Fish Audio Drama 3 Preview dẫn đầu Đấu trường Giọng nói Open-Weights

Fish Audio Drama 3 Preview là mô hình mà Fish Audio công bố vào ngày 13 tháng 10 năm 2026, và đến sáng hôm sau, nó đã chiếm vị trí dẫn đầu trong số các hệ thống trọng số mở trên bảng xếp hạng chuyển văn bản thành giọng nói của Artificial Analysis. Điều khiến vị trí đó đáng để nhìn lại không phải là đỉnh cao — mà là mức giá gắn với nó. Mục này có mức giá niêm yết $15.00 cho mỗi triệu ký tự, trong khi mọi mô hình xếp hạng gần nó đều đắt hơn gấp hai đến năm lần, và hai mô hình ngay trên nó trên bảng xếp hạng, ElevenLabs Eleven v4 Turbo và ElevenLabs Eleven v4, là các hệ thống đóng với mức giá theo từng ký tự tăng theo hướng bất lợi cho bất kỳ ai sản xuất âm thanh dài.

Trên Provider Voice Arena của bảng xếp hạng, nơi các giọng nói của chính từng nhà cung cấp cạnh tranh với nhau, Fish Audio Drama 3 Preview đứng ở vị trí thứ 10 với Elo 1.243. Mức này xếp sau cặp ElevenLabs ở 1.330 và 1.328, sau Cartesia Sonic 3.6 ở 1.286, sau Qwen-Audio-3.1-TTS-Plus ở 1.300 và Qwen-Audio-3.0-TTS-Plus ở 1.268, và sau Gemini 3.8 Flash TTS ở 1.274. Nó đứng trên mô hình trọng số mở thứ hai, Breeze TTS 2, ở 1.221 và có giá 34,00 đô la Mỹ cho mỗi triệu ký tự — cao hơn một chút so với gấp đôi mức giá của Drama 3 Preview. Trong số 97 mô hình trên bảng đó, 17 mô hình có trọng số mở, và bản xem trước mới của Fish Audio là bản xếp hạng cao nhất trong số đó.

Hãy đọc con số cùng với các thanh sai số đi kèm. Khoảng được bảng báo cáo cho mục này chạy từ 1.226,8 đến 1.258,8, khoảng 1.857 so sánh mù, trên 8 giọng arena. So với Breeze TTS 2, khoảng cách khá thoải mái. So với Speechify Simba 3.2 ở 1.245 và $6,60 thì không — đó là chênh lệch 2 điểm với các khoảng chồng lấn, và không ai nên đưa ra quyết định mua hàng dựa trên đó. Tóm tắt trung thực là Drama 3 Preview đã đưa một mô hình trọng số mở vào top 10 của một bảng xếp hạng mà trước đây nó chẳng có cửa góp mặt, và nó làm được điều đó ở mức giá tầm trung.

Mô hình thực sự là gì

Fish Audio mô tả Drama 3 Preview là một mô hình hỗn hợp chuyên gia 35 tỷ tham số với khoảng 3 tỷ tham số hoạt động trên mỗi token. Mô hình dùng một ngăn xếp attention lai — Gated DeltaNet kết hợp với gated full attention — đi kèm bộ giải mã codebook-MTP và tokenizer dựa trên DAC chạy ở 44,1 kHz. Cơ chế hợp nhất codebook từng phần chỉ đưa hai codebook đầu tiên trở lại vòng lặp. Quá trình huấn luyện trải qua ba giai đoạn tiền huấn luyện, sau đó tinh chỉnh theo chỉ dẫn, rồi học tăng cường dựa trên một mô hình phần thưởng sở thích con người duy nhất, không có định hình phần thưởng dựa trên quy tắc.

Tuyên bố về thông lượng đi kèm với nó là phần mà những người thực hành sẽ quan tâm nhất: Fish Audio báo cáo 271 khung hình mỗi giây trên một H200 duy nhất, so với 177 của mô hình S2 mà nó kế nhiệm, dù mang nhiều tham số hơn hẳn. Đây là con số của nhà cung cấp, không phải một benchmark đã được xác minh, và nó sẽ thay đổi theo batch cũng như độ dài chuỗi — nhưng hướng đi thì nhất quán với một kiến trúc thưa đang làm đúng điều mà kiến trúc thưa được kỳ vọng phải làm.

Bề mặt API không thay đổi so với endpoint S2.1 Pro. Các yêu cầu được gửi đến POST https://api.fish.audio/v1/tts, và một yêu cầu bỏ qua trường model hoặc nêu tên một model mà dịch vụ không nhận ra sẽ fallback về s2.1-pro thay vì báo lỗi. Cơ chế fallback đó rất tiện và đáng để biết, vì nó có nghĩa là một lỗi đánh máy trong tên model sẽ tạo ra âm thanh nghe có vẻ hợp lý với sai giọng, thay vì trả về lỗi 400.

Kiểm soát như đạo diễn, đối thoại trong một lượt và sửa từng từ

Ba khả năng phân biệt bản phát hành này với thế hệ trước, và cả ba đều hướng đến công việc sản xuất theo kịch bản chứ không phải hội thoại trực tiếp.

• Chỉ dẫn bằng ngôn ngữ tự nhiên. Thay vì một bộ từ vựng thẻ cố định, mô hình chấp nhận các chỉ dẫn mô tả bằng lời thông thường như [lo lắng, gần như không giữ nổi bình tĩnh] hoặc [ấm áp và thư thái, như đang nói chuyện với một người bạn cũ], và nó có thể thay đổi cảm xúc hoặc cách thể hiện ngay giữa câu mà không cần tạo một bản thu mới. Các thẻ nội tuyến theo cặp như <whisper>…</whisper> và các tín hiệu như [sigh] chỉ áp dụng cho phần văn bản mà chúng bao quanh, vì vậy một câu thoại có thể chuyển giọng điệu ngay giữa chừng do được thiết kế như vậy chứ không phải nhờ may mắn.

• Hội thoại nhiều người nói trong một lần chạy. Mỗi nhân vật giữ giọng riêng của mình trong cùng một lần tạo sinh, điều này loại bỏ bước ghép nối thường nằm giữa mô hình TTS và một cảnh hoàn chỉnh. Với kịch âm thanh và hội thoại trong game, đây là sự khác biệt giữa một pipeline và một dự án nghiên cứu.

• Inpainting âm thanh. Một đoạn có thể được chọn lại, đưa ra chỉ dẫn mới và tái tạo riêng nó, đây là cách khắc phục quy trình cho một từ phát âm sai mà trước đây tốn một lần render lại toàn bộ. Fish Audio liệt kê trải nghiệm chỉnh sửa tương tác, công cụ inpainting và API chỉnh sửa là chỉ dành cho người được mời hoặc sắp ra mắt, vì vậy năng lực đã có nhưng bề mặt vẫn chưa được mở rộng rãi.

Fish Audio cũng tuyên bố hỗ trợ 83 ngôn ngữ với tính nhất quán ngôn ngữ xuyên suốt các kịch bản dài và khi chuyển đổi giữa cảnh, khả năng kiểm soát phát âm ở cấp độ âm vị đối với tiếng Anh, tiếng Trung, tiếng Nhật, tiếng Hàn và một số ngôn ngữ khác, cùng tính năng nhân bản giọng nói kiểu S2 từ các đoạn clip tham chiếu dài khoảng 10 đến 30 giây. Bản demo ra mắt đã sử dụng một bản nhân bản giọng của Uncle Roger mà công ty nói rằng đã được tạo và sử dụng với sự cho phép.

Tuyên bố về cách phát âm, và nguồn gốc của nó

Thông báo của Fish Audio nêu rằng Drama 3 Preview đạt 93,2% tổng thể trên bảng xếp hạng Độ bền Phát âm của Artificial Analysis và đứng đầu tại đó, trên cả ElevenLabs Eleven v4 và Eleven v4 Turbo. Các điểm phụ mà nó công bố là 95,9% ở tên, thương hiệu và thuật ngữ kỹ thuật so với 87,3% của Fish Audio S2.1 Pro; 95,3% ở các từ phụ thuộc ngữ cảnh so với 86,1%; 93,6% ở số, ngày tháng và đơn vị so với 92,7%; và 86,3% ở mã, đường dẫn và địa chỉ email so với 79,4%.

Những con số đó đến từ chính thông báo của Fish Audio. Khi tôi tìm bảng để đọc trực tiếp điểm số của từng mô hình, các đường dẫn độ bền phát âm đều trả về lỗi 404 và giao diện bảng xếp hạng mà tôi có thể tải đã hiển thị thứ hạng Elo mà không kèm theo một con số phát âm theo từng mô hình có thể trích dẫn. Vì vậy, mọi con số trong đoạn trên đều do nhà cung cấp báo cáo và nên được ghi nhãn như vậy trong bất kỳ bộ trình chiếu nào sử dụng chúng. Các con số Elo ở những chỗ khác trong bài viết này thì khác: những con số đó tôi đọc trực tiếp từ bảng, và chúng mang khoảng tin cậy của chính bảng.

Lời phàn nàn cốt lõi mà tuyên bố này đề cập là có thật bất kể bạn tin vào con số của ai. Việc phát âm danh từ riêng, mã sản phẩm và đường dẫn tệp là dạng lỗi khiến các nhóm quay lại với giọng nói con người, và đó là vấn đề mà hầu hết các nhà cung cấp TTS chậm khắc phục nhất vì nó không phải là vấn đề về ngữ điệu. Một mô hình xử lý 86,3% mã, đường dẫn và email so với 79,4% của phiên bản tiền nhiệm vẫn sai khoảng một lần trong bảy.

"Open weights" có nghĩa là gì theo giấy phép này

Fish Audio Drama 3 Preview được phát hành theo Fish Audio Community License v1.0. Hãy đọc các điều khoản trước khi bạn lên kế hoạch dựa trên chúng. Giấy phép này miễn phí cho mục đích nghiên cứu và phi thương mại, và miễn phí cho mục đích thương mại nếu bạn và các đơn vị liên kết của bạn có doanh thu hằng năm dưới 500.000 USD. Vượt ngưỡng đó — hoặc nếu bạn muốn cung cấp mô hình như một dịch vụ chuyển văn bản thành giọng nói, nhân bản giọng nói hoặc suy luận, bất kể quy mô — bạn cần giấy phép từ Fish Audio. Dòng S2 vẫn thuộc một Research License riêng. Nghiêm cấm tuyệt đối việc nhân bản giọng nói của người thật mà không có sự đồng ý.

Ngưỡng thương mại được xác nhận một cách độc lập: bảng của Artificial Analysis gắn cờ mục này là trọng số mở nhưng không có quyền sử dụng cho mục đích thương mại, điều này nhất quán với một giấy phép bị giới hạn theo doanh thu thay vì một giấy phép không hạn chế. Nếu bạn là một studio nhỏ, trọng số mở theo giấy phép này là một lựa chọn thực sự. Nếu bạn là một nền tảng bán lại dịch vụ suy luận, thì đây không phải là trọng số mở theo đúng nghĩa mà bạn đang mong đợi.

Giá cả và ưu đãi ra mắt

Giá niêm yết API là $50 cho mỗi triệu ký tự, được giảm 80% xuống còn $10 cho mỗi triệu ký tự từ ngày 13 tháng 10 đến ngày 12 tháng 11 năm 2026. Tín dụng Creator tương đương S2.1 Pro, và các gói Plus, Pro và Max mới có giá bằng một nửa trong cùng khoảng thời gian đó. Artificial Analysis ghi nhận giá trên bảng là $15.00 cho mỗi triệu ký tự theo cài đặt mặc định, đây là con số nên dùng khi so sánh với các mục khác trên bảng đó thay vì so với bảng giá riêng của Fish Audio.

Cửa sổ khuyến mãi là phần gắn với một thời hạn thực sự. Ở mức 10 đô la mỗi triệu ký tự, Drama 3 Preview rẻ hơn đáng kể so với hầu như mọi mô hình cạnh tranh trên bảng xếp hạng. Ở mức 50 đô la, nó đắt hơn Cartesia Sonic 3.6 ở mức 49 đô la và cao hơn nhiều so với Qwen-Audio-3.0-TTS-Plus ở mức 19,30 đô la. Bất kỳ ai xây dựng mô hình chi phí dựa trên mức giá giảm nên xây dựng thêm một mô hình dựa trên mức giá niêm yết và kiểm tra xem dự án vẫn hoạt động.

Điều này nằm ở đâu trong một stack production

Âm thanh có kịch bản, chỉ kết xuất một lần chính là điểm ngọt: sách nói, kịch âm thanh, hội thoại trong game và phim hoạt hình, video dạng ngắn. Tính năng tạo nhiều người nói trong một lượt và quy trình inpainting đều tồn tại để phục vụ dạng công việc đó, và giá được tính theo ký tự chứ không phải theo phút, điều này có lợi cho những kịch bản dài. Chỉnh sửa tương tác và API chỉnh sửa vẫn chưa được cung cấp rộng rãi, nên một quy trình phụ thuộc vào chúng là một quy trình phụ thuộc vào lời mời.

Câu hỏi vận hành tiếp theo sau đó là định tuyến, và đây là bài toán khó hơn đối với giọng nói so với văn bản. Fish Audio Drama 3 Preview không nằm trong số các mô hình trên OrcaRouter hiện nay. Nó được truy cập qua API riêng của nhà cung cấp và một số nền tảng bên thứ ba. Điều này cũng đúng với hầu hết các mô hình được so sánh ở trên — top 10 của bảng xếp hạng giọng nói là một tập hợp các endpoint riêng của từng nhà cung cấp với cơ chế xác thực riêng của từng nhà cung cấp, và mỗi cái là một tích hợp riêng, một miền sự cố riêng.~200 mô hình của OrcaRouter sau một khóa duy nhất, với giá niêm yết của nhà cung cấp và không cộng thêm phụ phí bao phủ các công việc về văn bản, thị giác và suy luận, và tính năng tự động chuyển đổi dự phòng của nó tồn tại chính xác cho trường hợp endpoint của một nhà cung cấp bị suy giảm giữa chừng. Mô hình thực tế cho một luồng giọng nói trong môi trường sản xuất là giữ nhà cung cấp giọng nói ở dạng kết nối trực tiếp, đồng thời đặt mọi thứ mà nó điều phối — việc tóm tắt, bước dịch, trình tạo từ điển phát âm, bộ phân loại QA — phía sau một endpoint được định tuyến duy nhất, để nếu có chuyển đổi dự phòng ở đó thì cũng không kéo theo toàn bộ pipeline render.

Điểm mấu chốt

Fish Audio Drama 3 Preview là một kết quả thực sự chứ không phải là một hiện tượng chỉ có trong tuần ra mắt: xếp hạng 10 trên Provider Voice Arena với điểm Elo 1.243, đứng đầu trong số 17 mục open-weights trên bảng xếp hạng, với mức 15,00 đô la Mỹ cho mỗi triệu ký tự, so với 34 đô la Mỹ cho mô hình open-weights tiếp theo thấp hơn. Khoảng cách tới đỉnh bảng xếp hạng vẫn còn lớn và khoảng tin cậy chồng lấn với các đối thủ gần nhất của nó, vì vậy ngôi vương open-weights chỉ là vị trí xuất phát, chứ không phải là vị trí dẫn đầu. Con số 93,2% về phát âm là số liệu của chính nhà cung cấp và không thể được đọc một cách độc lập từ bảng xếp hạng. Giấy phép có mức trần doanh thu 500.000 đô la Mỹ cho việc sử dụng thương mại, điều này sẽ loại trừ nó hoàn toàn đối với một số đội nhóm. Và mức giá 10 đô la Mỹ sẽ hết hạn vào ngày 12 tháng 11 năm 2026.

Đối với một studio sản xuất audio có kịch bản với khối lượng lớn, sự kết hợp giữa tạo nhiều người nói trong một lượt duy nhất, vá từng từ đơn và giấy phép trọng số mở dưới ngưỡng doanh thu là lập luận mạnh nhất ở đây — mạnh hơn cả vị trí trên bảng xếp hạng vốn sẽ thu hút các tiêu đề.

Những lựa chọn mô hình như thế này cũng là nơi các dạng lỗi xuất hiện: các sự cố AI và lỗi của agent đã được ghi nhận đằng sau các mô hình thuộc lớp này được tập hợp trong OrcaRouter AI Incident Archive, nơi mỗi mục đều có nguồn riêng, mức độ nghiêm trọng, xếp hạng độ tin cậy và cờ tranh chấp.