Fish Audio Live 3 vs Drama 3: Một mô hình đọc kịch bản, mô hình kia cảm nhận được không gian

Fish Audio Live 3 và Fish Audio Drama 3 không phải là hai câu trả lời cho cùng một câu hỏi, và coi chúng là đối thủ là cách nhanh nhất để mua nhầm sản phẩm. Drama 3, được Fish Audio công bố vào 2026-10-13, là một mô hình chuyển văn bản thành giọng nói: bạn đưa cho nó văn bản và chỉ dẫn thể hiện, và nó trả về âm thanh. Live 3, được công bố vào 2026-11-10, là một mô hình giọng nói song công dành cho các cuộc gọi do tác nhân thực hiện: nó lắng nghe trong khi nói, quyết định khi nào một khoảng dừng có nghĩa là "tiếp tục" và khi nào là "tôi nói xong", và có thể phản hồi chỉ trong 186 mili giây theo Fish Audio. Một cái là bộ kết xuất; cái kia là người đối thoại.

Sự nhầm lẫn là dễ hiểu vì cả hai đều là mô hình của Fish Audio, đều mới, và cả hai đều được quảng bá là giỏi ở một việc mà các mô hình Fish Audio khác không làm tốt. Nhưng chúng nằm ở các tầng khác nhau của một ngăn xếp giọng nói, được tài liệu hóa riêng, và chỉ một trong hai xuất hiện trên bảng giá đã công bố của Fish Audio. Vì vậy, so sánh hữu ích không phải là cái nào tốt hơn — mà là mỗi cái thực sự dành cho công việc nào, và chúng gặp nhau ở đâu bên trong cùng một sản phẩm.

Những gì được ghi trong tài liệu mà mỗi mô hình có thể làm

Drama 3 là một mô hình chuyển văn bản thành giọng nói, và bằng chứng công khai về nó là đánh giá sở thích cùng cách phát âm chứ không phải khả năng luân phiên lượt lời. Trên Provider Voice Arena của Artificial Analysis, mô hình đứng thứ sáu với điểm Elo 1.278; trên Controlled Voice Arena, nơi mọi mô hình được đánh giá dựa trên cùng các giọng tham chiếu, mô hình đứng thứ mười hai với 1.085. Trên cả hai bảng xếp hạng, đây là mô hình trọng số mở có thứ hạng cao nhất trong bảng, và bản ghi Drama 3 Preview trước đó — bản đã được báo chí đưa tin vào tháng Mười — vẫn được liệt kê riêng ở mức 1.240 và 1.063. Trên chuẩn đánh giá English Pronunciation Robustness, mô hình đạt 93,2% tổng thể, đồng hạng nhất trong số 31 mô hình được chấm điểm cùng với Ming-3.0-tts, trong đó phần phân tách theo hạng mục quan trọng hơn con số tổng quan: 95,9% ở các thuật ngữ độc lập như thương hiệu và tên kỹ thuật, 93,6% ở việc mở rộng dạng viết tắt như số và ngày tháng, 86,3% ở việc giữ nguyên các chuỗi chính xác như mã và đường dẫn, và 95,3% ở cách phát âm phù hợp với ngữ cảnh.

Bằng chứng công khai của Live 3 có một hình thái hoàn toàn khác. Thông báo của Fish Audio được xây dựng xoay quanh hội thoại thay vì kết xuất, và ba ví dụ mẫu của nó đều xoay quanh yếu tố thời gian.

• Một số điện thoại được đọc theo từng đoạn — “415… 555… 0132” — trong đó Live 3 có thể nói “mm-hmm” hoặc “được, 415” giữa các đoạn rồi chờ phần còn lại.

• Người gọi nói "yeah" hoặc "mm-hmm" trong khi tổng đài viên đang đọc giờ mở cửa, và Live 3 vẫn tiếp tục thay vì coi lời xác nhận đó là sự ngắt lời.

• Người gọi điện sửa đơn hàng ngay khi đang nói — “hai chiếc pizza… không, ba. Ba chiếc cỡ lớn. Và… thật ra, đổi một chiếc thành margherita” — trong tình huống đó, Live 3 chờ qua từng lần chỉnh sửa thay vì xử lý theo đơn hàng hoàn chỉnh hợp lý đầu tiên.

Fish Audio tuyên bố mô hình có thể quyết định phản hồi chỉ trong 186 mili giây, mô tả những phản ứng ngắn như "mm-hmm", "okay" và các xác nhận nhanh thay vì câu trả lời đầy đủ. Ở thời điểm ra mắt, mô hình chỉ nói tiếng Anh và có mặt trên Fish Agent Platform, thông qua API của Fish Audio, và dưới hình thức triển khai tại chỗ cho doanh nghiệp. Điều mô hình không có là bất kỳ benchmark nào được công bố, bất kỳ điểm số độc lập nào — tính đến ngày 11/11/2026, Artificial Analysis không có dòng nào về Live 3 duplex — hay một dòng nào trên bảng giá của Fish Audio.

Vì sao các đơn vị tính giá cho bạn biết chúng là những sản phẩm khác nhau

Fish Audio tính phí Drama 3 theo số byte UTF-8 của văn bản đầu vào: $50.00 mỗi triệu byte theo giá niêm yết, với chương trình khuyến mãi ra mắt là $10.00 mỗi triệu byte kéo dài đến hết 2026-11-30. Tài liệu của chính công ty quy đổi một triệu byte UTF-8 thành khoảng 180.000 từ tiếng Anh, tức khoảng mười hai giờ nói — điều này đưa drama-3 về khoảng $4.17 mỗi giờ âm thanh được tạo ra theo giá niêm yết, và khoảng $0.83 mỗi giờ trong thời gian khuyến mãi. Đơn vị đó tồn tại vì TTS có một lượng văn bản đầu vào có thể biết trước và một lượng âm thanh đầu ra có thể biết trước.

Live 3 hoàn toàn không khớp với đơn vị đó, và nó không có trong bảng giá. Một cuộc gọi agent song công không có kịch bản cố định: âm thanh vào là bất cứ điều gì người gọi nói, âm thanh ra là bao nhiêu tùy mô hình chọn nói, và chi phí đáng quan tâm là số phút kết nối chứ không phải số byte văn bản. Fish Audio chưa công bố sẽ dùng cách tính nào, đó là lý do cột Live 3 trong bất kỳ so sánh chi phí nào đều để trống chứ không phải là rẻ.

Điều mà hai mô hình thực sự chia sẻ là một nền tảng. Agent Platform của Fish Audio, hiện đang ở giai đoạn beta công khai, vận hành các agent Live 3 và cung cấp một bề mặt REST tại /v1/agent/* với SDK JavaScript và React, các kênh cho widget web, số điện thoại hoặc client tùy chỉnh, cùng xác thực bằng token phiên. Hook LLM tùy chỉnh trên nền tảng đó trỏ đến một endpoint tương thích OpenAI, đây chính là điểm nối để đưa vào một lớp suy luận do bạn tự chọn.

Nơi chúng gặp nhau trong một sản phẩm

Câu hỏi thú vị không phải là mô hình nào thắng, mà là một sản phẩm duy nhất sẽ trông như thế nào khi cả hai được dùng đúng vào việc chúng giỏi. Một tổng đài đặt chỗ cần Live 3 trong cuộc gọi trực tiếp, vì cuộc gọi là nơi diễn ra các khoảng dừng và chỉnh sửa. Cùng một sản phẩm thường cũng cần Drama 3, hoặc một mô hình tương tự, cho mọi thứ không phải là hội thoại: phần xác nhận đọc lại sau cuộc gọi, lời chào thư thoại, lời nhắc gọi ra, phần tường thuật dài trên trang tiếp thị đã dẫn người gọi đến đó. Đó là những tác vụ kết xuất với một kịch bản đã biết, và những điểm mạnh đã công bố của Drama 3 — mức độ được người nghe ưa thích, phát âm đạt 93.2%, 83 ngôn ngữ, trọng số mở được công bố theo Fish Audio Community License v1.0 với giới hạn doanh thu $500,000 — chính xác là những điểm mạnh mà một tác vụ kết xuất cần.

Việc tách biệt đó có một hệ quả về chi phí đáng nói rõ, vì đây là điểm mà một lớp định tuyến không còn là một khái niệm trừu tượng. Lớp suy luận phía sau một tác nhân Live 3 có thể trỏ tới bất kỳ đâu nói được giao thức OpenAI; OrcaRouter nằm sau điểm cuối đó với 216 mô hình từ một khóa duy nhất, theo giá niêm yết của nhà cung cấp, không cộng thêm và tự động chuyển đổi dự phòng khi nhà cung cấp gặp lỗi, nên bộ lập kế hoạch bên trong tác nhân có thể được hoán đổi mà không cần chạm tới lớp giọng nói hay số điện thoại. Một DSL định tuyến quyết định mô hình nào xử lý loại cuộc gọi nào, và tính năng hợp nhất mô hình cho phép một mô hình rẻ soạn nháp lệnh gọi công cụ trong khi một mô hình mạnh hơn kiểm tra lệnh đó trước khi nó được kích hoạt. OrcaRouter không lưu trữ Fish Audio Live 3 hay Drama 3 — cả hai đều không khả dụng qua một điểm cuối của bên thứ ba, và lớp giọng nói trong ngăn xếp này vẫn thuộc về Fish Audio. Thứ nó lưu trữ là mọi thứ xung quanh giọng nói.

Cái nào bạn thực sự cần

Bạn cần Drama 3 nếu đầu ra là một tệp. Tường thuật, sách nói, quảng cáo, giọng nhân vật, lồng tiếng, bản đọc hỗ trợ trợ năng — bất kỳ nội dung nào do con người viết lời và người nghe sẽ nghe một lần, chỉn chu. Nó có điểm ưu tiên, phân tích chi tiết cách phát âm, số lượng ngôn ngữ và mức giá công bố trên mỗi byte mà bạn có thể dựa vào để dự báo. Nó cũng là trọng số mở, điều này quan trọng nếu bạn cần tự chạy nó.

Bạn cần Live 3 nếu đầu ra là một cuộc hội thoại phải trụ được khi bị ngắt lời. Tác nhân điện thoại, đường dây đặt chỗ, nhận đơn hàng, phân loại yêu cầu hỗ trợ — bất kỳ tình huống nào mà người gọi đáp lời và kiểu hỏng hóc là bị nói chèn hoặc phải lặp lại một chuỗi số. Nó có một lập luận về hành vi, một mức sàn độ trễ của nhà cung cấp và một nền tảng, và nó chưa có benchmark hay giá.

Bạn có lẽ cần cả hai nếu bạn đang xây dựng một sản phẩm thoại thay vì một bản demo, và sự phân chia nằm dọc theo ranh giới giữa trực tiếp và kết xuất. Sai lầm cần tránh là chọn một bên để làm công việc của bên kia: mô hình TTS không thể quyết định khi nào nên ngừng nói, và mô hình tác nhân song công là một cách đắt đỏ và chưa được đánh giá để tạo lời chào thư thoại. Fish Audio bán cả hai, các đơn vị định giá khác nhau có chủ đích, và lộ trình coi chúng là một sản phẩm sẽ dự báo sai chi phí của chính nó ngay từ tháng đầu tiên.