AssemblyAI-TTS-1 对比 Fish Audio Drama 3：一个结账按钮与 41.5 GB 下载的较量

首先要理解的一点是，在AssemblyAI-TTS-1与Fish Audio Drama 3 的对比中，其中一方本质上就是一个文件。Drama 3 于 2026 年 10 月 13 日发布，是一个拥有 350 亿参数的混合专家语音模型，以 fishaudio/drama-3 之名发布在 Hugging Face 上——在加上编解码器之前，权重就约有 41.5 GB，而用 FP8 提供服务大约需要 48 GB 的显存。AssemblyAI-TTS-1 自 2026 年 10 月 27 日起正式可用，价格为每百万字符 15 美元，它是位于美国东部或欧洲北部的一个 HTTPS 端点，响应时间不到十分之一秒，除了文本之外不要求你提供任何东西。任何从 Elo 分数开始的对比都从错误的地方起步，因为这两个产品在被质量差异区分之前，先被一个运营层面的决策区分开来。

15美元能买到什么，41.5吉字节又能买到什么

AssemblyAI-TTS-1 这边介绍起来很简短。每百万输入字符统一收费 15 美元，覆盖全部 4,000 多种音色库声音，支持基于 24 秒样本即时克隆、词级时间戳、六种首发语言（英语、西班牙语、法语、德语、意大利语、葡萄牙语）、美国或欧盟处理、WebSocket 和 HTTP 端点外加一个兼容 OpenAI 的路由、用于打断（barge-in）的取消消息，以及不收取额外费用的无限并发。不支持 SSML，没有语速参数，没有发音词典，没有情感标签，也没有专业级克隆层级。

Drama 3 这边则完全是另一种形态的产品。它是一个 35B MoE，每个 token 约激活 30 亿参数，从 Qwen3.5-35B-A3B 初始化而来，共 40 层，256 个路由专家中激活 8 个，外加 1 个共享专家——这也是它能听起来富有表现力，同时仍能适配单张加速卡的原因。它覆盖 83 种语言，可克隆声音，单次最多处理 16 位说话人，并接受方括号括起的自然语言舞台指示（如 [sighs]），模型会据此表演。根据 Fish 自己的模型卡，它也是为有指导的表演而打造的：配音、旁白、多角色场景。低于 100 毫秒的电话交互回路并不是它调优的目标。

这种区别并不是在贬低任何一方。它正是这场对比之所以存在的原因：Drama 3 是这个系列中唯一一个你可以完全自主拥有的模型，而 AssemblyAI-TTS-1 是这个系列中唯一一个无需购买 GPU、今天下午就能直接用于来电者面前的模型。

并发数学才是真正的论据

两家厂商都公布了延迟数字，但两者并不能直接比较，因此请将以下内容视为两项独立的说法，而不是正面交锋式的对比。

• Drama 3，厂商模型卡——在单台 H200 上单流运行时，首次音频输出时间中位数为 88.9 毫秒，实时因子为 0.131，每秒 271 帧。服务支持在发布后数天内上线，同一硬件在 128 个并发流下保持 255 毫秒的首次音频输出时间中位数，即每实际秒约处理 222 秒音频。

AssemblyAI-TTS-1，厂商实验室——首字节时间中位数为 47 毫秒；Cekura 独立测得流式启动中位时间为 159 毫秒、p90 为 296 毫秒，根据 Artificial Analysis 的测量，吞吐量为每秒 162 个字符。

看看 Drama 3 的数值随负载上升会发生什么：单独运行时为 88.9 ms，128 路流时为 255 ms。对配音流水线来说，这是一条相当不错的曲线；而对呼叫中心来说，则只是勉强够用——因为在来电者听到声音之前的每一毫秒，都是无声的空白。AssemblyAI 的反驳主张并不是一个更快的数字，而是这条曲线的消失——以单一固定费率提供不限并发，因为调度问题是供应商的，你永远看不到它。这个承诺能否经受你自己的流量考验，正是需要测试的事情，因为一项没有公布排队行为的不限并发声明，本质上是在说别人的集群。

两份单位不一致的账单

Fish 将 Drama 3 定价为每百万 UTF-8 字节 50.00 美元，供应商自己的文档称这大致相当于十二小时的语音，即每音频小时约 4.17 美元。发布促销价为每百万字节 10.00 美元，每小时约 0.83 美元，活动持续至 2026 年 11 月 12 日。AssemblyAI-TTS-1 每百万字符 15 美元，按同样宽松的假设——普通对话音频每分钟约 900 个字符——折合每语音小时约 0.81 美元。

因此促销期间，两者的价格几乎相同，相差之小可忽略不计；而按标价计算，Fish 每输出一小时的费用约为前者的五倍——这还没算购买 H200 的费用。自托管并不能消除成本，它只是把按字符计费的账单变成 GPU 小时账单，再加上一个懂得如何部署这项服务的人。

有两个陷阱值得点明，因为人们很容易落入其中。

• 字符不是字节。Fish 按 UTF-8 字节计费，AssemblyAI 按字符计费。英文文本大约每个字符对应一个字节，所以两者看起来差不多；而日语、阿拉伯语或表情符号较多的脚本会抬高字节数，并在同一份脚本上悄悄让 Drama 3 的账单增加 30–100%。

• 缺少 model 请求头并不会报错。Fish 自己的文档指出，缺失或拼写错误的 model 标识符会回退到 s2.1-pro，价格为每百万字节 15.00 美元——相比 Drama 3 的促销费率溢价 50%，而且用的是另一个模型，响应中却不会出现任何错误。

市面上还流传着第三个数字，它值得被点名，因为你会在排行榜上遇到它。Artificial Analysis 的价格栏记录 Drama 3 为每百万字符 15.0 美元，这个数字既与 Fish 的每百万字节 50 美元对不上，也与促销价 10 美元对不上。三个数字——标价、促销价、榜单归一化价——其中只有前两个来自供应商。榜单上的数字是比较单位，而不是报价。

帖子底部的许可证门控

Drama 3 并非大多数团队所理解的那种开源。它依据 Fish Audio Community License v1.0 发布：年收入低于 50 万美元时可免费商用，超过该门槛则适用单独的许可；而无论规模大小，将模型作为托管式 TTS API 转售都需要另行签订协议。Artificial Analysis 将其记录为开放权重但不具备完整商业使用权利，这一描述是准确的。

AssemblyAI-TTS-1 没有这样的门槛，因为它没有权重——你无法自托管它、微调它，也无法在供应商变更定价时继续运行。这就是没人会放进对比表里的那种取舍：Drama 3 的许可证限制了你能用这个模型做什么，而 AssemblyAI-TTS-1 的架构则限制了你在没有供应商的情况下能做什么。

质量差距，一次说清

在 Artificial Analysis 的 Provider Voice Arena 上——读取于 2026 年 10 月 30 日，因此两者均为同一次运行——Drama 3 以 1,278 Elo 排名第六，AssemblyAI-TTS-1 以 1,227 排名第十四。在 Controlled Voice Arena 上，Drama 3 以 1,085 排名第十二，AssemblyAI-TTS-1 以 1,110 排名第十，这使顺序反转，并说明这两个榜单衡量的是不同内容：第一个衡量的是预置语音，第二个衡量的是针对固定参考的克隆保真度。在自然语音方面，Drama 3 是两者中排名更高的一方，而一旦参考录音保持不变，两者之间的差距就在噪声范围内。

最能鲜明区分它们的是发音稳健性，Drama 3 在此直接领跑榜单——各来源给出的数字大约在 93% 到 95% 之间，具体取决于读取页面的时间，因此请把排名当作事实，把小数当作装饰。在同一测评工具上，AssemblyAI-TTS-1 得分为 81.7%，排名第十六，其最弱子项是缩写扩展，得分为 73.8%。如果你的输入充满缩写，Drama 3 无需词典即可处理。如果你的输入是朗读出来的电话号码，Cekura 的独立测试在该类别上正好让 AssemblyAI-TTS-1 以 91.7% 位列同领域第一。

任何一方的自家基准测试都不应被视为独立结果。AssemblyAI 的 99.0% 词准确率、3.85 的预测 MOS 和 85.5 的 TTSDS 分数，来自其自家测试框架在其自己的留出集上的结果；Fish 的 88.9 毫秒和每秒 271 帧来自其自己的模型卡。第三方测量——Artificial Analysis、Cekura、Coval——是本文中唯一由没有产品要卖的一方产生的测量。

选择你能操作的，而不是排名更高的。

Drama 3 是正确答案的情形恰好有三种。你需要富有表现力、带有导演编排的表演，并在一次处理中包含舞台指示和多个说话人——这一点毋庸置疑，AssemblyAI-TTS-1 没有对应的能力。你需要 AssemblyAI 最初推出时支持的六种语言之外的语言——83 对 6，比较到此为止。或者，你需要把模型部署在自己的硬件上，因为美国或欧盟的供应商区域无法满足数据驻留要求——这对某些受监管的工作负载而言是真实需求，也是唯一值得动用 GPU 的理由。

其他人都在买电话代理，而电话代理想要固定账单、不想排在别人的 H200 后面，还想要一个它能解决的发音问题。AssemblyAI-TTS-1 给了你前两样，目前还没有给你第三样。老实说，情况就是这样：Drama 3 是更好的模型，但就这项工作而言却是更差的产品。

大多数团队最终会采用的务实折中方案是两者兼用——用 Drama 3 负责你作为内容交付的生成音频，用 AssemblyAI-TTS-1 负责实时循环中的逐轮语音，并在两者之间保留一条回退路径。保持第二个 TTS 供应商接入，这与 OrcaRouter 应用于该技术栈中语言模型那一半的做法是同一种纪律：一个 API 提供 200 多个模型，按供应商标价、0% 加价，供应商性能下降时自动故障转移，以及一个路由 DSL，让一个端点服务多个模型，而不是多份合同。这两款语音模型目前都不在 OrcaRouter 目录中——我们提供的语音路由是 OpenAI 的 tts-1 系列和 Google 的 Gemini TTS 预览版——所以请把这理解为论证的轮廓，而不是暗示你可以在这里买到 Drama 3。

什么会改变这一结论：是 Fish 发布一条在呼叫中心负载下仍能保持低于 150 毫秒的并发曲线，还是 AssemblyAI 增加发音词典和另外四种语言。先留意第二个。这是一项配置变更，而那个推出统一 15 美元费率卡的公司已经表明，它更愿意在账单上竞争。