Fish Audio Drama 3 对比 Gemini 3.8 Flash TTS：如今 Google 反倒成了便宜的那个，这颠覆了惯常的论点

把这两者都折算成每分钟成品音频的价格，这个对比就完全不像市场一整年来的那种说法了。Google Gemini 3.8 Flash TTS 按每百万音频 token 收费 $9.00，而音频以每秒 25 个 token 的速度生成——略高于每秒 0.02 美分，也就是每小时语音约 $0.81。Fish Audio Drama 3 标价每百万 UTF-8 字节 $50.00，厂商自己的文档称这大致相当于十二小时语音：按标价约合每小时 $4.17，而在 2026-11-12 结束的发布促销期内为每小时 $0.83。因此，一旦折扣到期，Google 的旗舰语音模型比这个开放权重挑战者便宜五倍，而在促销期间两者价格大致相当。通常的叙事框架——一款敏捷的开放模型在价格上压过一家超大规模厂商——在这里恰恰反过来，而弄清楚其中的原因，正是整个决策的关键所在。

算术过程，详细到足以核对。

谷歌的计量单位是 token，而不是字符，这就是为什么其头条数字与按字符计费的供应商相比显得平平无奇。Gemini 3.8 Flash TTS 以每百万 token 9.00 美元的价格，按每秒语音 25 token 输出音频，该价格持续到 2026 年底；它所取代的模型——Gemini 3.1 Flash TTS Preview——同样的每百万输出 token 定价为 20.00 美元。于 2026-09-23 一同发布的 Gemini 3.8 Flash-Lite TTS 支持的语言列表更短，费率也再次降低；为便于比较，Artificial Analysis 记录其价格为每百万字符 11.00 美元。

Fish Audio 的计费单位是字节而非字符，其文档明确给出了换算关系：一百万个 UTF-8 字节大约相当于 18 万个英文单词，或约十二小时的语音。按每百万字节 50.00 美元计算，在未计入任何额外开销的情况下，每小时为 4.17 美元。按 10.00 美元的促销价计算，则为 0.83 美元。方向括号会作为输入文本计费，因此一份大量使用导演指令的脚本，其成本会比按词数估算的高出 10–25%——而在这一对比中，每一个括号都会被计费，因为 Drama 3 的整体设计就是让你把表演写进脚本里。

• 标价，每语音小时——Gemini 3.8 Flash TTS 约 0.81 美元；Drama 3 约 4.17 美元。

• 促销价，按小时计——Gemini 3.8 Flash TTS 约为 $0.81；Drama 3 约为 $0.83。实际上几乎持平。

• 单位——Google 一侧是每秒输出的 token 数；Fish Audio 一侧是输入的 UTF-8 字节数。两者都是诚实的单位。它们不是同一个单位，任何未换算就混用它们的“每百万 X”比较都是噪音。

• 隐藏的收费线——Drama 3 请求如果模型标头缺失或拼写错误，并不会失败，而是会回退到 s2.1-pro，并按每百万字节 15.00 美元计费，这意味着一个拼写错误就要比促销价多收 50%。

谷歌的价格究竟买到了什么

每小时更便宜只有在输出可用时才有意义，而独立数据表明它确实可用，并且呈现出一种特定的分布形态。Artificial Analysis 将 Google Gemini 3.8 Flash TTS 放在 Provider Voice Arena 第五位，Elo 为 1,283，榜单记录价格为 16.50 美元——高于 Fish Audio Drama 3 的 1,278——并在 Controlled Voice Arena 中位列第二十四，得分 1,053，低于 Drama 3 的 1,085。这种分化一句话就能概括该模型：当使用 Google 自己的音色时，它听起来非常出色；而当所有模型都用相同的参考音色进行评判时，它便跌至榜单中游。

发音榜单也反映出类似有限的情况。Gemini 3.8 Flash TTS 在“语境适配”类别中以 98.0% 领先全部 31 个参评模型，Drama 3 则为 95.3%。这并不是该模型的弱项。在这项对比中，谷歌的弱项是控制力：Gemini 提供 30 个预置 Studio 语音——其中包括 Kore 和 Puck——覆盖完整的 130 种语言集并支持自动语言检测；文档在 Extended Voice Library 中称其语音库有“数百种”，而营销页面则称有 2,000 多种。这些数字从未经过外部核对统一，如果某个特定语音对你的产品至关重要，那么测试该语音是任何人能诚实给你的唯一答案。

三十个可用音色、且不支持克隆，对于客服机器人、产品旁白或语言学习应用来说已经够用。但对于短剧制作流程、一款需要为十二个角色配音的游戏，或者任何以声音本身作为交付成果的客户项目来说，这就不够用了。这正是 Fish Audio 所填补的空白，而且这是性质上的空白，而非程度上的差距。

开放权重带来了什么，运行它们又要你付出多少

Fish Audio Drama 3 是一个拥有 350 亿参数的混合专家模型，每个 token 约激活 30 亿参数，从 Qwen3.5-35B-A3B 初始化而来，包含 256 个路由专家中的 8 个外加 1 个共享专家，共四十层，按三个 Gated DeltaNet 层加一个门控全注意力层成块。权重以 fishaudio/drama-3 发布在 Hugging Face 上——分片集总计约 40 GB，外加一个单独的编解码器文件——FP8 推理需要约 48 GB 显存，且没有文档记载的 CPU 或 ROCm 路径。服务通过 SGLang-Omni 提供，厂商报告单张 H200 上每秒 271 帧，而 S2 为 177 帧。

硬件这一条才是真正的交易。谷歌每小时 0.81 美元的价格不包含任何资本支出，也不包含任何运维；你唯一的固定成本就是那次请求。Drama 3 每小时 0.83 美元的促销价是 API 价格，而自行运行会把它变成一块 48 GB 的 GPU、一套服务栈，以及一个负责它的人。对于每月四十小时音频的目录来说，API 显然更便宜。而对于几千小时，或者任何必须在没有第三方介入的情况下运行的东西来说，权重会彻底改变这笔账——而权重恰恰是谷歌无论出什么价都不卖的东西。

许可证在这里也很重要，因为它正是区分“开放权重”与“免费”的关键。Drama 3 根据 Fish Audio Community License v1.0 发布：研究用途和非商业用途免费；当你及你的关联方年收入低于 US$500,000 时可免费商用；超过该门槛，或要将 Drama 3 本身作为托管语音或克隆服务提供，则需要单独的许可证。Artificial Analysis 将其标记为开放权重，但不具备完整的商业使用权。Google 的条款是普通的 API 条款，这属于另一类问题——涉及数据处理，而非再分发。

语言，以及一个实际作用没有看起来那么大的数字

Google 声称支持 130 种语言，并能从文本中自动检测语言。Fish Audio 声称支持 83 种，还附带一项更奇特的能力：指令可以用任意语言书写，且无需与脚本所用语言一致；此外还有一个有文档记载的语言切换标签，能在同一行中途把单个短语切换成另一种语言——该功能标注为实验性。这些是截然不同的产品。Google 的数字关乎通过一次集成能进入多少市场。Fish Audio 的数字则关乎一位可能并不使用脚本语言的导演，能把一句台词制作到多精确。

对于一个要交付本地化产品的团队来说，130 胜过 83，而且自动检测能带来实实在在的运营节省——无需按语言路由，也无需按语言选择语音。对于一个只用一两种语言制作内容、面向能察觉差异的受众的团队来说，83 并不是限制，而任意语言方向的能力才是这两项功能中更有价值的一项。这两个数字都不应被解读为排行榜上的名次；模型声称支持的语言数量，与它在你需要的那种语言里表现有多好，从来都没有很强的相关性。

每一个在路由栈中所处的位置

这是本系列中少数几篇没有粉饰提供商一方不够坦诚之处的文章之一：OrcaRouter 会路由 Google 较早的 Gemini 语音模型——google/gemini-3.1-flash-tts-preview 和 google/gemini-2.5-flash-preview-tts 目前都在其目录中——但不包括 Google Gemini 3.8 Flash TTS，也不包括 Fish Audio Drama 3。较早的 Gemini TTS 模型通过我们按 Google 的标价提供，不加价；本文真正讨论的两个模型则通过其供应商自己的 API 访问，而 Fish Audio 的模型还通过第三方平台访问。

一个有用的结果是，Google 语音账单的很大一部分已经可以放在同一个密钥之后，而故障转移层正是让这种对比能够廉价运行的关键：在 Gemini 3.8 Flash TTS 调用旁边放一个 Drama 3 的金丝雀探针，把生产路径路由到能通过你的验收测试的那一方，那么逐段的选择就存在于路由 DSL 中，而不是分散在两个 SDK 里。模型融合是这种做法带来的另一个选项——一个面板把同一行文本分别通过两者渲染，并按你定义的规则做选择；对于旁白而言，这意味着你可以在带代码的行上保留 Drama 3 的发音，而在散文部分使用 Google 的上下文朗读。

结论直说：对于无需克隆、也不想在基础设施上投入的大批量英语场景，每小时 0.81 美元的 Gemini 3.8 Flash TTS 在使用服务商自带音色时更便宜、听起来也更好，而为 Drama 3 辩护的理由一碰上价目表就站不住脚。但凡需要自定义音色或指定配音音色、逐词指导、音素级控制，或者需要在不依赖第三方的情况下运行，两者中只有 Drama 3 能胜任——按标价，它每小时的成本是谷歌的五倍，而在促销期间则与之持平，这使得接下来的两周成为人们所能抓住的最便宜的窗口，用来判断这种发音优势是否值得围绕它去构建。