Fish Audio Drama 3 so với Gemini 3.8 Flash TTS: Giờ đây Google là bên rẻ hơn, và điều đó đảo ngược lập luận thường thấy

Tính giá hai mô hình này theo mỗi phút âm thanh hoàn chỉnh, và phép so sánh sẽ không còn giống với kiểu so sánh mà thị trường vẫn đưa ra suốt cả năm nay. Google Gemini 3.8 Flash TTS tính phí 9,00 USD mỗi triệu token âm thanh, và âm thanh được tạo ra với tốc độ 25 token mỗi giây — tức chỉ hơn hai phần trăm xu mỗi giây một chút, tương đương khoảng 0,81 USD mỗi giờ giọng nói. Fish Audio Drama 3 được niêm yết ở mức 50,00 USD mỗi triệu byte UTF-8, mà tài liệu của chính nhà cung cấp đánh đồng với khoảng mười hai giờ giọng nói: khoảng 4,17 USD mỗi giờ theo giá niêm yết, và 0,83 USD mỗi giờ trong chương trình khuyến mãi ra mắt kết thúc vào 2026-11-12. Vì vậy, mô hình giọng nói hàng đầu của Google rẻ hơn năm lần so với đối thủ trọng số mở sau khi ưu đãi hết hạn, và có giá gần như tương đương trong thời gian ưu đãi còn hiệu lực. Cách đặt vấn đề thông thường — một mô hình mở linh hoạt đưa ra giá thấp hơn một ông lớn hạ tầng siêu quy mô — lại hoàn toàn ngược lại ở đây, và việc hiểu vì sao chính là toàn bộ quyết định.

Các phép tính, đủ chi tiết để kiểm tra

Đơn vị tính của Google là token, không phải ký tự, và đó chính là lý do khiến những con số được nêu bật trông chẳng có gì đáng chú ý khi đặt cạnh các nhà cung cấp tính giá theo ký tự văn bản. Gemini 3.8 Flash TTS xuất âm thanh ở mức 25 token cho mỗi giây lời nói với giá 9,00 USD trên mỗi triệu token cho đến hết năm 2026, còn mô hình mà nó thay thế — Gemini 3.1 Flash TTS Preview — được định giá 20,00 USD cho cùng một triệu token đầu ra. Gemini 3.8 Flash-Lite TTS, ra mắt cùng thời điểm vào ngày 23/09/2026, có danh sách ngôn ngữ ngắn hơn và mức giá lại thấp hơn nữa, và Artificial Analysis ghi nhận mô hình này ở mức 11,00 USD trên mỗi triệu ký tự để phục vụ mục đích so sánh.

Đơn vị của Fish Audio là byte, không phải ký tự, và tài liệu của họ nêu rõ cách quy đổi: một triệu byte UTF-8 xấp xỉ 180.000 từ tiếng Anh, tức khoảng mười hai giờ giọng nói. Với $50.00 mỗi triệu byte, đó là $4.17 mỗi giờ trước mọi chi phí phát sinh. Ở mức khuyến mại $10.00, đó là $0.83. Các dấu ngoặc chỉ dẫn được tính phí như văn bản đầu vào, nên một kịch bản có nhiều chỉ dẫn sẽ tốn thêm 10-25% so với số từ mà nó gợi ý — và trong cuộc so tài này, mọi dấu ngoặc đều bị tính phí, bởi toàn bộ thiết kế của Drama 3 là bạn viết phần trình diễn vào kịch bản.

• Giá niêm yết, tính theo mỗi giờ giọng nói — Gemini 3.8 Flash TTS khoảng $0,81; Drama 3 khoảng $4,17.

• Giá khuyến mãi, tính theo giờ — Gemini 3.8 Flash TTS khoảng $0,81; Drama 3 khoảng $0,83. Về cơ bản là ngang nhau.

• Đơn vị — token trên giây của đầu ra ở phía Google; byte UTF-8 của đầu vào ở phía Fish Audio. Cả hai đều là đơn vị trung thực. Chúng không cùng một đơn vị, và bất kỳ so sánh "mỗi triệu X" nào trộn lẫn chúng mà không quy đổi thì đều chỉ là nhiễu.

• Dòng ẩn — một yêu cầu Drama 3 có header model bị thiếu hoặc viết sai chính tả không hề thất bại, mà tự động chuyển sang s2.1-pro và tính phí $15.00 mỗi triệu byte, tức là phụ phí 50% so với mức giá khuyến mãi, chỉ vì một lỗi gõ.

Mức giá của Google thực sự đổi lấy được gì

Rẻ hơn trên mỗi giờ chỉ đáng quan tâm nếu đầu ra dùng được, và những con số độc lập cho thấy điều đó đúng, với một hình thái cụ thể. Artificial Analysis xếp Google Gemini 3.8 Flash TTS ở vị trí thứ năm trên Provider Voice Arena với Elo 1,283 và mức $16.50 được ghi nhận trên bảng xếp hạng — cao hơn 1,278 của Fish Audio Drama 3 — và ở vị trí thứ hai mươi tư trên Controlled Voice Arena với 1,053, thấp hơn 1,085 của Drama 3. Sự phân tách đó chính là mô hình được tóm gọn trong một dòng: nó nghe tuyệt vời khi chính các giọng của Google được sử dụng, và tụt xuống giữa bảng xếp hạng khi mọi mô hình được đánh giá trên cùng những giọng tham chiếu.

Bảng phát âm cũng kể một câu chuyện hẹp tương tự. Gemini 3.8 Flash TTS dẫn đầu toàn bộ 31 mô hình được chấm điểm ở hạng mục phù hợp theo ngữ cảnh với 98,0%, còn Drama 3 đạt 95,3%. Đây không phải điểm yếu của mô hình. Điểm yếu của Google trong so sánh này là khả năng kiểm soát: Gemini cung cấp 30 giọng studio dựng sẵn — trong đó có Kore và Puck — cùng bộ đầy đủ 130 ngôn ngữ và khả năng tự động nhận diện ngôn ngữ, và một thư viện giọng mà tài liệu mô tả là “hàng trăm” trong Extended Voice Library, trong khi trang tiếp thị nói hơn 2.000. Những con số đó chưa bao giờ được đối chiếu từ bên ngoài, và nếu một giọng cụ thể là yếu tố trụ cột đối với sản phẩm của bạn, thì việc kiểm thử chính giọng đó là câu trả lời trung thực duy nhất mà bất kỳ ai có thể đưa ra cho bạn.

Ba mươi giọng nói dùng được mà không cần nhân bản giọng là ổn cho một bot hỗ trợ, một giọng thuyết minh sản phẩm hay một ứng dụng học ngôn ngữ. Nhưng nó không ổn cho một quy trình sản xuất phim truyền hình, một trò chơi có mười hai nhân vật cần được chọn giọng, hay bất kỳ công việc cho khách hàng nào mà giọng nói chính là sản phẩm bàn giao. Đó là khoảng trống mà Fish Audio lấp đầy, và đó là khoảng trống về loại chứ không phải về mức độ.

Trọng số mở mang lại những gì, và bạn phải tốn bao nhiêu để chạy chúng

Fish Audio Drama 3 là một mô hình mixture-of-experts 35 tỷ tham số với khoảng 3 tỷ tham số hoạt động trên mỗi token, được khởi tạo từ Qwen3.5-35B-A3B, 8 trong số 256 expert định tuyến cộng thêm một expert dùng chung, bốn mươi lớp chia thành các khối gồm ba lớp Gated DeltaNet và một lớp full-attention có cổng. Trọng số được công bố trên Hugging Face với tên fishaudio/drama-3 — khoảng 40 GB trải trên một tập shard cùng một tệp codec riêng — và suy luận FP8 cần khoảng 48 GB VRAM, không có đường chạy CPU hay ROCm nào được tài liệu hóa. Việc phục vụ được thực hiện qua SGLang-Omni, và nhà cung cấp báo cáo 271 khung hình mỗi giây trên một H200 đơn lẻ, so với 177 của S2.

Dòng phần cứng đó chính là điểm đánh đổi thực sự. Mức giá 0,81 USD/giờ của Google không bao gồm chi phí vốn và chi phí vận hành; chi phí cố định duy nhất của bạn là mỗi yêu cầu. Mức giá khuyến mãi 0,83 USD/giờ của Drama 3 là giá API, và tự vận hành nó sẽ biến khoản đó thành một GPU 48 GB, một stack phục vụ và một người sở hữu nó. Đối với một danh mục 40 giờ âm thanh mỗi tháng, API rõ ràng là rẻ hơn. Với vài nghìn giờ, hoặc với bất kỳ thứ gì phải chạy mà không có bên thứ ba can thiệp, các trọng số mô hình thay đổi hoàn toàn lập luận — và chúng là thứ duy nhất mà Google không bán với bất kỳ mức giá nào.

Giấy phép cũng quan trọng ở đây, vì nó là thứ phân biệt "open weights" với "miễn phí". Drama 3 được phát hành theo Fish Audio Community License v1.0: miễn phí cho nghiên cứu và sử dụng phi thương mại, miễn phí về mặt thương mại khi doanh thu hằng năm của bạn và các bên liên kết dưới 500.000 USD, với một giấy phép riêng cần thiết khi vượt ngưỡng đó hoặc để cung cấp chính Drama 3 như một dịch vụ giọng nói hoặc nhân bản giọng nói được lưu trữ. Artificial Analysis đánh dấu nó là open weights nhưng không có đầy đủ quyền sử dụng thương mại. Các điều khoản của Google là các điều khoản API thông thường, tức là một nhóm câu hỏi khác — xử lý dữ liệu chứ không phải tái phân phối.

Ngôn ngữ, và một con số đang làm ít hơn vẻ ngoài của nó

Google tuyên bố 130 ngôn ngữ với khả năng tự động phát hiện từ văn bản. Fish Audio tuyên bố 83 ngôn ngữ, kèm theo một khả năng kỳ lạ hơn nhiều: chỉ dẫn có thể được viết bằng bất kỳ ngôn ngữ nào và không cần khớp với ngôn ngữ của kịch bản, và có một thẻ chuyển đổi ngôn ngữ được ghi nhận có thể chuyển một cụm từ duy nhất sang ngôn ngữ khác giữa dòng — được đánh dấu là thử nghiệm. Đó là những sản phẩm khác nhau. Con số của Google nói về việc bạn có thể thâm nhập bao nhiêu thị trường chỉ với một tích hợp. Còn con số của Fish Audio nói về mức độ chính xác mà một dòng có thể được tạo ra, bởi một đạo diễn người có thể không dùng chung ngôn ngữ với kịch bản.

Đối với một đội đang phát hành sản phẩm đã được bản địa hóa, 130 tốt hơn 83 và tính năng tự động phát hiện là một khoản tiết kiệm vận hành thực sự — không cần định tuyến theo từng ngôn ngữ, không cần chọn giọng theo từng ngôn ngữ. Đối với một đội sản xuất nội dung bằng một hoặc hai ngôn ngữ cho một lượng khán giả tinh ý, 83 không phải là một hạn chế và khả năng định hướng bằng bất kỳ ngôn ngữ nào là tính năng có giá trị hơn trong hai tính năng. Không nên đọc con số nào trong hai con số này như một vị trí trên bảng xếp hạng; số lượng ngôn ngữ mà một mô hình tuyên bố chưa bao giờ tương quan chặt với việc nó tốt đến đâu trong ngôn ngữ bạn cần.

Vị trí của từng thành phần trong một ngăn xếp được định tuyến

Đây là một trong số ít bài viết trong loạt bài này mà không thể che đậy việc phía nhà cung cấp chưa hoàn toàn trung thực: OrcaRouter định tuyến các mô hình giọng nói Gemini trước đó của Google — google/gemini-3.1-flash-tts-preview và google/gemini-2.5-flash-preview-tts hiện đều có trong danh mục — nhưng không định tuyến Google Gemini 3.8 Flash TTS, và cũng không định tuyến Fish Audio Drama 3. Các mô hình Gemini TTS cũ hơn thì có sẵn thông qua chúng tôi với giá niêm yết của Google mà không có phụ phí; hai mô hình mà bài viết này thực sự đề cập được truy cập qua API riêng của nhà cung cấp và, trong trường hợp của Fish Audio, qua các nền tảng bên thứ ba.

Hệ quả hữu ích là phần lớn hơn của hóa đơn giọng nói Google vốn đã có thể nằm sau một khóa, và lớp chuyển đổi dự phòng là thứ khiến việc so sánh trở nên rẻ khi chạy: đặt một bản canary của Drama 3 bên cạnh một lệnh gọi Gemini 3.8 Flash TTS, định tuyến đường sản xuất đến bên nào vượt qua bài kiểm tra chấp nhận của bạn, và lựa chọn theo từng phân đoạn nằm trong DSL định tuyến thay vì trong hai SDK. Hợp nhất mô hình là tùy chọn khác mà điều này mang lại — một bảng hiển thị cùng một dòng qua cả hai và chọn theo quy tắc do bạn định nghĩa, mà với tường thuật, điều này nghĩa là bạn có thể giữ cách phát âm của Drama 3 trên các dòng có mã và cách đọc theo ngữ cảnh của Google trên phần văn xuôi.

Nói thẳng quyết định: với khối lượng tiếng Anh lớn, không nhân bản giọng và không muốn đầu tư hạ tầng, Gemini 3.8 Flash TTS ở mức $0,81/giờ là mô hình rẻ hơn và nghe hay hơn trên giọng của nhà cung cấp, còn lập luận ủng hộ Drama 3 không trụ được khi đối chiếu với bảng giá. Với bất kỳ thứ gì cần giọng tùy chỉnh hoặc giọng tuyển chọn, chỉ đạo theo từng từ, kiểm soát âm vị, hoặc khả năng vận hành mà không phụ thuộc bên thứ ba, Drama 3 là mô hình duy nhất trong hai mô hình có thể làm được việc đó — ở giá niêm yết, nó tốn gấp năm lần chi phí mỗi giờ của Google, còn trong đợt khuyến mãi thì ngang bằng, điều đó khiến hai tuần tới trở thành cửa sổ rẻ nhất mà bất kỳ ai cũng có thể có để tìm hiểu xem lợi thế về phát âm có đáng để xây dựng quanh nó hay không.