AssemblyAI-TTS-1 so với Fish Audio Drama 3: Một nút thanh toán đối lại một bản tải xuống 41,5 GB

Điều đầu tiên cần hiểu về AssemblyAI-TTS-1 so với Fish Audio Drama 3 là một trong hai sản phẩm này là một tệp. Drama 3, ra mắt ngày 13 tháng 10 năm 2026, là một mô hình giọng nói hỗn hợp các chuyên gia với 35 tỷ tham số được công bố trên Hugging Face với tên fishaudio/drama-3 — khoảng 41,5 GB trọng số trước khi bạn thêm codec, và cần khoảng 48 GB VRAM để phục vụ nó ở FP8. AssemblyAI-TTS-1, được cung cấp rộng rãi từ ngày 27 tháng 10 năm 2026 với giá 15 đô la Mỹ mỗi triệu ký tự, là một điểm cuối HTTPS ở US-East hoặc EU-North, phản hồi trong chưa đầy một phần mười giây và không yêu cầu bạn cung cấp gì ngoài văn bản. Mọi so sánh giữa chúng bắt đầu bằng điểm Elo đều bắt đầu sai chỗ, bởi vì hai sản phẩm này được tách biệt bởi một quyết định vận hành trước khi được tách biệt bởi một quyết định về chất lượng.

15 đô la mua được gì, và 41,5 gigabyte mua được gì

Phía AssemblyAI-TTS-1 chỉ cần mô tả ngắn gọn. Giá phẳng 15 USD mỗi một triệu ký tự đầu vào, bao gồm toàn bộ hơn 4.000 giọng trong thư viện, nhân bản tức thì từ mẫu 24 giây, dấu thời gian theo từ, sáu ngôn ngữ ra mắt (tiếng Anh, tiếng Tây Ban Nha, tiếng Pháp, tiếng Đức, tiếng Ý, tiếng Bồ Đào Nha), xử lý tại Mỹ hoặc EU, các điểm cuối WebSocket và HTTP cùng tuyến tương thích OpenAI, thông điệp hủy để ngắt lời, và đồng thời không giới hạn mà không kèm phí. Không có SSML, không có tham số tốc độ, không có từ điển phát âm, không có thẻ cảm xúc, không có gói nhân bản chuyên nghiệp.

Phía Drama 3 là một hình thái sản phẩm hoàn toàn khác. Nó là một MoE 35B với khoảng 3 tỷ tham số hoạt động trên mỗi token, được khởi tạo từ Qwen3.5-35B-A3B, 40 lớp, 8 trong số 256 chuyên gia định tuyến cộng với một chuyên gia dùng chung — đây là lý do nó có thể nghe biểu cảm mà vẫn vừa trên một accelerator duy nhất. Nó bao phủ 83 ngôn ngữ, nhân bản giọng nói, xử lý tối đa 16 người nói trong một lượt và chấp nhận các chỉ dẫn sân khấu bằng ngôn ngữ tự nhiên trong ngoặc vuông như [sighs] mà mô hình sẽ diễn theo. Ngoài ra, theo model card của chính Fish, nó được xây dựng để trình diễn có định hướng: lồng tiếng, tường thuật, các cảnh nhiều nhân vật. Vòng lặp điện thoại dưới 100 ms không phải là thứ nó được tinh chỉnh để đáp ứng.

Sự khác biệt đó không phải là lời chê bai nào đối với một trong hai. Đó chính là lý do màn so tài này tồn tại ngay từ đầu: Drama 3 là mô hình duy nhất trong loạt mô hình này mà bạn có thể sở hữu hoàn toàn, còn AssemblyAI-TTS-1 là mô hình duy nhất trong loạt này mà bạn có thể đưa ra trước mặt một người gọi điện ngay chiều nay mà không cần mua GPU.

Phép toán về tính đồng thời mới là lập luận thực sự.

Cả hai nhà cung cấp đều công bố một con số độ trễ và không con số nào có thể so sánh trực tiếp, vì vậy hãy coi phần sau đây là hai tuyên bố riêng biệt thay vì một cuộc đối đầu trực tiếp.

• Drama 3, thẻ mô hình của nhà cung cấp — thời gian trung vị đến âm thanh đầu tiên là 88,9 ms ở một luồng đơn trên một H200, hệ số thời gian thực 0,131, 271 khung hình mỗi giây. Hỗ trợ phục vụ đã có mặt trong vòng vài ngày sau khi phát hành và cùng phần cứng đó đạt thời gian trung vị đến âm thanh đầu tiên là 255 ms ở 128 luồng đồng thời, tức khoảng 222 giây âm thanh mỗi giây đồng hồ thực.

• AssemblyAI-TTS-1, phòng thí nghiệm của nhà cung cấp — trung vị 47 ms thời gian đến byte đầu tiên; được Cekura đo độc lập ở mức trung vị 159 ms cho khởi động phát luồng và 296 ms ở p90, với thông lượng 162 ký tự mỗi giây theo phép đo của Artificial Analysis.

Hãy xem điều gì xảy ra với con số của Drama 3 khi tải tăng: 88.9 ms khi đứng riêng, 255 ms ở 128 luồng. Đó là một đường cong hoàn toàn tốt cho một pipeline lồng tiếng và chỉ ở mức chấp nhận được cho một tổng đài, nơi mỗi mili giây trước khi người gọi nghe thấy điều gì đó là một mili giây khoảng lặng chết. Lập luận phản bác của AssemblyAI không phải là một con số nhanh hơn, mà là sự vắng mặt của một đường cong — đồng thời không giới hạn ở một mức giá đồng nhất, vì vấn đề lập lịch là của nhà cung cấp và bạn không bao giờ nhìn thấy nó. Liệu lời hứa đó có trụ được với lưu lượng của chính bạn hay không chính là điều cần kiểm tra, vì một tuyên bố đồng thời không giới hạn mà không có hành vi xếp hàng được công bố là một tuyên bố về cụm máy chủ của người khác.

Hai hóa đơn không cùng đơn vị tính

Fish niêm yết Drama 3 ở mức 50,00 USD mỗi triệu byte UTF-8, mà tài liệu của chính nhà cung cấp tương đương với khoảng mười hai giờ nói — tức khoảng 4,17 USD mỗi giờ âm thanh. Có chương trình khuyến mãi ra mắt ở mức 10,00 USD mỗi triệu byte, tương đương khoảng 0,83 USD mỗi giờ, kéo dài đến ngày 12 tháng 11 năm 2026. AssemblyAI-TTS-1 ở mức 15 USD mỗi triệu ký tự tương đương khoảng 0,81 USD mỗi giờ nói, dựa trên cùng giả định khá hào phóng là khoảng 900 ký tự mỗi phút âm thanh hội thoại thông thường.

Vậy nên trong đợt khuyến mãi, giá của hai bên gần như bằng nhau, đến mức chênh lệch chỉ còn là sai số làm tròn, và ở giá niêm yết, Fish đắt hơn khoảng năm lần cho mỗi giờ đầu ra — và đó là trước khi bạn mua H200. Tự host không loại bỏ chi phí; nó biến hóa đơn theo từng ký tự thành hóa đơn theo giờ GPU cộng thêm một người biết cách vận hành nó.

Có hai cái bẫy đáng nêu tên vì rất dễ mắc phải.

• Ký tự không phải là byte. Fish tính phí theo byte UTF-8, còn AssemblyAI tính theo ký tự. Văn bản tiếng Anh gần như tương đương một byte cho mỗi ký tự, nên hai cách tính có vẻ ngang nhau; nhưng với chữ Nhật, chữ Ả Rập hay các hệ chữ dày đặc emoji, số byte tăng vọt và âm thầm đội hóa đơn Drama 3 lên thêm 30–100% trên cùng một kịch bản.

• Việc thiếu header mô hình không báo lỗi rõ ràng. Tài liệu của chính Fish lưu ý rằng mã định danh mô hình bị thiếu hoặc viết sai sẽ chuyển sang s2.1-pro với giá $15.00 mỗi triệu byte — phụ phí 50% so với mức giá khuyến mãi của Drama 3, cho một mô hình khác, mà không có lỗi nào trong phản hồi.

Có một con số thứ ba đang lưu hành và đáng được gọi tên vì bạn sẽ gặp nó trên một bảng xếp hạng. Cột giá của Artificial Analysis ghi Drama 3 ở mức 15,0 USD mỗi triệu ký tự, mức này không khớp với 50 USD mỗi triệu byte của Fish hoặc với mức khuyến mại 10 USD. Ba con số — giá niêm yết, khuyến mại, chuẩn hóa trên bảng xếp hạng — và chỉ hai con số đầu tiên đến từ nhà cung cấp. Con số của bảng xếp hạng là một đơn vị so sánh, không phải một báo giá.

Cổng giấy phép ở cuối bài đăng

Drama 3 không phải là mã nguồn mở theo nghĩa mà hầu hết các nhóm thường giả định. Nó được phát hành theo Fish Audio Community License v1.0: sử dụng thương mại miễn phí khi doanh thu hằng năm dưới 500.000 USD, một giấy phép riêng áp dụng khi vượt ngưỡng đó, và việc bán lại mô hình dưới dạng API TTS được lưu trữ yêu cầu thỏa thuận riêng bất kể quy mô. Artificial Analysis ghi nhận nó là trọng số mở nhưng không có đầy đủ quyền sử dụng thương mại, và đây là mô tả chính xác.

AssemblyAI-TTS-1 không có rào cản như vậy vì nó không có trọng số — bạn không thể tự host, tinh chỉnh hoặc tiếp tục vận hành nếu nhà cung cấp thay đổi giá. Đó là sự đánh đổi mà không ai đưa vào bảng so sánh: giấy phép của Drama 3 giới hạn những gì bạn có thể làm với mô hình, còn kiến trúc của AssemblyAI-TTS-1 giới hạn những gì bạn có thể làm mà không cần nhà cung cấp.

Khoảng cách chất lượng, chỉ nêu một lần

Trên Provider Voice Arena của Artificial Analysis — đọc vào ngày 30 tháng 10 năm 2026, tức cùng một lần chạy cho cả hai — Drama 3 xếp thứ sáu với 1,278 Elo và AssemblyAI-TTS-1 xếp thứ mười bốn với 1,227. Trên Controlled Voice Arena, Drama 3 xếp thứ mười hai với 1,085 và AssemblyAI-TTS-1 xếp thứ mười với 1,110, điều này đảo ngược thứ tự và cho thấy hai bảng đang đo những thứ khác nhau: giọng có sẵn ở bảng đầu, độ trung thực nhân bản so với một tham chiếu cố định ở bảng thứ hai. Drama 3 là cái xếp hạng cao hơn trong hai về giọng tự nhiên, và hai cái nằm trong khoảng nhiễu của nhau khi bản ghi tham chiếu được giữ cố định.

Con số phân biệt chúng rõ rệt nhất là độ vững chắc khi phát âm, nơi Drama 3 dẫn đầu bảng một cách dứt khoát — các nguồn đưa ra con số trong khoảng 93% đến 95% tùy thời điểm trang được đọc, nên hãy coi thứ hạng là sự thật còn chữ số thập phân chỉ là trang trí. AssemblyAI-TTS-1 đạt 81,7% trên cùng thang đo, đứng thứ mười sáu, với điểm phụ yếu nhất ở việc mở rộng chữ viết tắt là 73,8%. Nếu đầu vào của bạn đầy chữ viết tắt, Drama 3 xử lý chúng mà không cần từ điển. Nếu đầu vào của bạn là số điện thoại được đọc to, bài kiểm tra độc lập của Cekura xếp AssemblyAI-TTS-1 đứng đầu trong lĩnh vực của nó với 91,7% ở đúng hạng mục đó.

Không nên coi benchmark của riêng từng nhà cung cấp là độc lập. Độ chính xác từ 99,0%, MOS dự đoán 3,85 và điểm TTSDS 85,5 của AssemblyAI đến từ bộ khung đánh giá của chính họ trên các tập held-out của chính họ; mức 88,9 ms và 271 khung hình/giây của Fish đến từ thẻ mô hình của chính họ. Các phép đo của bên thứ ba — Artificial Analysis, Cekura, Coval — là những phép đo duy nhất trong bài viết này được tạo bởi những người không có sản phẩm nào để bán.

Hãy chọn theo những gì bạn có thể vận hành, không phải theo những gì được xếp hạng cao hơn.

Có đúng ba tình huống mà Drama 3 là câu trả lời đúng. Bạn cần một phần trình diễn biểu cảm, có đạo diễn, với chỉ dẫn sân khấu và nhiều người nói trong một lượt — không cần bàn cãi, AssemblyAI-TTS-1 không có tương đương. Bạn cần một ngôn ngữ nằm ngoài sáu ngôn ngữ mà AssemblyAI đã ra mắt — 83 so với 6, và phép so sánh kết thúc ở đó. Hoặc bạn cần mô hình trên phần cứng của riêng mình vì lý do lưu trú dữ liệu mà một khu vực nhà cung cấp tại Mỹ hoặc EU không đáp ứng được — đây là một yêu cầu thực sự đối với một số khối lượng công việc chịu quy định và là lý do duy nhất biện minh cho GPU.

Mọi người khác đều đang mua một tác nhân điện thoại, và một tác nhân điện thoại muốn có hóa đơn cố định, không phải xếp hàng sau H200 của người khác, và một vấn đề phát âm mà nó có thể sửa. AssemblyAI-TTS-1 cho bạn hai điều đầu tiên và chưa cho bạn điều thứ ba. Đó là bức tranh trung thực của tình hình: Drama 3 là mô hình tốt hơn và là sản phẩm tệ hơn cho công việc này.

Thỏa hiệp thực tế mà hầu hết các nhóm sẽ chọn là cả hai — Drama 3 cho âm thanh được tạo mà bạn phát hành dưới dạng nội dung, AssemblyAI-TTS-1 cho giọng nói theo từng lượt trong vòng lặp trực tiếp, với một đường dự phòng giữa chúng. Việc duy trì một nhà cung cấp TTS thứ hai được kết nối là cùng một kỷ luật mà OrcaRouter áp dụng cho phần mô hình ngôn ngữ của ngăn xếp đó: một API cho hơn 200 mô hình ở giá niêm yết của nhà cung cấp với mức cộng thêm 0%, tự động chuyển đổi dự phòng khi một nhà cung cấp bị suy giảm, và một DSL định tuyến cho phép một điểm cuối phục vụ nhiều mô hình thay vì nhiều hợp đồng. Hiện cả hai mô hình giọng nói này đều không nằm trong danh mục của OrcaRouter — các tuyến giọng nói mà chúng tôi cung cấp là dòng tts-1 của OpenAI và các bản xem trước Gemini TTS của Google — nên hãy hiểu đó là hình dạng của lập luận chứ không phải gợi ý rằng bạn có thể mua Drama 3 ở đây.

Điều gì sẽ thay đổi phán quyết này: Fish công bố một đường cong đồng thời duy trì dưới 150 ms ở lưu lượng tổng đài, hay AssemblyAI bổ sung từ điển phát âm và thêm bốn ngôn ngữ. Hãy chú ý đến điều thứ hai trước. Đó là một thay đổi cấu hình, và công ty đã tung ra bảng giá phẳng 15 đô la đã cho thấy họ thích cạnh tranh bằng hóa đơn hơn.