Fish Audio Drama 3 giờ đây đồng thời nắm giữ cả hai đấu trường giọng nói — và cả hai con số đều không phải con số bạn đã thấy tuần trước.

Bảng xếp hạng có hai bản ghi cho cùng một sản phẩm. Fish Audio Drama 3đứng thứ sáu trên Artificial Analysis Provider Voice Arena với Elo 1.278 và thứ mười hai trên Controlled Voice Arena với 1.085, và trên cả hai bảng, đây là mô hình trọng số mở có thứ hạng cao nhất trong bảng. Bản ghi mang nhãn Fish Audio Drama 3 Preview— bản từng được báo chí đưa tin khi Fish Audio công bố vào ngày 2026-10-13 — vẫn được liệt kê riêng, ở mức 1.240 và 1.063. Đó là mức chênh 38 điểm trên một bảng và 22 điểm trên bảng kia, cho thứ mà chính trang sản phẩm của nhà cung cấp gọi là một mô hình duy nhất dưới hai cái tên. Nếu bạn đã trích dẫn Elo của Drama 3 trong hai tuần qua, thì đây chính là bài viết cho bạn biết mình đang trích dẫn con số nào trong hai con số đó.

Điều mà các hội đồng quản trị thực sự nói hôm nay

Cả hai con số đều được đọc từ Artificial Analysis vào ngày 29/10/2026, và cả hai đều đi kèm cùng mức giá $15,00 trên một triệu ký tự do bảng ghi nhận, nên khoảng cách 38 điểm không phải là thay đổi giá — đó là hai lần đánh giá hai trạng thái lưu trữ của cùng một mô hình. Bảng xếp hạng giọng nhà cung cấp phía trên Drama 3 đều là các hệ thống đóng: Eleven v4 Turbo ở 1.336 và $40,00, Eleven v4 ở 1.334 và $80,00, Qwen-Audio-3.1-TTS-Plus ở 1.305 và $19,30, Cartesia Sonic 3.6 ở 1.296 và $49,00, và Google Gemini 3.8 Flash TTS ở 1.283 và $16,50. Mỗi một trong số đó đều có giá trên một triệu ký tự cao hơn mục Fish Audio được xếp ngay bên dưới chúng.

Bảng giọng nói được kiểm soát là nơi hai bản ghi Drama 3 tách nhau rõ rệt nhất về thứ hạng, và cũng là nơi dễ kiểm tra nhất tuyên bố về trọng số mở, vì tất cả mô hình ở đó đều được chấm điểm trên cùng những giọng tham chiếu cố định thay vì trên danh mục riêng của từng nhà cung cấp. Toàn bộ độ trải cho các mục trọng số mở tính đến hôm nay:

• Giọng nói của nhà cung cấp — Fish Audio Drama 3 1.278 (#6); Fish Audio Drama 3 Preview 1.240 (#12); Breeze TTS 2 1.228 (#13); Voxtral 3 TTS 1.223 (#15).

• Giọng nói được kiểm soát — Fish Audio Drama 3 1,085 (#12); Ming-3.0-tts 1,068 (#17); Fish Audio Drama 3 Preview 1,063 (#20); Breeze TTS 2 1,021 (#28).

• Khoảng cách đáng quan tâm — trên các giọng nói được kiểm soát, Drama 3 vẫn xếp sau Eleven v4 (1.156, #4), Inworld Realtime TTS-2 (1.146, #7) và Google Gemini 3.8 Flash TTS (1.053, #24) nằm dưới nó, nhưng các hệ thống đóng ở đầu bảng đó không phải cách bốn điểm, mà là bảy mươi. HeyGen Voice dẫn đầu với 1.193.

Có hai điều rút ra. Thứ nhất, “đứng đầu trong số các trọng số mở” là đúng trên cả hai đấu trường hiện nay và ở cả hai đấu trường đều không phải là hòa. Thứ hai, mức chênh lệch trên bảng có kiểm soát — 17 Elo so với Ming-3.0-tts với một phần năm số lượng tham số — nằm trong phạm vi mà vài nghìn phiếu bầu có thể làm thay đổi thứ tự, nên hãy coi đó là một sự dẫn trước chứ không phải là một vị trí đã khóa.

Điểm phát âm là đồng hạng nhất, chứ không phải hạng nhất tuyệt đối.

Thông báo của Fish Audio dẫn mức 93,2% trên benchmark English Pronunciation Robustness của Artificial Analysis, so với 88,1% của S2.1 Pro trước đó, và mô tả đây là điểm số cao nhất trên bảng xếp hạng. Điều đó đúng vào thời điểm điểm số này xuất hiện ngày 2026-10-20, kèm một lưu ý mà bản quảng cáo bỏ qua: Ming-3.0-tts của Ant Group cũng đạt mức 93,2% tương tự, nên bảng xếp hạng cho thấy thế hòa ở vị trí đầu tiên trong số 31 mô hình được chấm điểm, chứ không phải một mô hình dẫn đầu duy nhất. Eleven v4 đứng ở 91,7% và Eleven v4 Turbo ở 90,1%.

Chỉ số tổng hợp che giấu một sự đánh đổi thực sự. Điểm mạnh của Drama 3 là danh từ riêng và các từ phụ thuộc ngữ cảnh — đạt 95,9% với các thuật ngữ độc lập như thương hiệu, địa danh và tên kỹ thuật, và 95,3% với những từ mà cách đọc phụ thuộc vào câu. Điểm yếu của nó là bất cứ thứ gì phải được tái tạo từng ký tự một: 86,3% với mã, đường dẫn và địa chỉ email, trong khi Ming đạt 90,6% ở nhóm này. Hạng mục duy nhất Drama 3 thua hoàn toàn là việc mở rộng tốc ký — số, ngày tháng và đơn vị — với 93,6% so với 94,1% của Eleven v4. Nếu quy trình của bạn đọc to số đơn hàng, mã linh kiện hoặc chuỗi theo dõi, thì con số 93,2% được nêu nổi bật là con số sai để lập kế hoạch dựa vào; 86,3% mới là con số đúng.

Điều gì đã ra mắt vào ngày 2026-10-13, và mười sáu ngày thay đổi điều gì

Đây không phải là một buổi ra mắt, và không nên đưa tin về nó như một buổi ra mắt. Fish Audio đã đưa mô hình vào ứng dụng web, ứng dụng iOS và Android cùng API của mình vào ngày 2026-10-13, với id mô hình API là "drama-3". Điều mới trong hai tuần qua là việc chấm điểm độc lập mô hình bản bán lẻ, chứ không phải sự tồn tại của mô hình. Những hệ quả thực tế của sự phân biệt đó đáng được nói rõ, bởi vì các bài đưa tin trước đó về mô hình này — bao gồm cả trên blog này — được viết dựa trên dữ liệu Preview.

Kiến trúc không thay đổi giữa hai bản ghi: một hỗn hợp chuyên gia 35 tỷ tham số được khởi tạo từ Qwen3.5-35B-A3B, với khoảng 3 tỷ tham số hoạt động trên mỗi token và 8 trong số 256 chuyên gia được định tuyến cùng một chuyên gia chia sẻ được kích hoạt. Bốn mươi lớp được sắp xếp thành các khối lặp lại gồm ba lớp Gated DeltaNet và một lớp gated full-attention, nên chỉ một trong bốn lớp giữ KV cache. Bộ giải mã là thiết kế codebook-MTP — bốn lớp chia sẻ cấp dữ liệu cho chín lớp full-width, mỗi lớp ứng với một codebook âm thanh — và chỉ các codebook 0 và 1 được đưa ngược vào backbone. Tokenizer là cùng thiết lập Descript Audio Codec mà S2 đã dùng: 44,1 kHz, mười codebook, khoảng 21,5 khung hình mỗi giây, hoàn toàn nhân quả. Có một điểm không nhất quán nhỏ đáng lưu ý vì nó sẽ gây nhầm lẫn cho bất kỳ ai so sánh hai nguồn: thông báo của Fish Audio nói 35 tỷ tham số, còn model card trên Hugging Face báo cáo kích thước mô hình là 36B. Sự khác biệt nhiều khả năng là do quy ước làm tròn hoặc cách đếm embedding chứ không phải một checkpoint khác, nhưng hai con số đó chính là những gì bạn sẽ thấy ở mỗi nơi.

Thông lượng trên một H200 là con số của nhà cung cấp: 271 khung hình mỗi giây so với 177 ở S2, và đó chính là thứ mà một MoE 35B với đường kích hoạt 3B được kỳ vọng mang lại. Việc phục vụ diễn ra qua SGLang-Omni. Trọng số nằm trên Hugging Face dưới tên fishaudio/drama-3 — khoảng 40 GB trải trên một bộ các shard safetensors cùng một tệp codec riêng — và suy luận FP8 cần khoảng 48 GB VRAM, không có đường dẫn CPU hay ROCm nào được tài liệu hóa. Ràng buộc cuối cùng ấy chính là yếu tố quyết định phần lớn câu hỏi về tự lưu trữ (self-hosting), và nó là chủ đề của bài so sánh Breeze TTS 2 chứ không phải bài này.

Ba mức giá, và tấm thẻ đó không phải là thứ bạn nên lên kế hoạch đối phó.

Ở đây nguồn phải được nêu rõ, vì có ba con số đang được lưu hành và hai trong số đó không phải như bề ngoài của chúng. Artificial Analysis ghi nhận $15.00 mỗi triệu ký tự cho cả hai mục Drama 3. Trang thông báo của chính Fish Audio nêu giá niêm yết là $50.00 mỗi triệu ký tự, với mức giá ra mắt $10.00, giảm 80%, đến hết 2026-11-12. Và tài liệu dành cho nhà phát triển của Fish Audio tính phí theo một đơn vị hoàn toàn thứ ba: mỗi triệu byte UTF-8, với drama-3 ở mức $50.00, s2.1-pro ở mức $15.00, và mức giá ra mắt là $10.00 cho đến 2026-11-12 09:00 PT. Tiếng Anh gần như tương ứng một byte mỗi ký tự, nên các con số tính theo byte và theo ký tự gần như có thể hoán đổi cho văn bản tiếng Anh, đồng thời lệch nhau rõ rệt đối với các hệ chữ tốn hơn một byte cho mỗi glyph.

Mức $15.00 trên bảng xếp hạng đáng để xem lại chứ không nên chỉ nhún vai, vì đó chính xác là giá niêm yết của s2.1-pro, mô hình trước đó của Fish Audio, chứ không phải mức giá của mô hình đang được chấm điểm. Hoặc bảng đã ghi một con số tổng hợp hoặc kế thừa, hoặc đã định giá mô hình theo mức mà Fish Audio không công bố cho mô hình đó. Con số để lập ngân sách là con số trong bảng giá của chính Fish Audio: $50.00 mỗi triệu byte UTF-8 theo giá niêm yết, mà tài liệu của nhà cung cấp đánh đồng với khoảng 180.000 từ tiếng Anh, hay khoảng mười hai giờ nói — tạm tính $4.17 mỗi giờ âm thanh thành phẩm. Một ưu đãi ra mắt hết hạn sau hai tuần không phải là bảng giá; ở mức $10.00, cùng mười hai giờ đó tốn khoảng $0.83.

Giấy phép: trọng số mở, không phải mã nguồn mở, và một điều khoản quyết định rất nhiều

Các trọng số được phát hành theo Giấy phép Cộng đồng Fish Audio v1.0. Sử dụng cho nghiên cứu và phi thương mại là miễn phí. Sử dụng thương mại là miễn phí nếu bạn và các bên liên kết của bạn duy trì doanh thu hằng năm dưới 500.000 đô la Mỹ; trên mức đó, hoặc nếu bạn muốn cung cấp Drama 3 như một dịch vụ chuyển văn bản thành giọng nói, nhân bản giọng nói hoặc suy luận, bạn cần một giấy phép riêng từ Fish Audio. Giấy phép cũng cấm nhân bản giọng nói của một người thật khi chưa có sự đồng ý, và phần FAQ của Fish Audio coi việc "tạo âm thanh hoàn chỉnh cho khách hàng" là được phép, đây là điều khoản quan trọng đối với các đại lý và xưởng hậu kỳ. S2 vẫn nằm dưới Giấy phép Nghiên cứu nghiêm ngặt hơn, vì vậy hai thế hệ này không thể thay thế cho nhau trong một triển khai thương mại.

Artificial Analysis liệt kê mô hình này là trọng số mở nhưng không có đầy đủ quyền sử dụng thương mại. Đó là mô tả trung thực: bạn có thể tải xuống và chạy nó, nhưng không nhất thiết có thể bán quyền truy cập vào nó. Bất kỳ ai dự định xây dựng một sản phẩm lưu trữ trực tuyến dựa trên các trọng số này nên đọc điều khoản dịch vụ trước khi xây dựng trang thanh toán, chứ không phải sau đó.

Điều này đặt một pipeline sản xuất ở đâu

Lý do khiến kết quả trên hai đấu trường đáng để viết thành một bài đăng thay vì chỉ là một ghi chú nhỏ nằm ở chỗ nó thay đổi những gì một đội có thể mặc định giả sử. Mười sáu ngày trước, phát biểu còn có thể bảo vệ là một mô hình open-weights đã lọt vào top mười của một bảng xếp hạng ưu tiên và tự nhận có ưu thế dẫn đầu về phát âm trên đánh giá của chính nó. Hôm nay, phán quyết độc lập thì hẹp hơn nhưng mạnh hơn: nó là mô hình open-weights tốt nhất trên cả hai đấu trường, nó đồng hạng nhất về phát âm chứ không phải nhất tuyệt đối, và nó đạt được điều đó với mức giá tầm trung cùng bộ trọng số mà bất kỳ ai cũng có thể tải về.

Drama 3 không phải là một trong các mô hình trên OrcaRouter. Nó được truy cập qua API riêng của Fish Audio và một số nền tảng bên thứ ba, và một bài viết giả vờ điều ngược lại sẽ nói dối bạn về đúng điều mà blog này tồn tại để làm. Điều chúng tôi làm là nửa còn lại của vấn đề: ~200 mô hình phía sau một khóa duy nhất với giá niêm yết của nhà cung cấp và không tăng giá, chuyển đổi dự phòng tự động, DSL định tuyến và hợp nhất mô hình là cách một pipeline vốn đã gọi các nhà cung cấp khác tiếp nhận một mô hình như thế này mà không cần hợp đồng thứ hai và SDK thứ hai. Nếu Drama 3 trở thành giọng dẫn chuyện trên một hàng đợi kết xuất và hàng đợi có thời hạn, giá trị của việc định tuyến mọi thứ khác qua một endpoint duy nhất là một đường thử lại đã tồn tại sẵn.

Những gì cần theo dõi trong hai tuần tới, theo thứ tự mức độ có thể thay đổi cục diện: liệu khoảng cách 22 điểm giữa hai bản ghi Drama 3 sẽ thu hẹp hay nới rộng khi thêm phiếu dồn vào mục bán lẻ; liệu Ming-3.0-tts có vượt lên về phát âm khi điểm danh từ riêng ở vị trí thứ 21 của nó được đo lại với số lượng span lớn hơn; và liệu có ai ngoài Fish Audio tái tạo được con số 271 khung hình/giây trên phần cứng không phải H200. Số liệu arena đã đủ chắc chắn để trích dẫn. Số liệu thông lượng vẫn là tuyên bố của nhà cung cấp, và giấy phép vẫn là yếu tố nhiều khả năng nhất quyết định liệu một nhóm có thể dùng công cụ này hay không.