Fish Audio Drama 3 对比 Breeze TTS 2：最终以显存数字定胜负的开源权重对比

Fish Audio Drama 3与Breeze TTS 2在 Artificial Analysis 的 Provider Voice Arena 排行榜上，{{1}}Fish Audio Drama 3{{/1}}{{2}}与{{/2}}{{3}}Breeze TTS 2{{/3}} 是排名最高的两个开放权重文本转语音模型，二者相差 50 Elo，但它们其实并不真正在争夺同一种部署场景。Drama 3 是一个拥有 350 亿参数的混合专家模型，需要单张 48 GB 显卡。来自 BreezeBlue 的 Breeze TTS 2 则是一个 30 亿参数的稠密模型，并公开了 PyTorch 推理代码。真正决定采购问题的，是这种体积上的差异，而非 Elo 差距，因为跑不起来的模型就不是你能评估的模型——更何况在此之上，两者的许可证还指向相反的方向。

相同标签，两种不同的开放权重

两个条目都在榜单上显示了一个权重链接，而且二者在新闻稿中都会被描述为开放。二者都不是开源的，并且限制条件也并不相同。

Breeze TTS 2 的权重于 2026-08-25 以 BreezeBlue/Breeze-TTS-2 的名义上线 Hugging Face，同时发布了 PyTorch 推理代码，采用研究与非商业许可。这意味着若无另行安排，商业部署便是一道硬性门槛，而这一状况至今未变。该公司于 2026-08-16 和 2026-08-17 宣布该模型是一款面向互动媒体的实时语音模型，开放了按每百万字符 34 美元计费的托管 API，并在九天后公布了权重。BreezeBlue 由前 MiniMax 技术联合创始人杨斌创立，完成了由远景资本和红点中国领投的 600 万美元种子轮融资。

Fish Audio Drama 3 以 Fish Audio Community License v1.0 发布，该许可在大多数团队最关心的方面实质上更为宽松：对于您及您的关联方，年收入低于 50 万美元时可免费商用，且常见问题解答将为客户制作成品音频视为许可用途。超过该门槛，或者如果您想将 Drama 3 作为文本转语音、声音克隆或推理服务托管，则需要获得 Fish Audio 的许可。该许可还禁止未经同意克隆真人的声音。S2——前代产品——仍受更严格的 Research License 约束，因此 Fish Audio 的两代产品不能被视为同一法律类别。

实际解读：Breeze TTS 2 是更容易拿来试验、却更难商业化落地的模型；Drama 3 则相反。如果你的评估只是研究演示或内部工具，Breeze 的许可证不会挡你的路，其 3B 的体量也让试验成本很低。如果你的评估最终要落到产品上，Fish Audio 的条款才是律师不用谈判就会签的那种。

Breeze 模型卡上有一个细节值得特别指出，因为它现在已经过时了。模型卡的引言仍称该模型“在 Artificial Analysis TTS 排行榜上的开放权重模型中排名第 1”。这句话在撰写时确实成立；但如今该榜单将 Breeze TTS 2 在“服务商音色”类别中排在第 13 位，在“可控音色”类别中排在第 28 位，位居两个 Fish Audio 条目之后。模型卡比排行榜过时得更快，只查看模型卡的读者会得出错误的排名。

竞技场数据，以及为什么受控语音的差距更大

于 2026-10-29 从 Artificial Analysis 读取：

• Provider Voice Arena — Fish Audio Drama 3 排名第 6，Elo 为 1,278，榜单记录为每百万字符 15.00 美元；Breeze TTS 2 排名第 13，Elo 为 1,228，价格为 34.00 美元。两者相差 50 分，而排在它们之间的模型均为闭源系统。

• Controlled Voice Arena —— Fish Audio Drama 3 以 1,085 分位列第 12；Breeze TTS 2 以 1,021 分位列第 28。相差 64 分，而在这个榜单上，所有模型都基于同一组固定参考音色进行评分，而不是基于各厂商自己设计的音色。

• 差距扩大的方向——把厂商自带的音色库从对比中拿掉后，Drama 3 的优势反而扩大了 14 个百分点。这是这场对比中最有用的一个数字，因为它说明 Fish Audio 的领先并不是"它预置的音色听起来有多好听"所造成的假象。

在盲评偏好测试中，50 或 64 Elo 分是实打实的差异，但当它是比较中的唯一模型时，这种差异便不复存在。两者都远低于闭源前沿：Eleven v4 Turbo 以 1,336 分领跑提供商榜单，HeyGen Voice 以 1,193 分领跑受控榜单。这对开放权重模型提供的是一个可自托管的下限，而不是前沿。

每一个究竟需要什么才能运行

到这里，比较就不再是抽象的了。

Drama 3 —— 总参数 35B，每个 token 约 3B 激活参数，256 个路由专家中激活 8 个，外加 1 个共享专家。权重在整个分片集合上约为 40 GB，另有一个独立的编解码器文件，而 FP8 推理大约需要 48 GB 显存。Fish Audio 未记录任何 CPU、Apple Silicon 或 ROCm 路径。在单张 H200 上，厂商报告为每秒 271 帧，而 S2 为 177 帧，这正是稀疏架构带来的回报；该数字由厂商报告，尚未在 Fish Audio 之外复现。

• Breeze TTS 2 — 30亿稠密参数。BF16 检查点约为 6 GB，因此可轻松适配 24 GB 显卡，经过量化后也有可能适配更小的显卡。推理代码位于仓库中，而非仅作隐含说明。没有公布单流级别的延迟数据，但该模型是为实时交互媒体而设计和销售的，这与高保真旁白的要求不同。

• 分词器——Drama 3 保留了 S2 的 Descript Audio Codec 设置：44.1 kHz、十个码本、约 21.5 帧/秒，完全因果。Breeze TTS 2 的分词器我无法从一手来源中引用，而凭空编造一个来作比较只会造成虚假的精确性。

后果很直白。拥有四张 24 GB 显卡的团队今天可以运行 Breeze TTS 2，但若不使用 Fish Audio 未文档化的分片技巧，就无法运行 Drama 3。拥有一张 H200 级显卡的团队则要在适合其硬件的模型和 Elo 高 50 的模型之间做选择。这两个选择都没有错；它们回答的是不同的问题。

批量成本，按 Fish Audio 实际计费的单位

Fish Audio 的文档按每百万 UTF-8 字节计价，而不是按字符计价，这会改变任何非英语写作者的算术。根据同一份文档，一百万 UTF-8 字节大约相当于 180,000 个英文单词或十二小时语音。Drama 3 标价为每百万字节 50.00 美元——约合每成品音频小时 4.17 美元——并有每百万字节 10.00 美元的发布价，约合每小时 0.83 美元，截至 2026-11-12 09:00 PT。Breeze TTS 2 为每百万字符 34.00 美元，按同样粗略换算约为每小时 2.83 美元。

排名会因购买日期而反转。促销期间，Drama 3 每小时的成本大约只有 Breeze TTS 2 的三分之一。2026-11-12 之后，Drama 3 按标价每小时比 Breeze 贵约 47%，但在竞技场上的 Elo 高出 50 到 64，发音也明显更好。而对于 CJK 或西里尔文本，按字节计费会进一步推高 Drama 3 的成本：在该计费表下，一个三字节字符的费用是一个英文字符的三倍，而按字符计费的供应商对两者收取相同费用。

同一份文档中有两条计费细节值得纳入预算模型，因为二者都会在不知不觉中推高实际支出。速率限制针对的是并发请求，而非每秒请求数——入门版为 5 个并发，付费满 $100 起为 15 个，满 $1,000 起为 50 个——并且超限请求会返回 429，且不带 retry-after 响应头，因此一个天真的并行渲染器必须自行实现退避机制。另外，如果请求中指定的模型 id 不存在或并非精确匹配，该请求仍会被受理，并按默认模型计费；在 TTS 一侧，这意味着在促销期间把 Drama 3 的请求头拼错，就可能按 S2.1 Pro 的费率向你计费，而享受不到折扣。

将两者都置于同一条流水线之后

Fish Audio Drama 3 和 Breeze TTS 2 都不是 OrcaRouter 上的模型。两者各自通过其供应商自己的 API 访问；就 Fish Audio 而言，还通过第三方平台访问。本节如实说明时会明确讲明这一点，而不是暗示存在一条我们并不具备的接入途径。

编排层是另一个问题，也正是双模型拆分体现价值的地方。一家小型工作室如果想用 Drama 3 进行旁白、用 Breeze TTS 2 处理实时 UI 提示，就要在同一个截止日期前同时应付两套 SDK、两张费率表和两种故障模式。将技术栈的其余部分通过一个按提供商标价、无加价的端点进行路由，并跨上游自动故障转移，这意味着 TTS 供应商的选择变成了配置中的一行，而不是第二份合同——而且路由 DSL 可以将模型调用与音频步骤组合起来，而不必在应用代码中把它们生硬拼接在一起。

如果你今天就要选一个、而且硬件已经买好了，那答案几乎已经替你定下了：48 GB 显存和 6 GB 完全是两条预算线，Breeze 仅限研究的许可证和 Drama 3 有营收上限的社区许可证，也是两套不同的法律审查。如果你是在开放权重这一类模型里按质量来选，那么在两个赛道以及发音上，答案都是 Drama 3，而价格上的理由只在这两周内成立。