โทรศัพท์ นั่นคือสิ่งที่เหมาะสมพอดี สำหรับฉากที่มีตัวละครสี่ตัว มันไม่ใช่เครื่องมือที่แย่กว่า แต่เป็นเครื่องมือที่ผิดประเภท

หมายเลขที่ทั้งสองฝ่ายพิมพ์

รายละเอียดนี้ควรค่าแก่การตั้งข้อสังเกต เพราะจะทำให้ใครก็ตามที่กำลังเปรียบเทียบสเปกชีตสับสน: Drama 3 ของ Fish Audio และ Ming-3.0-TTS ของ Ant Group ต่างรายงานความทนทานต่อการออกเสียงที่ 93.2% จากการวัดเดียวกันของ Artificial Analysis สองห้องแล็บที่แตกต่างกัน สถาปัตยกรรมที่แตกต่างกันสองแบบ แต่ได้ค่าเท่ากันถึงทศนิยมหนึ่งตำแหน่ง

นั่นไม่ใช่ข้อผิดพลาดจากการคัดลอกวาง และไม่ใช่ผลเสมอ มันคือสิ่งที่เพดานผลลัพธ์ดูเป็นอย่างนั้น — 6.8% ที่เหลือคือส่วนท้ายที่ยากของข้อความภาษาอังกฤษ: ลำดับตัวอักษรและตัวเลข คำนามเฉพาะที่ไม่คุ้น และตัวเลขที่อ่านตามบริบท ใครก็ตามที่อ้างว่ามีความได้เปรียบด้านการออกเสียงอย่างเด็ดขาดระหว่างโมเดล open-weight ชั้นนำกำลังอ่านสัญญาณรบกวน คำถามที่มีประโยชน์คือเนื้อหาของคุณมีกรณีล้มเหลวแบบใดอยู่จริง และนั่นต้องทดสอบกับข้อความของคุณเอง ไม่ใช่การอ่านตารางอันดับ

สัญญาอนุญาตคือส่วนที่ไม่มีใครอ่าน

Drama 3 เป็นโมเดลแบบเปิดน้ำหนัก (open weights) ไม่ใช่โอเพนซอร์สในความหมายแบบอนุญาตกว้าง (permissive) โดยเผยแพร่ภายใต้ Fish Audio Community License v1.0: ใช้ฟรีสำหรับงานวิจัยและงานที่ไม่ใช่เชิงพาณิชย์ ใช้ในเชิงพาณิชย์ได้ฟรีเมื่อรายได้ต่อปีต่ำกว่า $500,000 และต้องมีข้อตกลงแยกต่างหากเมื่อรายได้เกินกว่านั้น การโฮสต์ API โดยบุคคลที่สามต้องมีใบอนุญาตของตนเอง และต้องระบุเครดิต

นั่นเป็นสัญญาอนุญาตที่สมเหตุสมผลและเป็นข้อจำกัดที่แท้จริง ผลที่ตามมาสามประการมีดังนี้

ต่ำกว่าเส้นรายได้ การโฮสต์เองนั้นฟรีจริง ๆ — คุณจ่ายค่าไฟฟ้าและเวลา GPU เท่านั้น ไม่มีอย่างอื่น

• เหนือสิ่งนั้นขึ้นไป คุณกลับเข้าสู่การเจรจาอีกครั้ง และข้อได้เปรียบ "เราครอบครองเวต" ก็แคบลงเหลือเพียง "เรายังรันมันได้ในขณะที่เราคุยกัน"

• การขายต่อสิทธิ์การเข้าถึงให้ลูกค้าของคุณเองเกือบแน่นอนว่าต้องมีข้อตกลงแยกต่างหาก ไม่ว่าคุณจะมีรายได้เท่าใดก็ตาม

สัญญาอนุญาตของ GPT-Live-1 เรียบง่ายกว่า ในแบบเดียวกับที่สัญญาเช่าเรียบง่ายกว่า: คุณจ่ายเป็นรายนาที ใช้แล้วก็หยุด ไม่มีเกณฑ์รายได้ขั้นต่ำ ไม่มีข้อกำหนดเรื่องการระบุที่มา และไม่มีข้อผูกมัดให้เปิดเผยจำนวนลูกค้าของคุณ ความเรียบง่ายนั้นมีคุณค่า และยิ่งคุณมีขนาดเล็กลง คุณค่านั้นก็ยิ่งมีค่ามากขึ้น

ต้นทุนที่แท้จริงของฮาร์ดแวร์

การโฮสต์ Drama 3 ด้วยตนเองต้องใช้หน่วยความจำ NVIDIA ประมาณ 48GB ใน FP8 และประมาณ 41.5GB ของจำนวนนั้นเป็นค่าน้ำหนัก H100 หรืออินสแตนซ์ระดับ A100 ที่เช่าใช้สามารถรองรับได้ ส่วนการ์ดสำหรับผู้บริโภคไม่สามารถรองรับได้อย่างสบาย ๆ ต่อไปนี้คือสองกรอบความคิด

ถ้าคุณมี GPU อยู่แล้ว ต้นทุนส่วนเพิ่มของการสังเคราะห์แทบจะเป็นศูนย์ และราคาที่ผู้ให้บริการโฮสต์กำหนดดูไร้เหตุผล: Fish ระบุราคาไว้ที่ 50 ดอลลาร์ต่อล้านตัวอักษร กำลังจัดโปรโมชันเปิดตัวที่ 10 ดอลลาร์ต่อล้านตัวอักษรจนถึง 12 พฤศจิกายน 2026 และ Artificial Analysis บันทึกราคาที่ขึ้นกระดานไว้ที่ 15 ดอลลาร์ ฉากความยาวสิบนาทีซึ่งมีประมาณ 9,000 ตัวอักษรมีค่าใช้จ่ายระหว่างเก้าเซนต์ถึงสี่สิบห้าเซนต์ ขึ้นอยู่กับว่าคุณถูกเรียกเก็บตามตัวเลขใดในสามตัวเลขนั้นจริง ๆ

ถ้าคุณไม่ได้เป็นเจ้าของ GPU คุณก็ยังต้องเช่าอยู่ดี และการเปรียบเทียบจะกลายเป็นการเทียบ GPU-hour กับ character-million ที่ราคาปกติ $2 ต่อ GPU-hour โมเดลที่สังเคราะห์เสียงได้เร็วกว่าเวลาจริงสิบเท่าจะผลิตเสียงได้ประมาณสิบชั่วโมงต่อชั่วโมงการเช่า — ประมาณ 540,000 ตัวอักษรที่ความเร็วการพูดปกติ ซึ่งคิดออกมาได้ราว $3.70 ต่อล้านตัวอักษร ต่ำกว่าราคาแบบโฮสต์ทุกตัวบนกระดานอย่างมาก แต่จะได้ก็ต่อเมื่อใช้งานอย่างต่อเนื่องเท่านั้น หาก duty cycle ต่ำกว่าประมาณ 30% การเช่าก็ไม่ได้อะไรเลย และสมมติฐานเกี่ยวกับ throughput ก็เป็นเพียงสมมติฐานที่คุณต้องวัดบนอินสแตนซ์ของคุณเอง ไม่ใช่ตัวเลขที่ Fish เผยแพร่

เมื่อเทียบกับสิ่งนั้น ต้นทุนของ GPT-Live-1 เป็นแบบเส้นตรงและน่าเบื่อ: นาทีละ $0.05 ทุกนาที ไม่มีต้นทุนคงที่ ไม่มีความเสี่ยงจากการใช้งานไม่เต็มที่ การสนทนาสิบนาทีคิดเป็น $0.50 การบรรยายด้วย Drama 3 สิบนาทีมีต้นทุนราว $0.135 ตามราคาบอร์ดที่บันทึกไว้ งานต่างกัน มิเตอร์ต่างกัน และหนึ่งในนั้นมีต้นทุนคงที่ที่คุณตัดจำหน่ายได้

ในจุดที่การเช่ายังคงชนะอยู่

การปฏิบัติตามข้อกำหนดคือเหตุผลเงียบ ๆ ที่สนับสนุนการใช้โมเดลแบบโฮสต์ไว้กับผู้ให้บริการ น้ำหนักของ Drama 3 สามารถถูกคัดลอกไปทำไฟน์ทูนเป็นผลิตภัณฑ์ของคู่แข่งได้ หรือปล่อยให้ทำงานอยู่ในเขตอำนาจศาลที่ทีมกฎหมายของคุณมีความเห็นไม่เหมือนใคร GPT-Live-1 มอบปลายทางให้คุณ พร้อมใบแจ้งหนี้ และผู้ให้บริการที่แบกรับความเสี่ยงฝั่งโมเดลไว้เอง สำหรับองค์กรที่อยู่ภายใต้การกำกับดูแล นั่นไม่ใช่ความขี้เกียจ แต่เป็นเบี้ยประกัน

นโยบายด้านความหน่วง (latency policy) คือข้อที่สอง การสลับผลัดกันพูดแบบฟูลดูเพล็กซ์เป็นพฤติกรรม ไม่ใช่จุดตรวจสอบ: การตอบกลับภายใน 0.8 วินาทีและความแม่นยำในการเรียกใช้เครื่องมือที่ 87% คือสิ่งที่ OpenAI รายงานสำหรับโมเดลนี้ และทั้งสองเป็นตัวเลขจากผู้ขาย ไม่ใช่การวัดผลที่เป็นอิสระ คุณไม่สามารถดาวน์โหลดพฤติกรรมนั้นด้วย Drama 3 ได้ เพราะ Drama 3 ไม่ได้พยายามจะฟังคุณ

และการจัดการกับความล้มเหลวคือข้อที่สาม โมเดลที่ดาวน์โหลดได้จะล้มเหลวเมื่อ GPU ของคุณล้มเหลว โมเดลแบบโฮสต์จะล้มเหลวเมื่อ GPU ของคนอื่นล้มเหลว ซึ่งเป็นความเสี่ยงอีกแบบหนึ่ง ไม่ได้แย่กว่าอย่างชัดเจน และเป็นความเสี่ยงที่คุณสามารถกระจายออกไปได้

จะวางรั้วต้นไม้ไว้ที่ไหน

การป้องกันความเสี่ยงควรอยู่เบื้องหลังเลเยอร์เสียง ไม่ใช่ภายในเลเยอร์นั้น โมเดลทั้งสองนี้ไม่ได้ให้บริการผ่าน OrcaRouter: น้ำหนักของ Drama 3 ไม่ได้อยู่ในแคตตาล็อกของเรา และ GPT-Live-1 มีปลายทางเพียงหนึ่งเดียวและไม่มีส่วนต่อประสานที่รองรับ สิ่งที่กำหนดเส้นทางได้คือขาการให้เหตุผลที่เอเจนต์สนทนาพึ่งพา — GPT-6 Astra, GPT-5.6 Terra, Claude, Gemini, Qwen — เข้าถึงได้ผ่านคีย์เดียว พร้อมการสลับสำรองอัตโนมัติ ในราคาตามรายการของผู้ให้บริการที่ส่งผ่านโดยบวกเพิ่ม 0%

นั่นคือจุดที่เหมาะสมสำหรับการใช้ redundance budget ของคุณ ความล้มเหลวของ voice output นั้นชัดเจนและดังเห็นได้ทันที ส่วนความล้มเหลวของ text model ที่อยู่เบื้องหลังคือความล้มเหลวที่ค่อยๆ ทำลายคุณภาพการโทรอย่างเงียบๆ ไปตลอดทั้งสัปดาห์ จงยึด "หู" ให้ล็อกอยู่กับโมเดลที่คุณเลือกไว้ และรักษา "สมอง" ให้สับเปลี่ยนได้

การตัดสินใจ โดยสรุปเป็นหนึ่งย่อหน้าต่อแต่ละรายการ

เลือก Drama 3 หากคุณผลิตงานเสียงมากกว่าบทสนทนา เช่น ฉาก พอดแคสต์ การพากย์เสียง เนื้อหาการฝึกอบรมแบบหลายตัวละคร และหากคุณอยู่ต่ำกว่าเกณฑ์รายได้หรือพร้อมเจรจาเหนือเกณฑ์นั้น แพ็กเกจ 35B MoE เพดาน 16 ผู้พูด และ 1240 Elo ถือเป็นชุดที่แข็งแกร่งอย่างแท้จริง และน้ำหนักโมเดลหมายความว่าไม่มีใครเอาสิ่งนี้ไปจากคุณได้

เลือก GPT-Live-1 หากผลิตภัณฑ์เป็นการสนทนาแบบสดและคุณค่าอยู่ที่การจัดการการขัดจังหวะ มีค่าใช้จ่ายต่อนาทีที่ส่งมอบสูงกว่า ไม่มีอะไรให้คุณเป็นเจ้าของ และมันทำสิ่งหนึ่งที่ Drama 3 ไม่สามารถทำได้ในเชิงโครงสร้าง นั่นคือ การฟังในขณะที่พูด

สองตัวนี้อยู่ติดกันบนสเปกชีต แต่ในการใช้งานจริงกลับอยู่ห่างกันคนละขั้ว ใครก็ตามที่ซื้อตัวหนึ่งโดยคาดหวังให้มันทำงานของอีกตัว จะสรุปว่าโมเดลนี้แย่ ทั้งที่จริง ๆ แล้วไม่เคยมีใครขอให้โมเดลทำสิ่งนั้นเลย