Fish Audio Drama 3 so với Ming 3.0 TTS: Lợi thế 91 điểm biến mất dưới một giọng nói được nhân bản

Fish Audio Drama 3 dẫn trước Ming 3.0 TTS 91 điểm Elo trên bảng xếp hạng nơi mỗi mô hình nói bằng dàn giọng nói riêng của mình, và dẫn trước 17 điểm trên bảng xếp hạng nơi cả hai được đưa cùng tám mẫu tham chiếu đã nhân bản — khoảng cách đủ hẹp để các khoảng tin cậy của chúng chồng lấn. Cả hai đều là bản phát hành trọng số mở trong sáu tuần qua, cả hai đều được Artificial Analysis chấm điểm, và trên bài kiểm tra duy nhất hỏi con người liệu một từ khó có thực sự được phát âm đúng không, chúng đạt 93,2%. Ba con số, hai trong số đó chỉ về những hướng khác nhau. Việc bạn tin con số nào quyết định mô hình nào bạn mua, và câu trả lời phụ thuộc vào việc sản phẩm của bạn nghe như chính nó hay nghe như ai khác.

Hai bản phát hành, cách nhau sáu tuần, được xây dựng ở quy mô trái ngược nhau

Drama 3 được công bố vào ngày 13 tháng 10 năm 2026 và đang hoạt động trên API của Fish Audio với tên drama-3, cùng trọng số trên Hugging Face theo một giấy phép cộng đồng mới. Ming 3.0 TTS xuất hiện lặng lẽ hơn và rải rác từng phần: các kho lưu trữ InclusionAI trên Hugging Face xuất hiện vào ngày 22 tháng 9, trọng số 0.5B vào ngày 24 tháng 9, và mã suy luận chỉ vào ngày 19 tháng 10 — đó là lý do Artificial Analysis không thể chấm điểm nó cho đến ngày 20 tháng 10. Ant Group chưa từng đăng bài công bố ra mắt cho nó, và nó không có endpoint được host lẫn giá niêm yết.

Các bảng thông số không hề tương đương, và đó là điều đầu tiên cần hiểu trước khi bảng xếp hạng có ý nghĩa gì.

• Tham số — hỗn hợp các chuyên gia 35B với khoảng 3B hoạt động trên mỗi token, được khởi tạo từ Qwen3.5-35B-A3B và định tuyến 8 trong 256 chuyên gia cộng một chuyên gia chia sẻ, so với một mô hình dày đặc 0,5B trên nền Qwen2.5-0.5B. Ant cũng cung cấp một MoE tổng 7,9B / hoạt động 1,3B có tên Ming-3.0-tts-tiny, mô hình này không có điểm độc lập nào cả.

• Độ phủ ngôn ngữ — 83 ngôn ngữ được công bố cho Drama 3, so với bảy ngôn ngữ của checkpoint Ming 0.5B (tiếng Trung, tiếng Anh, tiếng Đức, tiếng Tây Ban Nha, tiếng Pháp, tiếng Hàn, tiếng Nhật) cùng với tiếng Tứ Xuyên và tiếng Quảng Đông khi bạn cung cấp một đoạn clip tham chiếu phương ngữ.

• Đầu ra — 44,1 kHz từ cả hai, được tạo ra thông qua những cỗ máy rất khác nhau: Drama 3 giữ nguyên tokenizer Descript Audio Codec của phiên bản tiền nhiệm với mười codebook và khoảng 21,5 khung hình mỗi giây, trong khi Ming giải mã một latent liên tục thông qua AudioVAE.

• Trọng số và giấy phép — Drama 3 theo Fish Audio Community License v1.0, miễn phí khi doanh thu hằng năm dưới US$500,000 và có thể thương lượng nếu vượt mức đó hoặc nếu bạn bán lại dịch vụ tổng hợp giọng nói. Ming 3.0 TTS theo MIT, không có ngưỡng doanh thu nào cả.

• Giá — 50 USD mỗi triệu byte UTF-8 theo giá niêm yết, được chiết khấu xuống còn 10 USD cho đến ngày 12 tháng 11 năm 2026, so với việc không có giá vì chẳng có gì để mua: bạn tải bản checkpoint 2,96 GB về và tự chạy nó.

Sự chênh lệch quy mô tác động theo cả hai chiều. Phần lõi 35B của Drama 3 là thứ cho phép nó giữ một hướng xuyên suốt một kịch bản dài và đưa nhiều người nói vào một cảnh duy nhất, với một ID giọng nói cho mỗi người nói được truyền dưới dạng mảng; đó cũng là lý do không ai sẽ đặt nó trên một chiếc laptop. Ming 0.5B là mô hình bạn có thể phục vụ trên một GPU vừa phải duy nhất và tinh chỉnh trên một chiếc GPU thuê.

Tại sao Artificial Analysis đưa ra hai câu trả lời khác nhau

Bảng xếp hạng mà mọi người nhắc đến đầu tiên là Provider Voice Arena, và tại đó Drama 3 đã tạo ra một khoảng cách dẫn đầu thực sự. Tính đến ngày 29 tháng 10, nó đứng thứ sáu trong số 100 mô hình với Elo 1.278, được Artificial Analysis định giá ở mức 15 USD mỗi triệu ký tự theo cài đặt mặc định của nó. Ming 3.0 TTS đứng thứ hai mươi tư với 1.187, không có giá được ghi lại vì không có điểm cuối thương mại nào để ghi. Khoảng cách 91 điểm trên một bảng xếp hạng có khoảng tin cậy vào khoảng ±13 đến ±18 không phải là nhiễu; giọng gốc của Drama 3 được ưa chuộng hơn, và rõ ràng là như vậy. Một chi tiết từ cùng bảng đó giải thích một phần lý do: Artificial Analysis đã chấm điểm Ming so với ba giọng trong đấu trường và Drama 3 so với tám.

Bảng thứ hai đặt ra một câu hỏi khác, và lợi thế dẫn đầu tan biến. Controlled Voice Arena đưa cho mọi hệ thống cùng tám giọng được nhân bản — bốn giọng Mỹ, bốn giọng Anh — nên so sánh không còn là chuyện diễn viên lồng tiếng của ai tốt hơn mà bắt đầu là chuyện mỗi mô hình khoác giọng của người khác tốt đến đâu. Ở đó, Drama 3 đạt 1.085, đứng thứ mười hai trong số 49, với khoảng 1.069 đến 1.101. Ming đạt 1.068, đứng thứ mười bảy, với khoảng 1.053 đến 1.083. Các khoảng này cùng bao gồm dải 1.069 đến 1.083. Đó là một kết quả hòa, và nói khác đi sẽ là gán độ chính xác cho một cuộc khảo sát vốn không có độ chính xác đó.

Cũng lưu ý rằng Artificial Analysis vẫn có một hàng riêngDrama 3 Preview trên bảng đó ở mức 1,063, xếp thứ hai mươi. Checkpoint sản xuất và bản xem trước đã phát hành vào tháng 9 được tính điểm như hai hệ thống khác nhau, vì vậy một so sánh có nhắc đến “Drama 3” mà không nói rõ hàng nào là không phải là một so sánh. Các con số của chúng tôi ở đây là hàng sản xuất.

Cách hiểu thực tế là: nếu sản phẩm của bạn cung cấp dàn giọng nói riêng — người dẫn chuyện, nhân viên hỗ trợ, nhân vật trong game — thì lợi thế của Drama 3 là thật và lớn. Nếu sản phẩm của bạn sao chép giọng của khách hàng hoặc nhà sáng tạo và nói bằng giọng đó, hai mô hình thực tế ngang nhau, và quyết định sẽ phụ thuộc vào giá, giấy phép và độ phủ ngôn ngữ thay vào đó.

Tỷ lệ hòa 93.2% về phát âm là bốn kết quả khác nhau.

Cả hai mô hình đều được ghi nhận đạt 93,2% trong bài kiểm tra độ ổn định phát âm tiếng Anh của Artificial Analysis — kết quả mà bảng xếp hạng công bố ngày 20 tháng 10, đưa chúng lên vị trí đồng hạng nhất trong 31 hệ thống và vượt Eleven v4 ở mức 91,7%. Dòng tít đó đã được lặp lại ở khắp nơi, và nó che giấu đi phần duy nhất thực sự quan trọng về mặt vận hành: hai mô hình thất bại trên những loại văn bản trái ngược nhau.

• Chuỗi chính xác — Ming bảo toàn chúng ở mức 90,6%, đứng đầu trong 31; con số tương đương của Drama 3 là 86,3%. Số đơn hàng, URL, đường dẫn tệp và mã sê-ri được Ming bảo toàn tốt hơn.

• Mở rộng từ viết tắt — Ming đạt 96,5%, đồng thời đứng đầu trong số 31, so với 93,6% của Drama 3. Ngày tháng, đơn vị và từ viết tắt được đọc thành tiếng thay vì đánh vần.

• Thuật ngữ độc lập — Drama 3 đạt 95,9% so với Ming đạt 88,5%, trong đó Ming xếp thứ hai mươi mốt trong số 31. Tên thương hiệu, tên địa danh và từ vựng kỹ thuật là hạng mục mạnh nhất của Drama 3.

• Thuật ngữ phù hợp với ngữ cảnh — Drama 3 đạt 95,3%, Ming đạt 91,0% và đứng thứ mười ba trong số 31.

Điểm yếu của Ming với các tên đứng riêng phản ánh kho giọng nói của mô hình: bản 0.5B đi kèm hơn một trăm giọng tiếng Trung tích hợp sẵn và năm giọng tiếng Anh, nên khả năng xử lý danh từ riêng tiếng Anh của nó có ít nguồn để dựa vào hơn. Điểm yếu của Drama 3 là hình ảnh phản chiếu ngược lại — một mô hình được huấn luyện để trình diễn đôi khi sẽ đọc một dãy số mã như thể đang trình diễn.

Không con số 93,2% nào là do nhà cung cấp tự báo cáo. Cả hai đều đến từ cùng một bộ kiểm thử độc lập, nhờ đó chúng mới có thể được so sánh với nhau — và đáng nói rằng điều này hiếm gặp trong hạng mục này, nơi hầu hết các bảng tỷ lệ lỗi từ được công bố đều do chính các phòng thí nghiệm chạy trên bộ lời nhắc của riêng họ.

Một triệu ký tự thực sự tốn bao nhiêu

Drama 3 tính phí theo kích thước đầu vào: 50 USD mỗi triệu byte UTF-8, giảm còn 10 USD đến 09:00 ngày 12 tháng 11 năm 2026 giờ Thái Bình Dương. Cú tăng gấp năm lần vào ngày 13 tháng 11 đó là con số lớn nhất trong phép so sánh này, và nó thay đổi thứ hạng của hai mô hình về chi phí cho mỗi giờ hoàn thành tùy thuộc vào thời điểm bạn đọc.

Ngoài ra còn có một cái bẫy tính phí đáng để biết trước khi bạn kết nối bất cứ thứ gì. Drama 3 vẫn dùng cùng endpoint POST /v1/tts như S2.1 Pro, và nếu header model bị thiếu hoặc viết sai chính tả thì yêu cầu sẽ âm thầm fallback về s2.1-pro và tính phí bạn cho nó. Bạn nhận được âm thanh nghe có vẻ hợp lý và không có lỗi, nên một lỗi chính tả trong biến môi trường có thể chạy hàng tuần trước khi có ai đó nhận ra giọng nói bị sai.

Ming hoàn toàn không có hóa đơn, điều đó không đồng nghĩa với việc miễn phí. Bạn trả bằng giờ GPU và thời gian kỹ thuật: checkpoint 0.5B có dung lượng 2.96 GB, cần audio VAE, bộ mã hóa người nói CAM++ và tokenizer được nối với nhau, và không có cam kết hỗ trợ nào từ nhà cung cấp phía sau. Ant đã công bố các bảng benchmark và một bản demo Gradio, chứ không phải một thỏa thuận mức dịch vụ.

Đây là nơi một router thực sự hữu ích và cũng là nơi nó thực sự không hữu ích. OrcaRouter chuyển tiếp nguyên giá niêm yết của nhà cung cấp với mức markup 0%, nên một ưu đãi của nhà cung cấp như của Fish Audio sẽ xuất hiện cùng ngày trên mọi thứ chúng tôi định tuyến — Drama 3 không nằm trong số đó, và Ming cũng không. Các endpoint giọng nói mà chúng tôi thực sự cung cấp hiện nay là dòng Gemini TTS của Google và TTS-1-HD của OpenAI, tất cả đều có thể truy cập qua một API đứng sau một khóa duy nhất cùng với các mô hình văn bản. Nếu bạn đang so sánh Drama 3 và Ming, không có lớp định tuyến nào sẽ phục vụ cả hai cho bạn; điều mà một khóa duy nhất mang lại là phần còn lại của pipeline xung quanh chúng.

Giấy phép quyết định nhiều hơn bảng xếp hạng.

MIT so với Giấy phép Cộng đồng Fish Audio v1.0 là sự rẽ nhánh sắc nét nhất trong cặp này, và đây không phải là một khác biệt mang tính triết lý. Các điều khoản MIT của Ming cho phép bất kỳ công ty ở bất kỳ quy mô nào nhúng mô hình vào một sản phẩm trả phí, bán lại, tinh chỉnh và phát hành sản phẩm phái sinh, không có ngưỡng doanh thu và không cần trao đổi với Ant.

Giấy phép của Drama 3 miễn phí cho nghiên cứu và công việc phi thương mại, miễn phí cho sử dụng thương mại khi bạn và các công ty liên kết của bạn vẫn dưới 500.000 USD doanh thu hàng năm, và yêu cầu giấy phép thương lượng khi vượt mức đó — hoặc ở bất kỳ quy mô nào nếu bạn muốn cung cấp Drama 3 như dịch vụ chuyển văn bản thành giọng nói, nhân bản hoặc suy luận. FAQ của chính thẻ mô hình rõ ràng hơn hầu hết: âm thanh thành phẩm cho khách hàng thì được, còn API tổng hợp cạnh tranh thì không.

Một chi tiết cần kiểm tra chứ không nên giả định: metadata Hugging Face của fishaudio/drama-3 vẫn ghi là fish-audio-research-license trong khi văn bản trên card mô tả Community License. Nếu bạn là người phê duyệt triển khai, hãy đọc tệp giấy phép trong repo, không phải tag.

Với một studio sản xuất audio drama, ngưỡng 500.000 đô la không thành vấn đề, và điều khoản dịch vụ mới là thứ cần đọc. Với một công ty đang tích hợp tính năng giọng nói vào sản phẩm có doanh thu trên mức đó, Drama 3 là một cuộc trao đổi về thu mua, còn Ming chỉ là một lệnh pip install.

Chọn cái nào?

Giọng hỗ trợ hoặc giọng giao dịch, tiếng Anh hoặc tiếng Trung. Ming. Nó thắng ở hai hạng mục quan trọng nhất khi bot đọc lại số đơn hàng hoặc mã đặt chỗ, đó là MIT, và nó chạy trên phần cứng bạn đã có sẵn. Việc hòa nhau ở hạng mục giọng nhân bản nghĩa là bạn không phải hy sinh độ tự nhiên để đạt được điều đó.

Dẫn chuyện, kịch truyền thanh, kịch bản gắn nhiều thương hiệu, nhiều ngôn ngữ.Kịch bản 3. Vị thế dẫn đầu về giọng đọc của nhà cung cấp là có thật, danh từ riêng là hạng mục mạnh nhất của dịch vụ này, và 83 ngôn ngữ so với bảy ngôn ngữ không phải là khoảng cách mà bạn có thể lấp đầy bằng prompt engineering. Hãy dự trù ngân sách cho đợt thay đổi giá tháng 11 và đọc kỹ điều khoản dịch vụ.

Một pipeline vốn đã thực hiện nhiều bản thu. Drama 3, nhưng chỉ khi bạn thực sự dùng vòng lặp chỉnh sửa. Fish Audio đã huấn luyện nó bằng một mô hình phần thưởng dựa trên sở thích của con người và quảng bá việc chỉnh sửa nhiều lượt như cách để đạt được màn trình diễn mà bạn mong muốn; Ming là mô hình một lần, không có cơ chế chỉnh sửa để đem ra cân nhắc so với nó, nên cấu trúc bản thu là lý do để chọn Drama 3 chứ không phải lý do để so sánh hai mô hình.

Bất kỳ triển khai nào mà VRAM là yếu tố hạn chế. Ming, không cần bàn cãi. Một mô hình mixture of experts 35B được đo hiệu năng trên H200 không phải là mô hình bạn chạy chỉ vì nó tiện.

Xem gì

Ba mốc thời gian và một khoảng trống. Vào ngày 13 tháng 11, giá khuyến mãi của Drama 3 hết hạn và US$10 trở thành US$50, một bước nhảy gấp năm lần sẽ đặt lại toàn bộ mọi so sánh chi phí trong danh mục này chỉ qua một đêm. Trước đó, hãy để ý xem Artificial Analysis có gộp hai dòng Drama 3 và Drama 3 Preview hay không, bởi một bảng liệt kê cùng một mô hình hai lần sẽ mời gọi đúng kiểu trích dẫn cẩu thả mà bài viết này đang cố tránh. Và hãy để ý điểm số của Ming-3.0-tts-tiny: biến thể MoE 7.9B chính là mô hình mà Ant thực sự quảng bá cho việc tạo podcast, và hiện tại nó chỉ có các con số từ nhà cung cấp — 0.820% tỷ lệ lỗi từ trên tiếng Trung, 6.000% trên tiếng Hàn — mà không có gì độc lập đứng đằng sau.

Tóm tắt trung thực là đây không phải hai phiên bản của cùng một sản phẩm. Một cái là công cụ làm việc nhỏ, có giấy phép thoáng, tình cờ lại xuất sắc đúng ở loại văn bản khiến các hệ thống giọng nói bị hỏng; cái còn lại là cỗ máy hiệu năng lớn, bị ràng buộc giấy phép, tình cờ là mô hình mở nghe hay nhất trên bảng khi nó dùng dàn giọng riêng của mình. Lợi thế dẫn trước 91 điểm là thật. Nó chỉ thuộc về một câu hỏi mà hầu hết sản phẩm không bao giờ đặt ra.