Fish Audio Drama 3 vs Breeze TTS 2: So sánh mô hình mở kết thúc bằng một con số VRAM

Fish Audio Drama 3 và Breeze TTS 2 là hai mô hình chuyển văn bản thành giọng nói trọng số mở được xếp hạng cao nhất trên Provider Voice Arena của Artificial Analysis, cách nhau 50 Elo, và thực sự chúng không cạnh tranh cho cùng một kiểu triển khai. Drama 3 là một mô hình hỗn hợp chuyên gia 35 tỷ tham số, cần một card đồ họa 48 GB duy nhất. Breeze TTS 2, đến từ BreezeBlue, là một mô hình dense 3 tỷ tham số với mã suy luận PyTorch đã được công bố. Sự khác biệt về yêu cầu tài nguyên đó quyết định nhiều câu hỏi mua sắm hơn là khoảng cách Elo, bởi vì mô hình bạn không thể chạy được không phải là mô hình bạn có thể đánh giá — và thêm vào đó, hai giấy phép này còn kéo về hai hướng trái ngược nhau.

Cùng một nhãn, hai loại trọng số mở khác nhau

Cả hai mục đều hiển thị một liên kết trọng số trên bảng, và cả hai đều sẽ được mô tả trong một thông cáo báo chí là mở. Không mục nào là mã nguồn mở, và các hạn chế không có cùng hình dạng.

Trọng số của Breeze TTS 2 đã được đăng lên Hugging Face vào ngày 25/08/2026 với tên BreezeBlue/Breeze-TTS-2, cùng với mã suy luận PyTorch, theo giấy phép nghiên cứu và phi thương mại. Đây là một giới hạn cứng đối với triển khai thương mại nếu không có thỏa thuận riêng, và tình trạng này vẫn chưa thay đổi kể từ đó. Công ty đã công bố mô hình vào ngày 16/08/2026 và 17/08/2026 như một mô hình giọng nói thời gian thực cho phương tiện tương tác, mở một API được lưu trữ với giá 34 USD mỗi triệu ký tự, và công bố trọng số chín ngày sau đó. BreezeBlue được Yang Bin, cựu đồng sáng lập kỹ thuật của MiniMax, thành lập với vòng gọi vốn hạt giống trị giá 6 triệu USD do Yuanjing Capital và Redpoint China dẫn dắt.

Fish Audio Drama 3 được phát hành theo Fish Audio Community License v1.0, giấy phép này dễ dãi hơn đáng kể ở khía cạnh mà hầu hết các nhóm quan tâm: sử dụng thương mại là miễn phí khi doanh thu hằng năm của bạn và các bên liên kết dưới 500.000 USD, và FAQ coi việc sản xuất âm thanh thành phẩm cho khách hàng là được phép. Vượt ngưỡng đó, hoặc nếu bạn muốn vận hành Drama 3 dưới dạng dịch vụ chuyển văn bản thành giọng nói, sao chép giọng nói hoặc suy luận, bạn cần giấy phép từ Fish Audio. Giấy phép cũng cấm sao chép giọng nói của người thật mà không có sự đồng ý. S2 — phiên bản tiền nhiệm — vẫn thuộc Research License nghiêm ngặt hơn, vì vậy không thể coi hai thế hệ Fish Audio là cùng một phạm trù pháp lý.

Cách hiểu thực tế: Breeze TTS 2 là mô hình dễ thử nghiệm hơn nhưng lại khó đưa ra thị trường thương mại hơn; Drama 3 thì ngược lại. Nếu đánh giá của bạn chỉ là bản demo nghiên cứu hoặc một công cụ nội bộ, giấy phép của Breeze không cản trở bạn và kích thước 3B của nó khiến việc thử nghiệm tốn ít chi phí. Nếu đánh giá của bạn kết thúc bằng một sản phẩm, thì các điều khoản của Fish Audio là những điều khoản mà một luật sư sẽ ký mà không cần đàm phán.

Một chi tiết trên thẻ mô hình Breeze đáng để lưu ý vì giờ đây nó đã lỗi thời. Phần giới thiệu của thẻ vẫn nói rằng mô hình "đứng số 1 trong số các mô hình trọng số mở trên bảng xếp hạng TTS của Artificial Analysis". Điều đó đúng vào thời điểm nó được viết; bảng xếp hạng hôm nay đặt Breeze TTS 2 ở vị trí thứ mười ba trong hạng mục giọng nhà cung cấp và thứ hai mươi tám trong hạng mục giọng có kiểm soát, xếp sau cả hai mục của Fish Audio. Thẻ mô hình lỗi thời nhanh hơn bảng xếp hạng, và một người đọc chỉ kiểm tra thẻ sẽ rút ra thứ hạng sai.

Những con số của đấu trường, và lý do vì sao khoảng cách về giọng nói được kiểm soát mới là khoảng cách lớn hơn

Đọc từ Artificial Analysis vào ngày 2026-10-29:

• Provider Voice Arena — Fish Audio Drama 3 ở hạng 6 với Elo 1.278 và mức giá được ghi trên bảng xếp hạng là 15,00 USD mỗi triệu ký tự; Breeze TTS 2 ở hạng 13 với 1.228 và 34,00 USD. Khoảng cách 50 điểm, với các mô hình được xếp hạng ở giữa chúng đều là hệ thống đóng.

• Đấu trường Giọng nói Kiểm soát — Fish Audio Drama 3 ở hạng 12 với 1.085; Breeze TTS 2 ở hạng 28 với 1.021. Cách biệt 64 điểm, và đây là bảng xếp hạng mà ở đó mọi mô hình đều được chấm điểm trên cùng những giọng tham chiếu cố định, thay vì trên những giọng do chính nhà cung cấp của nó thiết kế.

• Hướng của việc nới rộng khoảng cách — lợi thế của Drama 3 tăng thêm 14 điểm khi bạn loại danh mục giọng nói riêng của nhà cung cấp ra khỏi phép so sánh. Đó là con số hữu ích nhất trong màn đối đầu này, vì nó cho thấy vị thế dẫn đầu của Fish Audio không phải là hệ quả phụ từ việc các giọng dựng sẵn của họ nghe hay đến mức nào.

Năm mươi hay sáu mươi tư Elo là một khác biệt thực sự trong các bài kiểm tra sở thích mù, và đó không phải là khác biệt còn tồn tại khi nó là mô hình duy nhất trong phép so sánh. Cả hai đều thấp hơn nhiều so với biên giới đóng: Eleven v4 Turbo dẫn đầu bảng của nhà cung cấp ở mức 1.336 và HeyGen Voice dẫn đầu bảng được kiểm soát ở mức 1.193. Điều mà cặp trọng số mở mang lại là một mức sàn có thể tự lưu trữ, chứ không phải một biên giới.

Mỗi cái thực sự cần gì để chạy

Đây là lúc cuộc so sánh không còn trừu tượng nữa.

• Drama 3 — tổng cộng 35B tham số, khoảng 3B hoạt động trên mỗi token, 8 trong số 256 chuyên gia định tuyến cộng thêm một chuyên gia dùng chung. Trọng số vào khoảng 40 GB trên một tập shard cộng với một tệp codec riêng, và suy luận FP8 cần khoảng 48 GB VRAM. Fish Audio không tài liệu hóa đường dẫn CPU, Apple Silicon hay ROCm nào. Trên một H200 đơn lẻ, nhà cung cấp báo cáo 271 khung hình mỗi giây so với 177 của S2, đây là lợi ích của kiến trúc thưa; con số đó do nhà cung cấp báo cáo và chưa được tái lập bên ngoài Fish Audio.

• Breeze TTS 2 — 3 tỷ tham số dense. Một checkpoint BF16 nặng khoảng 6 GB, nên nó vừa thoải mái trên card 24 GB và có khả năng vừa cả trên các card nhỏ hơn nếu lượng tử hóa. Mã suy luận nằm trong repository chứ không chỉ được ngụ ý. Không có con số độ trễ được công bố ở cấp một luồng đơn, nhưng mô hình được thiết kế và bán cho phương tiện tương tác thời gian thực, một yêu cầu khác với tường thuật độ trung thực cao.

Tokenizer — Drama 3 giữ nguyên thiết lập Descript Audio Codec từ S2: 44,1 kHz, mười codebook, khoảng 21,5 khung hình mỗi giây, hoàn toàn nhân quả. Tokenizer của Breeze TTS 2 không phải điều tôi có thể trích dẫn từ nguồn sơ cấp, và một so sánh tự bịa ra một tokenizer như vậy sẽ là độ chính xác giả tạo.

Hệ quả thì thẳng thừng. Một nhóm có bốn card 24 GB có thể chạy Breeze TTS 2 ngay hôm nay và không thể chạy Drama 3 nếu không dùng các thủ thuật sharding mà Fish Audio không tài liệu hóa. Một nhóm có một card thuộc lớp H200 đang cân nhắc giữa một mô hình phù hợp với phần cứng của mình và một mô hình tốt hơn 50 Elo. Không lựa chọn nào trong số đó là sai; chúng là câu trả lời cho những câu hỏi khác nhau.

Chi phí ở khối lượng lớn, tính theo đơn vị mà Fish Audio thực sự tính phí

Tài liệu của Fish Audio định giá theo mỗi triệu byte UTF-8, không phải theo ký tự, điều này thay đổi cách tính đối với bất kỳ ai không viết bằng tiếng Anh. Theo chính tài liệu đó, một triệu byte UTF-8 tương đương khoảng 180.000 từ tiếng Anh hoặc mười hai giờ lời nói. Drama 3 có giá niêm yết $50.00 mỗi triệu byte — khoảng $4.17 mỗi giờ âm thanh hoàn chỉnh — với mức giá ra mắt $10.00, khoảng $0.83 mỗi giờ, đến 09:00 PT ngày 2026-11-12. Breeze TTS 2 là $34.00 mỗi triệu ký tự, và với cùng phép quy đổi gần đúng đó thì tương đương khoảng $2.83 mỗi giờ.

Vậy là thứ hạng đảo chiều tùy vào ngày bạn mua. Trong thời gian khuyến mãi, Drama 3 có chi phí mỗi giờ chỉ bằng khoảng một phần ba so với Breeze TTS 2. Sau ngày 2026-11-12, Drama 3 theo giá niêm yết đắt hơn khoảng 47% mỗi giờ so với Breeze — trong khi tốt hơn 50 đến 64 Elo trên các arena và tốt hơn đáng kể về phát âm. Và với văn bản CJK hoặc Cyrillic, cách tính phí theo byte đẩy Drama 3 cao hơn nữa: một ký tự ba byte tốn gấp ba lần một ký tự tiếng Anh theo bảng đó, trong khi nhà cung cấp tính theo ký tự lại tính phí như nhau cho cả hai.

Hai chi tiết thanh toán từ cùng một tài liệu đều đáng đưa vào mô hình ngân sách, vì cả hai đều âm thầm làm tăng chi tiêu thực tế. Giới hạn tốc độ được tính trên số yêu cầu đồng thời, không phải số yêu cầu mỗi giây — 5 yêu cầu đồng thời ở gói khởi đầu, 15 từ gói trả phí $100, 50 từ gói $1,000 — và một yêu cầu vượt giới hạn trả về 429 không có header retry-after, nên một trình render song song đơn giản phải tự triển khai backoff. Và những yêu cầu chỉ định một model id bị thiếu hoặc không khớp chính xác sẽ được phục vụ và tính phí như model mặc định, mà ở phía TTS điều đó có nghĩa là một header Drama 3 gõ sai trong đợt khuyến mãi có thể bị tính phí theo mức giá của S2.1 Pro thay vì mức giảm giá.

Đưa cả hai vào chung một pipeline

Cả Fish Audio Drama 3 lẫn Breeze TTS 2 đều không phải là một trong các mô hình trên OrcaRouter. Mỗi mô hình được truy cập thông qua API riêng của nhà cung cấp và, trong trường hợp của Fish Audio, qua các nền tảng bên thứ ba, và phiên bản trung thực của phần này nói rõ điều đó thay vì ngụ ý về một tuyến truy cập mà chúng ta không có.

Lớp điều phối là một vấn đề riêng, và chính ở đây việc tách hai mô hình mới chứng minh được giá trị của nó. Một studio nhỏ muốn dùng Drama 3 cho phần thuật lại và Breeze TTS 2 cho các prompt UI thời gian thực thì phải chạy hai SDK, hai bảng giá và hai kiểu lỗi trong cùng một hạn chót. Định tuyến phần còn lại của stack qua một điểm cuối duy nhất theo giá niêm yết của nhà cung cấp, không có phụ phí, với chuyển đổi dự phòng tự động giữa các upstream, nghĩa là lựa chọn nhà cung cấp TTS trở thành một dòng trong cấu hình chứ không phải một hợp đồng thứ hai — và DSL định tuyến có thể kết hợp một lệnh gọi mô hình với bước âm thanh thay vì ghép chúng lại với nhau trong mã ứng dụng.

Nếu hôm nay bạn đang chọn một mô hình và phần cứng đã được mua sẵn, thì quyết định gần như đã được định sẵn cho bạn: 48 GB VRAM là một hạng mục ngân sách khác với 6 GB, và giấy phép chỉ dành cho nghiên cứu của Breeze là một cuộc rà soát pháp lý khác với giấy phép cộng đồng có giới hạn doanh thu của Drama 3. Nếu bạn đang chọn một mô hình vì chất lượng trong nhóm open-weights, câu trả lời là Drama 3 ở cả hai đấu trường và ở khả năng phát âm, còn lập luận về giá chỉ đúng trong hai tuần tới.