Fish Audio Drama 3 so với Inworld Realtime TTS-2: Một bên đọc kịch bản, bên kia bám theo cuộc hội thoại

Từ “Realtime” trong Inworld Realtime TTS-2 là một tuyên bố về độ trễ, không phải mô tả về những gì mô hình làm. Sản phẩm chuyển giọng nói sang giọng nói của Inworld cho các cuộc trò chuyện trực tiếp là một mục riêng trên trang giá của chính nó; Realtime TTS-2 là một mô hình chuyển văn bản thành giọng nói đủ nhanh cho việc sử dụng tương tác. Sự khác biệt đó có ý nghĩa ngay khi bạn đặt nó cạnh Fish Audio Drama 3, sản phẩm được xây dựng cho công việc ngược lại — một mô hình 35 tỷ tham số mà toàn bộ thiết kế của nó là việc bạn viết chỉ dẫn sân khấu vào kịch bản trước khi một câu thoại nào được nói. Đặt chúng cạnh nhau trên Artificial Analysis và sự phân tách hiện ra rõ ràng một cách bất thường: Drama 3 dẫn trước Provider Voice Arena 11 điểm, còn Inworld dẫn trước Controlled Voice Arena 61 điểm. Hướng của khoảng cách đó nói lên nhiều hơn về mục đích của từng mô hình so với việc chỉ nhìn riêng từng con số.

Hai sản phẩm chưa từng nhắm đến cùng một mục tiêu

Inworld Realtime TTS-2 khởi đầu là một bản xem trước nghiên cứu vào 2026-05-05 và đạt trạng thái phát hành chung vào 2026-09-02. Điểm nhấn khi phát hành chung không phải là độ trung thực: mà là việc mô hình tiếp nhận các lượt trước đó của một cuộc hội thoại, dưới dạng âm thanh, rồi suy luận về giọng điệu và nhịp độ trước khi quyết định câu tiếp theo nên nghe ra sao. Đó là một tính năng dành cho tác nhân hội thoại. Một bot hỗ trợ vừa nghe thấy một khách hàng đang bực bội không cần chỉ dẫn diễn xuất — nó cần suy ra chỉ dẫn đó từ những gì vừa được nói.

Fish Audio Drama 3, xuất bản ngày 2026-10-13, đi theo hướng ngược lại. Mọi khả năng mà nó quảng cáo đều xoay quanh việc tác giả chỉ định rõ ràng: chỉ dẫn trong ngoặc đặt trước cụm từ mà chúng điều khiển, sự kiện âm thanh và khoảng dừng được đặt giữa dòng, các cặp thẻ chỉ thay đổi những từ được bọc (whisper, emphasis, soft, fast, slow, stress, forceful), ghim âm vị để cố định cách phát âm, thẻ chuyển ngôn ngữ cho một cụm từ, chỉ dẫn được viết bằng ngôn ngữ khác với kịch bản, và hội thoại nhiều người nói trong một yêu cầu thông qua mảng reference_id với các thẻ người nói theo từng lượt. Không có mục nào trong danh sách đó có thể suy ra từ ngữ cảnh. Tất cả đều là thứ mà người viết phải gõ.

Vậy nên cách đặt vấn đề trung thực không phải là "cái nào tốt hơn" mà là "thất bại nào bạn không thể chịu đựng". Một pipeline kịch phải render cảnh mười hai nhân vật với mạch cảm xúc liên tục sẽ không làm được điều đó trên một mô hình vốn được thiết kế để suy ra giọng điệu từ lịch sử trò chuyện. Một voice agent phải trả lời trong chưa đầy một giây sẽ không làm được điều đó trên một mô hình cần stage direction và 48 GB VRAM. Vùng giao nhau nơi cả hai thực sự khả thi thì hẹp: lời dẫn có kịch bản, chất lượng cao được cung cấp qua API cho nội dung tương tác — bản xem trước sách nói, câu thoại ngắn của NPC được render sẵn, VO marketing phải được tạo lại theo lịch.

Các bảng, đọc theo đúng thứ tự

Cả hai con số dưới đây được lấy từ Artificial Analysis vào ngày 2026-10-29:

• Provider Voice Arena — Fish Audio Drama 3 ở hạng 6 với 1.278 và mức 15,00 USD/triệu ký tự được ghi nhận trên bảng; Inworld Realtime TTS-2 ở hạng 8 với 1.267 và 20,80 USD. Inworld Realtime TTS-2 Flash nằm ở hạng 19 trên bảng có kiểm soát với 1.065.

• Controlled Voice Arena — Fish Audio Drama 3 ở hạng 12 với 1.085; Inworld Realtime TTS-2 ở hạng 7 với 1.146. Ở đây Inworld dẫn trước 61 điểm.

• Sự bất đối xứng — lợi thế 11 điểm của nhà cung cấp Drama 3 thu hẹp và đảo ngược ngay khi phép so sánh được tiến hành trên cùng những giọng tham chiếu giống hệt nhau, thay vì trên danh mục riêng của từng nhà cung cấp. Lợi thế dẫn đầu của nó phần lớn chỉ là lợi thế trong số những giọng mà Fish Audio phát hành; còn của Inworld thì không phải vậy.

• Sự bất đối xứng còn lại — Hai mục của Inworld nằm trải khắp bảng xếp hạng, flagship ở 1,146 và Flash ở 1,065, tạo khoảng cách 81 điểm giữa các phân khúc trong cùng một dòng sản phẩm. Drama 3 không có phân khúc nào bên dưới; bạn hoặc dùng mô hình 35B hoặc dùng thứ khác.

Đây là xu hướng ngược lại so với cùng hai bảng đó trong Google Gemini 3.8 Flash TTS, nơi mô hình đóng thắng về giọng nói của nhà cung cấp và thua ở bảng kiểm soát. Không xu hướng nào là nhiễu; cả hai đều là lời nhắc rằng một con số arena duy nhất mô tả gói mô hình cộng thư viện giọng nói, và chỉ bảng kiểm soát mới tách biệt được mô hình.

Nhận thức ngữ cảnh so với định hướng, một cách cụ thể

Thông báo GA cho Inworld Realtime TTS-2 mô tả một mô hình đọc lịch sử hội thoại — các lượt trước dưới dạng âm thanh — và dùng nó để định hình nhịp điệu và giọng điệu. Đó là tuyên bố của nhà cung cấp, không phải một năng lực được chấm điểm độc lập, và các đấu trường của Artificial Analysis không kiểm tra điều này; chúng kiểm tra từng câu đơn lẻ so với giọng tham chiếu. Vì vậy, tính năng mà Inworld thực sự đang bán chính là tính năng mà hiện chưa có chuẩn đánh giá công khai nào đo lường. Hãy coi tuyên bố đó là hứa hẹn và chưa được kiểm chứng, và kiểm tra nó với chính hội thoại của bạn thay vì với bảng xếp hạng.

Khả năng chỉ dẫn của Drama 3 có thể đo lường được theo nghĩa hẹp ở chỗ bạn có thể thấy đầu ra thay đổi khi thay đổi một dấu ngoặc, và Fish Audio ghi lại từng khả năng trong số đó bằng âm thanh mẫu. Tính năng mà không đối thủ nào trong so sánh này sánh được là chỉ dẫn độc lập với ngôn ngữ: một chỉ dẫn viết bằng tiếng Trung đặt trước một câu tiếng Anh, được ghi tài liệu và minh họa. Đối với một đội hậu kỳ quốc tế, đó là một bước mở khóa về vận hành chứ không phải một thứ chỉ để cho đẹp, và đây là kiểu thứ sẽ xuất hiện trong một dự án thí điểm chỉ trong vòng một giờ.

Bài kiểm tra thực tế để một đội lựa chọn giữa chúng là một trang đoạn hội thoại của chính bạn. Hãy render nó với ngữ cảnh hội thoại của Inworld được thiết lập như trong môi trường production, và render nó bằng Drama 3 cùng các chỉ dẫn rõ ràng. Cái nào tạo ra ít dòng bạn phải sửa tay hơn thì đó là đáp án, và đáp án ấy sẽ khác nhau giữa một tác nhân trò chuyện và một vở kịch phát thanh.

Nhân bản, độ trễ và những con số bạn có thể dựa vào

Tính năng nhân bản giọng nói tức thời của Inworld chấp nhận 5 đến 15 giây âm thanh tham chiếu, còn bản beta nhân bản giọng nói chuyên nghiệp của nó cần khoảng 10 phút âm thanh để tạo ra bản sao có độ trung thực cao hơn. Đó là những số liệu của nhà cung cấp và chúng đủ cụ thể để kiểm chứng. Tính năng nhân bản của Fish Audio nằm trong cùng hệ thống tín dụng như việc tạo giọng, và Drama 3 sử dụng cùng số tín dụng như S2.1 Pro trên các gói đăng ký — nhưng giấy phép là phần khác biệt, vì giấy phép cộng đồng của Fish Audio cấm rõ ràng việc nhân bản giọng nói của người thật mà không có sự đồng ý, trong khi các điều khoản của Inworld là các điều khoản API thông thường.

Độ trễ là điểm mà ở đó Inworld rõ ràng là công cụ phù hợp, và phép so sánh không nên giả vờ ngược lại. Realtime TTS-2 cùng hạng Flash của nó được thiết kế cho các sản phẩm tương tác, với hạng Flash có giá thấp hơn 40% so với sản phẩm chủ lực, dành đúng cho những khối lượng công việc cần đến nó. Con số tốc độ mà Fish Audio công bố cho Drama 3 là 271 khung hình/giây trên một H200 duy nhất, so với 177 của S2 — một con số thông lượng dành cho kết xuất hàng loạt, không phải thời gian đến byte đầu tiên cho một luồng trực tiếp. Nếu yêu cầu của bạn là “giọng nói phải bắt đầu trong một lượt hội thoại”, thì bạn đang ở trong sản phẩm của Inworld, và dù Drama 3 có dẫn trước 11 điểm trong so sánh nhà cung cấp cũng không thay đổi được điều đó.

Giá, theo mức giá bạn thực sự sẽ trả

Inworld Realtime TTS-2 có giá $25.00 mỗi triệu ký tự theo nhu cầu, giảm còn $20.00 trên gói Creator $25, $17.50 ở Builder, $15.00 ở Developer và $12.50 ở Growth, còn Flash ở mức $15.00 theo nhu cầu, giảm còn $7.00 ở Growth. Fish Audio Drama 3 có giá niêm yết $50.00 mỗi triệu byte UTF-8 và $10.00 trong chương trình khuyến mãi ra mắt đến 2026-11-12 09:00 PT. Với kịch bản tiếng Anh 100.000 ký tự, chi phí là $2.50 theo mức giá theo nhu cầu của Inworld so với $5.00 cho Drama 3 ở giá niêm yết, hoặc $1.00 trong thời gian khuyến mãi.

Ba lưu ý thuộc về phép tính đó chứ không phải nằm bên dưới nó. Drama 3 tính phí theo từng byte UTF-8, nên một kịch bản CJK tốn gấp nhiều lần so với kịch bản tiếng Anh có cùng số ký tự, trong khi mức phí theo ký tự của Inworld không thay đổi. Các dấu ngoặc chỉ đạo của Drama 3 được tính phí như văn bản đầu vào, tức là mức tăng 10–25% trên một kịch bản có nhiều chỉ dẫn đạo diễn — chính những kịch bản mà bạn cần đến mô hình. Và cơ chế dự phòng của Fish Audio diễn ra âm thầm: một yêu cầu thiếu header mô hình hoặc header không khớp chính xác sẽ được phục vụ và tính phí như s2.1-pro ở mức $15.00 mỗi triệu byte thay vì bị từ chối.

Phép so sánh còn đứng vững sau cả ba lưu ý thì ngắn hơn những gì các bảng giá gợi ý. Theo giá niêm yết, tính trên mỗi ký tự tiếng Anh, Inworld chỉ bằng khoảng một nửa giá Drama 3 và tốt hơn ở các giọng được kiểm soát. Trong đợt khuyến mãi, Drama 3 chỉ bằng một phần ba giá Inworld. Bất kỳ ai chỉ quyết định dựa trên giá thì đang quyết định theo một ngày, chứ không phải theo một sản phẩm.

Cả hai đều không có trong danh mục của chúng tôi, và điều đó thay đổi những gì

Fish Audio Drama 3 và Inworld Realtime TTS-2 đều được truy cập qua API của nhà cung cấp riêng và các nền tảng bên thứ ba; cả hai đều không phải là một trong các mô hình trên OrcaRouter, và lập luận định tuyến ở đây nói về phần còn lại của stack chứ không phải về hai mô hình này. Một sản phẩm giọng nói hiếm khi chỉ gọi một mô hình giọng nói mà không gọi gì khác — nó gọi một LLM cho lời thoại, một mô hình giọng nói cho âm thanh, đôi khi là mô hình giọng nói thứ hai cho một phân đoạn khác, và nó có một hạn chót. Việc hợp nhất nửa không phải giọng nói phía sau một khóa duy nhất theo giá niêm yết của nhà cung cấp, không có phụ phí, với chuyển đổi dự phòng tự động để một sự cố nhỏ ở thượng nguồn không làm đình trệ quá trình kết xuất, chính là điều giúp lựa chọn giọng nói trở thành một quyết định cấu hình chứ không phải một quyết định kiến trúc.

Điểm mà DSL định tuyến thực sự phát huy tác dụng trong sự kết hợp cụ thể này chính là pipeline hỗn hợp: các câu thoại kịch tính được kết xuất trước qua Drama 3 và các lượt hội thoại trực tiếp qua Inworld, được định địa chỉ dưới dạng hai tuyến trên một khóa với việc chọn tuyến được thực hiện theo từng phân đoạn. Hợp nhất mô hình bao trùm trường hợp bạn không thể quyết định — kết xuất cùng một câu thoại qua cả hai, chấm điểm nó dựa trên một tham chiếu, và giữ lại bên thắng. Cả hai cách đó đều không phải là cách né giá của bất kỳ nhà cung cấp nào. Chúng là cách né việc phải duy trì hai tích hợp chỉ để tiết kiệm một dòng trong tệp cấu hình.

Dành cho người đọc đang cân nhắc chọn một trong hai: Inworld Realtime TTS-2 nếu giọng nói phải phản ứng với một cuộc hội thoại, nếu độ trễ là ràng buộc chính, nếu bạn muốn có một hạng Flash để hấp thụ lưu lượng lớn, và nếu chấp nhận được một API đóng. Fish Audio Drama 3 nếu giọng nói được biên soạn sẵn thay vì phản ứng, nếu cách phát âm tên riêng và mã phải đáng tin cậy, nếu phần chỉ đạo phải được viết ra thành văn bản, nếu bạn muốn có trọng số mô hình, hoặc nếu bản yêu cầu sẽ được viết bằng một ngôn ngữ khác với kịch bản. Con số dẫn trước 11 điểm của nhà cung cấp là con số kém quan trọng nhất trong danh sách đó; mức thiếu hụt có kiểm soát 61 điểm mới là con số bạn cần đối chiếu với chính các giọng tham chiếu của mình trước khi cam kết.