Fish Audio Drama 3 vs VoxCPM2: Bảng xếp hạng đối đầu với bảng thông số kỹ thuật

Fish Audio Drama 3 có Elo còn VoxCPM2 thì không, khiến phép so sánh hiển nhiên giữa chúng trở nên bất khả thi và phép so sánh thú vị thì dễ bị bỏ sót. Drama 3, được công bố vào ngày 13 tháng 10 năm 2026 và được Artificial Analysis chấm điểm kể từ đó, giữ vị trí thứ sáu trong số 100 trên Provider Voice Arena với 1.278. VoxCPM2 không có hàng nào trên bất kỳ bảng xếp hạng giọng nói nào của Artificial Analysis, và nó vắng mặt ở cả hai đấu trường được trích dẫn trên trang này. Điều mà cả hai phòng thí nghiệm đều công bố là Seed-TTS-eval, và ở đó các con số nói lên điều mà một bảng xếp hạng duy nhất không thể: trên lần chạy riêng của mỗi nhà cung cấp, Drama 3 cần hai lượt để đánh bại một lượt của VoxCPM2. Việc chọn giữa hai mô hình này không thực sự liên quan đến chất lượng. Mà là bạn muốn một cỗ máy hiệu năng thuê theo ký tự, hay một mô hình hai tỷ tham số mà bạn có thể nắm giữ.

Một cái có Elo, cái kia có bảng thông số.

Sự bất đối xứng này đáng được nói thẳng ra, bởi hầu hết các trang so sánh đều lặng lẽ che lấp nó. Drama 3 có mặt trên mọi bảng xếp hạng quan trọng: thứ sáu trong 100 ở Provider Voice Arena với 1.278, thứ mười hai trong 49 ở Controlled Voice Arena với 1.085, đồng hạng nhất trong 31 về độ vững vàng phát âm tiếng Anh với 93,2%. VoxCPM2 không xuất hiện trên bảng nào trong số đó.

Việc vắng mặt đó không phải là một vụ bê bối, và nó cũng không mới. VoxCPM2 đã ra mắt từ mùa xuân 2026 — tài liệu của dự án ghi dòng 2.0 là tháng 3, kho lưu trữ gắn thẻ 2026.04, và báo cáo kỹ thuật được công bố vào tháng 6 dưới mã arXiv:2606.06928 — và trong suốt thời gian đó, chưa ai đưa nó vào một đấu trường nghe mù. Cách lý giải khả dĩ nhất thật nhàm chán: các suất trong đấu trường thường được lấp bởi những nhà cung cấp có một endpoint được host để quảng bá, còn OpenBMB thì không bán dịch vụ đó. VoxCPM2 phân phối trọng số trên Hugging Face và ModelScope cùng một máy chủ /v1/audio/speech tương thích OpenAI thông qua vLLM-Omni, và đó là toàn bộ câu chuyện phân phối.

Vậy nên quan điểm trung thực là thế này: chúng ta có thể so sánh Drama 3 với một điểm số, hoặc so sánh hai mô hình với nhau. Chúng ta không thể làm cả hai cùng lúc, và bất kỳ trang nào trình bày chỉ số Elo VoxCPM2 đối đầu Drama 3 đều đang bịa ra một chỉ số như vậy.

Trục duy nhất mà cả hai người họ công bố

Seed-TTS-eval là thứ gần nhất với một thước đo chung mà lĩnh vực này có, và cả hai phòng thí nghiệm đều báo cáo trên đó. Vấn đề là không bên nào công bố một bảng đầy đủ theo cùng một định dạng, nên những gì sau đây là hai nhà cung cấp tự đo lường chính mình.

• Tỷ lệ lỗi từ tiếng Anh — Drama 3 báo cáo 1,54% ở bản thu cuối và 2,20% ở bản thu đầu tiên; VoxCPM2 báo cáo 1,84% trong một lần xử lý duy nhất. Bản thu hoàn chỉnh của Drama 3 là con số tốt nhất trong ba con số, còn bản thu đầu tiên của nó là tệ nhất.

• Tỷ lệ lỗi tiếng Trung — Drama 3 đạt 0,83% CER ở lần thu cuối, 1,00% ở lần thu đầu; VoxCPM2 đạt 0,97% CER. Cùng một xu hướng, với lần thu cuối của Drama 3 dẫn trước và lần thu đầu của nó gần như ngang bằng.

• Độ tương đồng giọng nói — Drama 3 báo cáo 0.640 trên tiếng Anh (thang 0–1); VoxCPM2 báo cáo 75.3 trên tiếng Anh và 79.5 trên tiếng Trung, mà theo quy ước 0–100 được dùng ở những chỗ khác trong báo cáo của nó thì tương ứng là 0.753 và 0.795. Xét theo chính các con số của mình, VoxCPM2 là công cụ nhân bản giọng nói mạnh hơn.

• Kiểm thử căng thẳng rộng hơn — VoxCPM2 cũng công bố tỷ lệ lỗi của CV3-eval trên mười một ngôn ngữ (3,65% zh, 5,00% en, 8,55% hard-zh, 9,85% fr, 4,25% it, 5,21% ru) và mức trung bình nội bộ trên 30 ngôn ngữ là 1,68%. Drama 3 không công bố bảng tỷ lệ lỗi theo từng ngôn ngữ tương đương, nên không có gì để đặt cạnh chúng.

Hãy xem trọng khoảng cách về độ tương đồng và xem nhẹ khoảng cách về tỷ lệ lỗi từ. Độ tương đồng người nói là chỉ số có khả năng chịu được sự khác biệt về harness cao nhất, vì nó là khoảng cách cosine giữa các embedding của cùng một âm thanh tham chiếu. Tỷ lệ lỗi từ phụ thuộc vào chuẩn hoá, tiền xử lý văn bản và việc dùng những clip tham chiếu nào, và hai phòng thí nghiệm không được yêu cầu phải đồng thuận về bất kỳ điều nào trong số đó. Hướng đi là đáng tin — VoxCPM2 sao chép trung thực hơn, Drama 3 phiên âm chính xác hơn sau khi sửa đổi — nhưng độ lớn thì không phải là một phép đo.

Thuế sửa đổi mà không ai đưa lên tiêu đề

1,54% và 2,20% là cùng một mô hình trên cùng một bài kiểm tra, chỉ khác ở việc bản thu có được chấp nhận ngay lần đầu hay không. Báo cáo kỹ thuật của Fish Audio thẳng thắn một cách hiếm thấy về điều này: báo cáo nêu cả hai, vì việc chỉnh sửa qua nhiều lần thu chính là sản phẩm. Điểm bán là bạn chỉ dẫn một câu bằng ngôn ngữ thông thường, nghe, chỉnh hướng lại, và giữ bản thu bạn muốn — và điểm chuẩn phản ánh bản được giữ lại.

Nếu pipeline của bạn hoạt động theo cách đó, 1,54% là con số bạn sẽ thấy. Nếu bạn đang stream một lượt duy nhất vào cuộc gọi trực tiếp, một dòng hội thoại game hoặc một lần render hàng loạt không có sự can thiệp của con người, bạn đang phải trả cho mức 2,20% — tệ hơn mức 1,84% một lượt của VoxCPM2. Sự đảo ngược đó là dữ kiện hữu ích nhất trong so sánh này và là điều mà bảng của cả hai nhà cung cấp đều không làm rõ. Nó cũng định giá quy trình làm việc: mỗi lần thu thêm là một lần tổng hợp đầy đủ khác, và Drama 3 tính phí theo ký tự đầu vào, nên thói quen thu ba lần sẽ nhân hóa đơn lên gấp ba.

VoxCPM2 không có cơ chế sửa đổi kiểu này. Nó cung cấp bốn chế độ tạo — zero-shot, tiếp nối, chỉ tham chiếu, và kết hợp tham chiếu với âm thanh gợi ý — và cách nó xử lý một bản thu hỏng là kết xuất lại với các thẻ phong cách khác nhau. Rẻ hơn trên mỗi lần thử, vì bạn không phải trả tiền theo ký tự, nhưng không có bộ nhớ ở cấp mô hình về bản thu đã bị loại bỏ.

Mức sàn phần cứng chính là quyết định thực tế.

Đây là điểm mà hai mô hình không còn là sản phẩm thay thế cho nhau nữa.

• Mức chiếm dụng của VoxCPM2 — khoảng 8 GB VRAM, hệ số thời gian thực khoảng 0,30 trên RTX 4090 và 0,13 với Nano-VLLM; dự án cũng báo cáo 1,76 tại Q8_0 trên Apple M4 Pro thông qua llama.cpp-omni. Nó chạy trên một máy trạm.

• Dấu chân của Drama 3 — Fish Audio không công bố mức VRAM tối thiểu. Bảng thông lượng của nó được đo trên H200: 166,7 khung/giây và thời gian trung vị 88,9 ms để có âm thanh đầu tiên ở một luồng đồng thời, 927,6 khung/giây ở mười sáu luồng, 1.687 khung/giây ở sáu mươi tư luồng, với RTF là 0,131 ở cấu hình một luồng. Các nhà đánh giá cho rằng yêu cầu bf16 cần một card 48 GB, và các bản dựng 4-bit cộng đồng tuyên bố khoảng 32 GB. Nó chạy trên máy chủ hoặc trên máy của người khác.

• Lưu ý về thông lượng — bài đăng ra mắt dẫn con số 271 khung hình/giây từ một H200, trong khi bảng streaming trong model card chỉ đạt tối đa 166.7 khi có một yêu cầu. Cả hai đều có thể đúng với các thiết lập đo khác nhau, nhưng điều đó có nghĩa là con số tốc độ nổi bật không phải là con số mà kiểm thử tải của bạn sẽ tái tạo.

Phép tính như sau. Một triệu ký tự tương đương khoảng mười lăm đến hai mươi giờ lời nói thành phẩm ở tốc độ kể chuyện thông thường. Trên một chiếc 4090 với RTF 0,30, đó là năm đến sáu giờ thời gian GPU; trên API của Fish Audio, chi phí là 10 USD trong thời gian khuyến mãi ra mắt và 50 USD sau khi chương trình kết thúc vào ngày 12 tháng 11. Tự vận hành VoxCPM2 rẻ hơn tính theo giờ âm thanh và rẻ hơn nhiều tính theo giờ thử nghiệm — bạn có thể lặp đi lặp lại thiết kế giọng nói trong cả một buổi chiều mà không phải dõi theo đồng hồ đo.

Việc định tuyến không xóa bỏ lựa chọn đó, nên cần nói rõ chính xác nó làm gì. OrcaRouter không lưu trữ (host) mô hình nào trong hai mô hình này; Drama 3 có sẵn qua API riêng của Fish Audio và một số nền tảng bên thứ ba, còn VoxCPM2 có sẵn dưới dạng trọng số để bạn tự triển khai. Thứ chúng tôi thực sự cung cấp là phần giọng nói của pipeline bao quanh chúng — dòng TTS của Gemini và TTS-1-HD của OpenAI, cùng với chuyển đổi dự phòng tự động giữa các nhà cung cấp, để một endpoint được lưu trữ gặp sự cố không làm sản phẩm ngừng hoạt động theo. Nếu câu hỏi là "tôi nên chạy mô hình nào trong hai mô hình này", câu trả lời được quyết định bởi VRAM, không phải bởi định tuyến.

Đạo diễn một buổi biểu diễn so với thiết kế một giọng nói

Hai mô hình bất đồng về nơi công việc sáng tạo diễn ra, và sự bất đồng đó mang tính kiến trúc chứ không phải hình thức.

Drama 3 là công cụ của đạo diễn. Bạn viết chỉ dẫn trong dấu ngoặc vuông trước những từ mà chúng điều khiển — [nghẹn ngào, khóc lặng lẽ] — và thay đổi chúng ngay giữa câu. Các thẻ cặp giới hạn phạm vi chỉ dẫn cho những từ cụ thể: <whisper>, <emphasis>, <soft>, <fast>, <slow>, <stress>, <forceful>. Cách phát âm có thể được ghim từng âm vị một bằng CMU Arpabet, bính âm hoặc romaji, và mỗi cảnh nhận một voice ID cho mỗi người nói dưới dạng một mảng. Nhiều bản thu có thể được chỉnh sửa khi tham chiếu đến các bản trước đó, và tính năng inpainting ở cấp độ từ sẽ render lại một từ được đánh dấu duy nhất để khớp với phần còn lại của bản thu — tuy nhiên cả chỉnh sửa tương tác lẫn inpainting vẫn đang trong giai đoạn thử nghiệm chỉ dành cho người được mời, với một API chỉnh sửa được nêu là sẽ sớm ra mắt.

VoxCPM2 là một công cụ thiết kế. Tính năng nổi bật của nó là Voice Design: mô tả một người nói bằng ngôn ngữ tự nhiên và nhận được giọng nói mà không cần bất kỳ âm thanh tham chiếu nào. Ngoài ra, nó còn thực hiện nhân bản zero-shot, tiếp tục từ lời nhắc, nhân bản chỉ dựa trên tham chiếu với kênh tham chiếu tách biệt (nên bạn không cần bản chép lời khớp với đoạn clip), và điều khiển phong cách thông qua các thẻ. Giới hạn nằm ở phạm vi: nó định hình một giọng nói và cách trình bày, không phải một cảnh. Không có cú pháp mảng người nói, không có chế độ đối thoại nhiều nhân vật, không có sửa lỗi ở cấp độ từ.

Đối với một vở kịch âm thanh hai nhân vật, khác biệt đó mang tính quyết định trước cả bất kỳ phép đo chuẩn nào. Với một sản phẩm cần một giọng thương hiệu nhất quán xuyên suốt danh mục, chế độ thiết kế của VoxCPM2 là con đường ngắn hơn, còn cú pháp chỉ đạo của Drama 3 phần lớn chỉ là chi phí dư thừa.

Tốc độ lấy mẫu, ngôn ngữ và đối số codec

• Đầu ra — VoxCPM2 phát ra 48 kHz qua AudioVAE V2 bất đối xứng, mã hóa ở 16 kHz và giải mã ở 48 kHz; Drama 3 vẫn ở 44,1 kHz, tạo ra qua Descript Audio Codec mười codebook với khoảng 21,5 khung hình mỗi giây. 3,9 kHz thêm của VoxCPM2 là có thật nhưng hiếm khi nghe thấy so với một định dạng phân phối nén.

• Kiến trúc — VoxCPM2 được thiết kế không dùng tokenizer, dự đoán trực tiếp các latent liên tục trên một backbone MiniCPM-4 và lập luận rằng codec âm thanh chính là nút thắt cổ chai; Drama 3 giữ lại các token rời rạc và dành 35B của mình cho một decoder dự đoán đa token theo codebook, thứ dự đoán chín codebook dư sau hai codebook đầu tiên. Hai canh bạc về việc trần chất lượng nằm ở đâu.

• Ngôn ngữ — 83 ngôn ngữ được công bố cho Drama 3, so với 30 của VoxCPM2 cộng với chín phương ngữ Trung Quốc (tiếng Tứ Xuyên, tiếng Quảng Đông, tiếng Ngô, tiếng Đông Bắc, tiếng Hà Nam, tiếng Thiểm Tây, tiếng Sơn Đông, tiếng Thiên Tân, tiếng Mân Nam). Nếu bạn cần tiếng Thái, tiếng Việt, tiếng Do Thái và tiếng Swahili, VoxCPM2 có đủ cả bốn và Drama 3 không rõ ràng là tốt hơn ở bất kỳ ngôn ngữ nào trong số đó; nếu bạn cần 83 ngôn ngữ, chỉ một trong hai mới là lựa chọn đang được xét đến.

• Dữ liệu huấn luyện — VoxCPM2 được huấn luyện trên 2,36 triệu giờ giọng nói (1,8 triệu giờ tiếng Trung và tiếng Anh cùng 560 nghìn giờ đa ngôn ngữ), một con số mà tài liệu của nó công bố chính xác đến vậy. Fish Audio không công bố một con số tương đương, và đây không hẳn là một lời chê trách mà đúng hơn là thêm một chỗ cho thấy hai bài báo cáo này vốn không được viết ra để đem so sánh với nhau.

Giấy phép: điểm duy nhất VoxCPM2 thắng dứt khoát

VoxCPM2 dùng giấy phép Apache 2.0. Bất kỳ công ty nào, ở bất kỳ mức doanh thu nào, đều có thể nhúng, sửa đổi, tinh chỉnh, phân phối lại và bán sản phẩm đầu ra, không có ngưỡng nào và không cần đàm phán. Việc tinh chỉnh bằng LoRA và SFT đều được hỗ trợ và có tài liệu hướng dẫn.

Drama 3 thuộc Fish Audio Community License v1.0: miễn phí cho nghiên cứu và công việc phi thương mại, miễn phí cho sử dụng thương mại miễn là bạn và các đơn vị liên kết của bạn vẫn dưới 500.000 USD doanh thu hằng năm, và vượt mức đó thì phải thương lượng giấy phép — hoặc ở bất kỳ quy mô nào nếu bạn muốn cung cấp Drama 3 như một dịch vụ TTS, nhân bản giọng nói hoặc suy luận. Âm thanh thành phẩm cho khách hàng được cho phép rõ ràng ở bất kỳ mức doanh thu nào; API tổng hợp cạnh tranh thì không. Artificial Analysis gắn nhãn nó là “open weights without commercial-use rights”, một bản tóm tắt một dòng xác đáng về rào cản.

Còn một chi tiết cần kiểm tra thay vì tin tưởng: siêu dữ liệu Hugging Face của fishaudio/drama-3 vẫn ghi là fish-audio-research-license, trong khi phần văn bản trên card lại mô tả Giấy phép Cộng đồng. Hãy đọc tệp giấy phép trong kho lưu trữ trước khi bạn xây dựng sản phẩm dựa trên thẻ đó.

Đối với một công ty đã nhận vốn đầu tư và đang triển khai tính năng giọng nói, toàn bộ sự so sánh gói gọn trong một dòng: VoxCPM2 không khiến bạn tốn gì ở khâu rà soát pháp lý, còn Drama 3 thì khiến bạn tốn một cuộc trao đổi với đội ngũ kinh doanh.

Chọn theo ràng buộc, không theo điểm số.

Bạn chỉ có một GPU và một sản phẩm cần ra mắt. VoxCPM2. Tám gigabyte, Apache 2.0, 48 kHz, và một chế độ thiết kế giọng nói giúp bạn có được giọng thương hiệu dùng được ngay trong buổi chiều đầu tiên. Bạn phải từ bỏ khả năng điều khiển cảnh và điểm số giọng nói nhà cung cấp tốt nhất trong phân khúc.

Bạn đang sản xuất âm thanh theo kịch bản với con người tham gia trong quy trình.Drama 3. Chỉ dẫn trong ngoặc, thẻ có phạm vi, chuyển đổi giữa câu và sửa chữa ở cấp độ từ là thứ gần nhất mà trọng số mở có được so với một buổi thu âm, và WER tiếng Anh 1,54% là thứ mà vòng lặp sửa đổi mang lại. Hãy dự trù ngân sách cho thay đổi giá ngày 12 tháng 11 và đọc điều khoản dịch vụ trước.

Bạn cần một ngôn ngữ nằm ngoài ba mươi ngôn ngữ kia. Drama 3, hoặc không chọn cái nào — nhưng hãy đối chiếu ngôn ngữ cụ thể với các tuyên bố về độ phủ của chính Fish Audio, thay vì con số “83” trên nhãn sản phẩm.

Bạn đang nhân bản giọng nói của một người cụ thể ở quy mô lớn. Độ tương đồng người nói của VoxCPM2 là con số tốt nhất trên trang này, và kênh tham chiếu riêng biệt của nó cho phép bạn nhân bản từ một clip mà không cần bản chép lời khớp. Lợi thế của Drama 3 là chỉ đạo, không phải độ trung thực với bản tham chiếu.

Điều duy nhất không nên làm là xếp hạng chúng. Không có đấu trường chung, không có nghiên cứu về sở thích của con người chung, và không có bộ khung kiểm thử lỗi chung — chỉ có một mô hình với điểm Elo và một mô hình với bảng thông số, cùng một quyết định xoay quanh việc bạn sở hữu phần cứng nào và giấy phép cho phép bạn làm gì với nó.