Fish Audio Drama 3 如今同时占据两个语音竞技场——而这两个数字都不是你上周看到的那个。

同一个产品在榜单上却留有两条记录。Fish Audio Drama 3在 Artificial Analysis Provider Voice Arena 上以 1,278 的 Elo 位列第六，在 Controlled Voice Arena 上以 1,085 位列第十二，而且在这两个榜单上，它都是表中排名最高的开放权重模型。标注为Fish Audio Drama 3 Preview的那条记录——也就是 Fish Audio 于 2026-10-13 发布时引来媒体报道的那条——仍被单独列出，分数为 1,240 和 1,063。一个榜单上相差 38 分，另一个榜单上相差 22 分，而厂商自己的产品页却称这只是同一个模型的两个名字。如果你在过去两周里引用过 Drama 3 的 Elo，那么这篇文章要告诉你的，就是你引用的究竟是哪一个。

董事会今天究竟说了什么

这两个数字均于 2026-10-29 读取自 Artificial Analysis，且两者都对应同一份榜单记录的每百万字符 15.00 美元的价格，因此这 38 分的差距并非价格变动——而是对同一模型的两个存档状态所做的两次评测。排在 Drama 3 之上的提供方语音榜单条目全部是闭源系统：Eleven v4 Turbo 为 1,336 分、40.00 美元，Eleven v4 为 1,334 分、80.00 美元，Qwen-Audio-3.1-TTS-Plus 为 1,305 分、19.30 美元，Cartesia Sonic 3.6 为 1,296 分、49.00 美元，Google Gemini 3.8 Flash TTS 为 1,283 分、16.50 美元。它们的每百万字符成本全都高于紧排在其下方的那条 Fish Audio 条目。

受控语音榜单是两条 Drama 3 记录在排名上差距最悬殊的地方，也是开放权重这一说法最容易核实的地方，因为榜单上的所有模型都是用同一套固定参考语音打分，而不是各厂商自己的语音库。截至今天，开放权重条目的完整分布如下：

• 提供商语音 — Fish Audio Drama 3 1,278（#6）；Fish Audio Drama 3 Preview 1,240（#12）；Breeze TTS 2 1,228（#13）；Voxtral 3 TTS 1,223（#15）。

• Controlled Voice — Fish Audio Drama 3 1,085（#12）；Ming-3.0-tts 1,068（#17）；Fish Audio Drama 3 Preview 1,063（#20）；Breeze TTS 2 1,021（#28）。

• 真正重要的差距在于——在受控音色上，Drama 3 仍落后于 Eleven v4（1,156，第4名）和 Inworld Realtime TTS-2（1,146，第7名）；而 Google Gemini 3.8 Flash TTS（1,053，第24名）低于它。但该榜单顶部的闭源系统并非只差四分，而是差了七十分。HeyGen Voice 以 1,193 分领跑。

由此得出两点。第一，“在开放权重中排名第一”在今天两个竞技场上都成立，而且在任何一个上都不是并列。第二，受控榜单上的领先幅度——在参数量只有对方五分之一的情况下，以 17 Elo 领先 Ming-3.0-tts——处于几千票就能改变排序的范围内，因此应把它视为领先优势，而不是锁定胜局。

发音得分是并列第一，而不是独占第一。

Fish Audio 的公告援引了其在 Artificial Analysis 英语发音稳健性基准上 93.2% 的成绩，并将其上一代 S2.1 Pro 的 88.1% 作为对照，同时称这是该排行榜上的最高分。在该成绩于 2026-10-20 上榜之时，这一说法是准确的，但有一项营销文案未提及的前提：蚂蚁集团的 Ming-3.0-tts 也达到了相同的 93.2%，因此在该榜单 31 个已评分模型中，是并列第一，而非唯一领先。Eleven v4 为 91.7%，Eleven v4 Turbo 为 90.1%。

总体数据掩盖了一个真实的取舍。Drama 3 的优势在于专有名词和依赖上下文的词——在品牌、地名和技术名称等独立术语上达到 95.9%，在读音取决于句子的词上达到 95.3%。它的弱项是任何必须逐字符复现的内容：代码、路径和电子邮件地址上的 86.3%，而 Ming 在这一项达到 90.6%。Drama 3 唯一彻底落后的类别是展开式简写——数字、日期和单位——为 93.6%，而 Eleven v4 为 94.1%。如果你的流水线要朗读订单号、零件代码或跟踪字符串，那么规划时不应参照总体宣传的 93.2%；86.3% 才是正确的数字。

2026-10-13 发布了什么，以及十六天带来了哪些变化

这些都不是发布，也不应被当作发布来报道。Fish Audio 于 2026-10-13 将该模型上线到其 Web 应用、iOS 和 Android 应用以及 API 中，API 模型 ID 为“drama-3”。过去两周新增的是对零售模型的独立评分，而不是该模型的存在本身。这一区别的实际后果值得明确说明，因为此前关于该模型的报道——包括本博客上的报道——都是基于 Preview 数据撰写的。

这两份记录之间的架构没有变化：一个 350 亿参数的混合专家模型，从 Qwen3.5-35B-A3B 初始化而来，每个 token 约有 30 亿参数激活，256 个路由专家中激活 8 个，外加 1 个共享专家。40 层按重复块排列，每块由 3 个 Gated DeltaNet 层和 1 个门控全注意力层组成，因此每四层中只有一层保留 KV 缓存。解码器采用 codebook-MTP 设计——四个共享层馈入九个全宽层，每个声学码本对应一层——并且只有码本 0 和 1 会被反馈回主干。分词器与 S2 使用的 Descript Audio Codec 配置相同：44.1 kHz、十个码本、约每秒 21.5 帧，完全因果。有一个小不一致值得注意，因为它会让任何比较这两个来源的人感到困惑：Fish Audio 的公告称 350 亿参数，而 Hugging Face 模型卡报告的模型大小为 36B。差异很可能是舍入或嵌入计数约定造成的，而不是不同的检查点，但这两个数字就是你在各自位置会看到的。

单张 H200 上的吞吐量是厂商数据：每秒 271 帧，而 S2 为 177 帧，这正是 35B MoE 搭配 3B 激活路径应该带来的收益。服务通过 SGLang-Omni 提供。权重以 fishaudio/drama-3 发布在 Hugging Face 上——分布在一组 safetensors 分片外加一个独立编解码器文件中，总计约 40 GB——并且 FP8 推理大约需要 48 GB 显存，且未记录 CPU 或 ROCm 路径。最后这一限制决定了大多数自托管问题，而它是 Breeze TTS 2 对比的主题，不是本次对比的主题。

有三个价格，而这张卡并不是你应该据此规划的那一张。

这里必须明确说明数据来源，因为目前流传着三个数字，其中两个并不像表面看起来那样。Artificial Analysis 记录的是：两个 Drama 3 条目均为每百万字符 $15.00。Fish Audio 自己的公告页面写明标价为每百万字符 $50.00，首发价为 $10.00，优惠 80%，有效期至 2026-11-12。而 Fish Audio 的开发者文档则完全按第三种单位计费：每百万 UTF-8 字节，其中 drama-3 为 $50.00，s2.1-pro 为 $15.00，首发价为 $10.00，截至 2026-11-12 09:00 PT。英文大约每个字符对应一个字节，因此对于英文文本，字节数和字符数这两个数值大致可以互换；而对于每个字形需要超过一个字节的文字系统，二者则会显著分化。

排行榜上的 $15.00 值得再仔细看一眼，而不是耸耸肩一带而过，因为它恰好是 Fish Audio 上一代模型 s2.1-pro 的标价，而不是正在被打分的那个模型的价格。要么榜单记录的是一个混合价或沿用价，要么它给该模型定的价格是 Fish Audio 并未为其公布过的费率。真正应该作为预算依据的数字，是 Fish Audio 自己定价表中的那个：标价每百万 UTF-8 字节 $50.00，服务商文档称这大约相当于 18 万个英文单词，或约十二小时的语音——也就是每完成一小时音频约 $4.17。两周后到期的发布折扣不是价目表；按 $10.00 计算，同样的十二小时大约花费 $0.83。

许可证：开放权重，而非开源，还有一条影响重大的条款

模型权重依据 Fish Audio Community License v1.0 发布。研究和非商业用途免费。如果您及您的关联公司年收入低于 500,000 美元，则商业用途免费；超过该门槛，或者您希望将 Drama 3 作为文本转语音、语音克隆或推理服务提供，则需要从 Fish Audio 获得单独许可。该许可证还禁止未经同意克隆真实人物的声音，而 Fish Audio 的 FAQ 将“为客户制作成品音频”视为允许，这对代理机构和后期制作公司而言是关键条款。S2 仍受更严格的 Research License 约束，因此这两代模型在商业部署中不可互换。

Artificial Analysis 将该模型列为开放权重，但不附带完整的商业使用权利。这是诚实的描述：你可以下载并运行它，但不一定能出售对其的访问权限。任何计划基于这些权重推出托管产品的人，都应在搭建计费页面之前阅读服务条款，而不是之后。

这让生产流水线处于何种境地

两个竞技场的结果之所以值得单独写一篇文章而不是一句脚注，是因为它改变了团队可以做出的假设。十六天前，站得住脚的说法是：一个开放权重模型进入了偏好排行榜前十，并在自己的评测中宣称发音领先。今天，独立得出的结论范围更窄，也更有分量：它是两个竞技场上最好的开放权重模型；在发音上是并列第一，而非独占第一；而且它是以中档价格做到这一切，权重任何人都能下载。

Drama 3 并不是 OrcaRouter 上的模型之一。它需要通过 Fish Audio 自己的 API 和若干第三方平台才能访问；如果本文假装不是这样，那就是在这个博客唯一要做的事情上对你说谎。我们所做的，是问题的另一半：约 200 个模型，凭单一密钥按提供商目录价、零加价接入，自动故障转移，再加上路由 DSL 和模型融合，让一条已经在调用其他供应商的流水线，无需第二份合同和第二个 SDK，就能接入这样一个模型。如果 Drama 3 成为某个渲染队列中的旁白音色，而这个队列又有截止期限，那么把其余所有请求都通过一个端点路由的价值就在于：重试路径已经存在。

接下来两周值得关注的事项，按它们改变格局的程度从大到小排序：随着更多投票落到零售版本上，两条 Drama 3 记录之间 22 个百分点的差距是会收窄还是扩大；Ming-3.0-tts 在第 21 位的专有名词得分以更大的跨度计数重新测量之后，是否会在发音方面实现反超；以及 Fish Audio 之外是否有人能在非 H200 的硬件上复现每秒 271 帧这一数字。竞技场的数字已经足够确定，可以直接引用。吞吐量数字仍然只是厂商的说法，而许可证仍然是最可能决定一支团队究竟能否用上它的因素。