GPT-Live-1 vs Fish Audio Drama 3: Một bản bạn có thể tải xuống, một bản bạn chỉ có thể thuê.

Fish Audio Drama 3 Preview được phát hành dưới dạng 41,5 gigabyte trọng số có thể tải xuống mà bạn có thể đưa vào GPU của riêng mình, kiểm tra, tinh chỉnh và tiếp tục chạy sau khi nhà cung cấp không còn mặn mà. GPT-Live-1 được phát hành dưới dạng một URL. Không có trọng số nào để tải xuống, không có đường suy luận cục bộ và không có cách nào để nghe nó cả mà không mở một phiên tương tác với v1/live/sessions của OpenAI — điểm cuối với giá $0.05 một phút.

Nghe như một chi tiết mua sắm. Nhưng đó chính là quyết định. Một trong hai mô hình này là tài sản gắn liền với giấy phép; mô hình kia là dịch vụ gắn liền với đồng hồ đo, và hai mô hình hành xử hoàn toàn khác nhau khi sản phẩm của bạn tồn tại lâu hơn cả một trang giá.

Drama 3 thực sự là gì

Fish Audio đã phát hành Drama 3 Preview vào giữa tháng 10 năm 2026: một mô hình chuyển văn bản thành giọng nói theo kiến trúc hỗn hợp chuyên gia với 35 tỷ tham số, khoảng 3 tỷ tham số hoạt động trên mỗi token, được xây dựng trên nền Qwen3.5-35B-A3B. Mô hình hỗ trợ 83 ngôn ngữ, có thể duy trì tối đa 16 người nói riêng biệt trong một yêu cầu duy nhất, nhân bản giọng nói từ các mẫu tham chiếu ngắn và nhận chỉ dẫn bằng ngôn ngữ tự nhiên — hãy bảo nó rằng một câu thoại nên mang giọng cam chịu, thêm một âm thanh, hoặc đánh dấu những từ cần thay đổi, và nó sẽ thể hiện đúng như vậy thay vì đọc đều đều.

Giới hạn về nhiều người nói chính là tính năng có ý nghĩa thương mại. Một vở kịch âm thanh hai nhân vật, một podcast có người dẫn và khách mời, một video đào tạo có người thuyết minh và khách hàng — mỗi thứ chỉ cần một lệnh gọi API, chứ không phải mười sáu tệp ghép nối với âm nền phòng thu không đồng nhất.

Trên Provider Voice Arena của Artificial Analysis, ghi nhận ngày 29 tháng 10 năm 2026, Drama 3 Preview đứng ở mức 1240 Elo, thứ mười một tổng thể và đứng đầu trong các mục trọng số mở, trước Breeze TTS 2 ở mức 1228. Fish báo cáo độ ổn định phát âm 93,2%, mức cao nhất được công bố khi ra mắt và cao hơn mức 91,7% mà ElevenLabs báo cáo cho Eleven v4.

GPT-Live-1 thực chất là gì

Mô hình của OpenAI là một loại đối tượng ngược lại. Kể từ ngày 10 tháng 9 năm 2026, nó có thể được gọi với giá $0.05 mỗi phút giọng nói, tính phí theo giây, với âm thanh và văn bản ở cả đầu vào lẫn đầu ra, hỗ trợ streaming và gọi hàm, còn đầu ra có cấu trúc thì rõ ràng là không. Nó là song công toàn phần: nó nghe bạn trong khi nó nói, và nó chuyển phần suy luận nặng cho một mô hình văn bản ở chế độ nền.

Nó không có sản phẩm nhân bản giọng nói, không có chế độ nhiều người nói và không có cách nào được tài liệu hóa để nhận một kịch bản rồi trả về một tệp âm thanh tất định. Thứ nó có là một cuộc hội thoại. Đối với một tác nhân điện thoại, điều đó hoàn toàn đúng. Đối với một cảnh có bốn nhân vật, nó không phải là một công cụ tệ hơn, mà là sai loại công cụ.

Con số mà cả hai bên in ra

Đây là một chi tiết đáng lưu ý vì nó sẽ khiến bất kỳ ai so sánh các bảng thông số bị nhầm lẫn: Drama 3 của Fish Audio và Ming-3.0-TTS của Ant Group đều báo cáo độ ổn định phát âm 93,2% trên cùng một phép đo của Artificial Analysis. Hai phòng thí nghiệm khác nhau, hai kiến trúc khác nhau, nhưng giống nhau đến một chữ số thập phân.

Đó không phải là lỗi sao chép-dán và cũng không phải là hòa. Đó là hình ảnh của một mức trần — 6,8% còn lại là phần đuôi khó của văn bản tiếng Anh: các chuỗi chữ-số, những danh từ riêng bất thường, những con số được đọc trong ngữ cảnh. Bất kỳ ai khẳng định có ưu thế phát âm quyết định giữa các mô hình open-weights hàng đầu đều đang đọc nhiễu. Câu hỏi hữu ích là nội dung của bạn thực sự chứa những trường hợp thất bại nào, và điều đó đòi hỏi phải kiểm thử văn bản của chính bạn, chứ không phải đọc bảng xếp hạng.

Giấy phép là phần chẳng ai đọc.

Drama 3 là trọng số mở, không phải mã nguồn mở theo nghĩa cấp phép rộng rãi. Nó được phát hành theo Fish Audio Community License v1.0: miễn phí cho nghiên cứu và công việc phi thương mại, miễn phí cho sử dụng thương mại dưới 500.000 USD doanh thu hàng năm, và yêu cầu một thỏa thuận riêng nếu vượt mức đó. Dịch vụ lưu trữ API của bên thứ ba cần giấy phép riêng, và bắt buộc phải ghi nguồn.

Đó là một sự cho phép hợp lý và một ràng buộc thực sự. Kéo theo ba hệ quả:

• Dưới dòng doanh thu, việc tự vận hành thực sự miễn phí — bạn chỉ trả tiền điện và thời gian GPU, không gì khác.

• Ở trên nó, bạn lại quay về một cuộc đàm phán, và lợi thế “chúng tôi sở hữu các trọng số” thu hẹp lại thành “chúng tôi vẫn có thể chạy chúng trong khi chúng ta nói chuyện”.

• Việc bán lại quyền truy cập cho khách hàng của chính bạn gần như chắc chắn cần một thỏa thuận riêng, bất kể doanh thu của bạn là bao nhiêu.

Giấy phép của GPT-Live-1 đơn giản hơn theo cách mà một hợp đồng thuê đơn giản hơn: bạn trả tiền theo phút, bạn dùng nó, rồi dừng. Không có ngưỡng doanh thu, không có điều khoản ghi công, không có nghĩa vụ công bố số lượng khách hàng của bạn. Sự đơn giản đó có giá trị, và nó càng có giá trị hơn khi bạn càng nhỏ.

Phần cứng thực sự tốn bao nhiêu

Việc tự triển khai Drama 3 cần khoảng 48GB bộ nhớ NVIDIA ở FP8, và khoảng 41,5GB trong đó là trọng số. Một H100 hoặc một instance thuê thuộc hạng A100 đáp ứng được; còn card tiêu dùng thì không đáp ứng được một cách thoải mái. Dưới đây là hai cách diễn giải.

Nếu bạn đã sở hữu GPU, chi phí cận biên của việc tổng hợp gần như bằng không và giá thuê dịch vụ trông thật vô lý: Fish niêm yết $50 mỗi triệu ký tự, đang chạy khuyến mãi ra mắt ở mức $10 mỗi triệu đến hết ngày 12 tháng 11 năm 2026, và Artificial Analysis ghi nhận giá niêm yết là $15. Một cảnh dài mười phút với khoảng 9.000 ký tự tốn từ chín xu đến bốn mươi lăm xu, tùy thuộc vào việc bạn thực sự bị tính theo con số nào trong ba con số đó.

Nếu bạn không sở hữu GPU, thì dù sao bạn vẫn đang thuê một cái, và phép so sánh trở thành GPU-giờ so với triệu ký tự. Với mức thông thường $2 mỗi GPU-giờ, một mô hình tổng hợp nhanh gấp mười lần thời gian thực tạo ra khoảng mười giờ âm thanh mỗi giờ thuê — tức khoảng 540,000 ký tự ở tốc độ nói thông thường. Như vậy tính ra khoảng $3.70 mỗi triệu ký tự, thấp hơn nhiều so với mọi mức giá dịch vụ thuê ngoài trên bảng giá, nhưng chỉ khi duy trì mức sử dụng liên tục. Dưới khoảng 30% chu kỳ hoạt động, việc thuê chẳng mang lại lợi ích gì, và giả định về thông lượng đúng nghĩa chỉ là một giả định: bạn phải tự đo trên instance của riêng mình, chứ không phải một con số do Fish công bố.

Ngược lại, chi phí của GPT-Live-1 là tuyến tính và tẻ nhạt: $0.05 mỗi phút, mỗi phút, không có chi phí cố định, không có rủi ro tận dụng. Mười phút trò chuyện là $0.50. Mười phút tường thuật Drama 3 là khoảng $0.135 theo giá niêm yết đã ghi nhận. Công việc khác nhau, cách đo khác nhau, và một trong số đó có chi phí cố định mà bạn có thể phân bổ.

Nơi việc thuê vẫn còn chiếm ưu thế

Tuân thủ là lý lẽ thầm lặng cho mô hình được nhà cung cấp vận hành. Các trọng số của Drama 3 có thể bị sao chép, tinh chỉnh thành sản phẩm của đối thủ, hoặc bị để chạy trong một khu vực pháp lý mà đội ngũ pháp lý của bạn có ý kiến riêng. GPT-Live-1 cung cấp cho bạn một endpoint, một hóa đơn và một nhà cung cấp chịu rủi ro phía mô hình. Đối với một doanh nghiệp chịu sự quản lý, đó không phải là sự lười biếng; đó là một khoản phí bảo hiểm.

Chính sách độ trễ là điểm thứ hai. Việc luân phiên lượt nói song công toàn phần là một hành vi, không phải một checkpoint: lượt 0,8 giây và độ chính xác gọi công cụ 87% là những gì OpenAI báo cáo cho mô hình này, và cả hai đều là số liệu của nhà cung cấp chứ không phải các phép đo độc lập. Bạn không thể tải hành vi đó về bằng Drama 3, vì Drama 3 không cố gắng lắng nghe bạn.

Và xử lý lỗi là điểm thứ ba. Một mô hình có thể tải xuống sẽ gặp lỗi khi GPU của bạn gặp lỗi. Một mô hình được lưu trữ sẽ gặp lỗi khi GPU của người khác gặp lỗi — đó là một rủi ro khác, không hẳn là tệ hơn, và là rủi ro bạn có thể phòng ngừa.

Đặt hàng rào ở đâu?

Lớp phòng hộ thuộc về phía sau lớp giọng nói, chứ không phải bên trong lớp đó. Không mô hình nào trong hai mô hình này được OrcaRouter cung cấp: trọng số của Drama 3 không có trong danh mục của chúng tôi, và GPT-Live-1 chỉ có đúng một điểm cuối và không có giao diện tương thích. Thứ có thể định tuyến là chặng suy luận mà một tác nhân hội thoại phụ thuộc vào — GPT-6 Astra, GPT-5.6 Terra, Claude, Gemini, Qwen — có thể truy cập thông qua một khóa duy nhất với tính năng chuyển đổi dự phòng tự động, theo giá niêm yết của nhà cung cấp được chuyển nguyên ở mức tăng giá 0%.

Đó là nơi đúng để dành ngân sách dự phòng của bạn. Đầu ra giọng nói bị lỗi thì ồn ào và rõ ràng; mô hình văn bản phía sau nó bị lỗi mới là lỗi âm thầm làm hỏng chất lượng cuộc gọi suốt một tuần. Hãy giữ phần “tai” cố định với mô hình bạn đã chọn. Giữ phần “não” có thể hoán đổi.

Quyết định, mỗi quyết định trong một đoạn văn.

Hãy chọn Drama 3 nếu bạn sản xuất âm thanh thay vì hội thoại: cảnh, podcast, lồng tiếng, nội dung đào tạo nhiều nhân vật, và nếu bạn đang dưới ngưỡng doanh thu hoặc sẵn sàng đàm phán để vượt ngưỡng đó. 35B MoE, giới hạn mười sáu người nói và 1240 Elo là một gói thực sự mạnh, và các trọng số nghĩa là không ai có thể lấy nó khỏi bạn.

Chọn GPT-Live-1 nếu sản phẩm là một cuộc hội thoại trực tiếp và giá trị nằm ở việc xử lý ngắt lời. Nó đắt hơn trên mỗi phút được cung cấp, nó không cho bạn thứ gì để sở hữu, và nó làm được một việc mà Drama 3 về mặt cấu trúc không thể: lắng nghe trong khi nó nói.

Hai mẫu này nằm cạnh nhau trên bảng thông số nhưng khi sử dụng thì cách nhau một trời một vực. Ai mua mẫu này với kỳ vọng nó làm được việc của mẫu kia sẽ kết luận rằng mẫu đó tệ, trong khi mẫu đó đơn giản là chưa từng được yêu cầu làm việc ấy.