Fish Audio Drama 3 对比 Inworld Realtime TTS-2：一个照本朗读，一个跟随对话

“Realtime”一词出现在Inworld Realtime TTS-2中，是一种延迟声明，而不是对模型功能的描述。Inworld 面向实时对话的语音到语音产品是其定价页面上单独列出的项目；Realtime TTS-2 则是一个快到足以用于交互式使用的文本转语音模型。当你把它与Fish Audio Drama 3并列比较时，这一区别就至关重要——后者是为相反的任务而构建的：一个拥有 350 亿参数的模型，其整个设计就是让你在开口说第一句台词之前，先把舞台指示写进脚本。把它们放在 Artificial Analysis 上并排比较，分歧异常清晰：Drama 3 在 Provider Voice Arena 中领先 11 分，而 Inworld 在 Controlled Voice Arena 中领先 61 分。这一差距的方向，比单独任何一个数字都更能说明各自的用途。

两款从未瞄准同一目标的产品

Inworld Realtime TTS-2 最初于 2026-05-05 作为研究预览版推出，并于 2026-09-02 正式全面可用。GA 时的卖点并非保真度：而是该模型将对话的前几轮以音频形式接收，并在决定下一句听起来应如何之前，对语气和节奏进行推理。这是一项对话式智能体功能。一个刚听到沮丧客户的支持机器人不需要舞台指示——它需要从刚刚说过的话中推断出指示。

于 2026-10-13 发布的 Fish Audio Drama 3 则反其道而行之。它宣传的每一项能力都围绕显式作者控制：在受其控制的短语前放置方括号指示；在行中放置音效和停顿事件；使用只会改变被包裹词语的成对标签（耳语、强调、轻柔、快速、缓慢、重读、有力）；用音素固定发音；为单个短语使用语言切换标签；用与脚本不同的语言书写指示；以及通过 reference_id 数组和逐轮说话人标签，在单个请求中实现多说话人对话。上述清单中没有一项可以从上下文中推断出来。所有这些都需要写作者手动输入。

诚实的表述不是“哪个更好”，而是“哪种失败是你无法容忍的”。一个必须渲染十二个角色场景并保持情感连贯性的剧集管线，无法靠一个旨在从聊天记录中推断语气的模型来实现。一个必须在一秒内作答的语音智能体，也无法靠一个需要舞台指示和 48 GB 显存的模型来实现。两者都真正可行的重叠区间很窄：通过 API 为交互式内容提供脚本化、高质量旁白——有声书预览、预渲染的 NPC 短语音、需要按计划重新生成的营销配音。

这些看板，按正确的顺序来读

以下两个数据均读取自 Artificial Analysis，时间为 2026-10-29：

• Provider Voice Arena — Fish Audio Drama 3 以 1,278 位列第 6 名，榜单记录价格为每百万字符 15.00 美元；Inworld Realtime TTS-2 以 1,267 和 20.80 美元位列第 8 名。Inworld Realtime TTS-2 Flash 以 1,065 在受控榜单上位列第 19 名。

• 受控语音竞技场——Fish Audio Drama 3 以 1,085 分位列第 12 名；Inworld Realtime TTS-2 以 1,146 分位列第 7 名。此处 Inworld 领先 61 分。

• 这种不对称性——当比较在相同的参考语音上进行、而非在各厂商自己的语音目录上运行时，Drama 3 那 11 个百分点的供应商优势便会缩小并发生反转。它的领先在很大程度上只是 Fish Audio 所提供语音范围内的领先；Inworld 则不然。

• 另一处不对称——Inworld 的两个上榜产品横跨榜单，旗舰版为 1,146 分，Flash 为 1,065 分，同一系列的不同档位之间相差 81 分。Drama 3 下面没有更低档位；你要么用 35B 模型，要么改用别的。

这与 Google Gemini 3.8 Flash TTS 下同样两个榜单呈现的模式正好相反：在那里，闭源模型在厂商语音上胜出，却在受控语音上落败。这两种模式都不是噪声；它们都提醒我们，单个竞技场数字描述的是模型加语音库的捆绑体，只有受控榜单才能把模型本身单独隔离出来。

具体而言，上下文感知与方向之别

Inworld Realtime TTS-2 的 GA 公告介绍了一款模型：它会读取对话历史——包括此前轮次的音频——并利用这些信息来调整节奏和语气。这是供应商的说法，并非经过独立评分的能力，而且 Artificial Analysis 的竞技场并不测试这一点；它们测试的是单条语句与参考语音的对比。因此，Inworld 实际在售卖的这项功能，目前没有任何公开基准来衡量。应将该说法视为有前景但尚未经过测试，并用自己的对话来测试它，而不是对照排行榜。

Drama 3 的方向控制能力在狭义上是可衡量的：改一个括号，你就能看到输出随之变化，而且 Fish Audio 为每一项能力都配有示例音频作为记录。本次对比中没有任何竞争对手能匹敌的一项功能，是语言无关的方向控制：在一行英文台词前面写一段中文方向指令，既有文档说明也有实际演示。对于国际化后期制作团队而言，这属于运营层面的一次解锁，而不只是锦上添花；这类能力往往在一小时的试点中就能显现出来。

对于一个要在两者之间做选择的团队来说，实用的测试就是用你自己的一页对话来试。用 Inworld 的对话上下文按生产环境中的配置来渲染它，再用 Drama 3 和明确的指令来渲染它。哪种方式需要你手动修正的台词更少，哪种就是答案，而且对聊天代理和广播剧来说，这会是不同的答案。

克隆、延迟，以及可用于规划的数字

Inworld 的即时语音克隆接受 5 至 15 秒的参考音频，而其专业克隆测试版大约需要 10 分钟的音频才能获得更高保真度的克隆。这些都是供应商提供的数据，具体到足以进行测试。Fish Audio 的克隆与生成处于同一积分体系内，而在订阅方案中，Drama 3 使用的积分与 S2.1 Pro 相同——但不同之处在于许可：Fish Audio 的社区许可明确禁止未经同意克隆真实人物的声音，而 Inworld 的条款则是普通的 API 条款。

延迟正是 Inworld 明显更合适的地方，这项比较不应假装并非如此。实时 TTS-2 及其 Flash 层级专为交互式产品打造，其中 Flash 层级定价比旗舰低 40%，正是为需要它的那些工作负载而设。Fish Audio 公布的 Drama 3 速度数据是单块 H200 上每秒 271 帧，而 S2 为 177 帧——这是批量渲染的吞吐量数字，而不是直播流的首字节时间。如果你的要求是“语音必须在对话轮次内开始”，那你要的就是 Inworld 的产品，无论 Drama 3 在供应商对比中领先 11 个百分点，都改变不了这一点。

价格，按您实际支付的费率

Inworld Realtime TTS-2 按需使用为每百万字符 25.00 美元，在 25 美元的 Creator 套餐下降至 20.00 美元，Builder 为 17.50 美元，Developer 为 15.00 美元，Growth 为 12.50 美元；Flash 按需使用为 15.00 美元，在 Growth 套餐下降至 7.00 美元。Fish Audio Drama 3 的标价为每百万 UTF-8 字节 50.00 美元，在截至 2026-11-12 09:00 PT 的发布促销期间为 10.00 美元。对于一份 100,000 字符的英文脚本，按 Inworld 的按需费率计算为 2.50 美元，而 Drama 3 按标价为 5.00 美元，促销期间则为 1.00 美元。

这三项注意事项应当纳入那套算式中，而不是列在它下面。Drama 3 按 UTF-8 字节计费，因此在相同字符数下，CJK 文本的成本是英文文本的数倍，而 Inworld 的按字符费率则保持不变。Drama 3 的指令括号会按输入文本计费，这会使指令密集的脚本成本增加 10-25%——而这类脚本恰恰是你需要该模型的场景。Fish Audio 的回退是静默的：如果请求的模型标头缺失或无法精确匹配，该请求仍会被处理，并按 s2.1-pro 以每百万字节 $15.00 计费，而不是被拒绝。

经得起全部三项限定条件的比较，比价格表所显示的更简短。按标价计算，每个英文字符 Inworld 约为 Drama 3 的一半，而且在可控音色方面优于它。促销期间，Drama 3 的价格是 Inworld 的三分之一。仅凭价格做决定的人，决定的是日期，而不是产品。

两者都不在我们的目录中，以及这会带来什么改变

Fish Audio Drama 3 和 Inworld Realtime TTS-2 都只能通过各自厂商的 API 和第三方平台访问；两者都不是 OrcaRouter 上的模型，而这里的路由论证针对的是技术栈的其余部分，而非这两个模型。语音产品很少只调用一个语音模型而不调用其他任何东西——它会调用 LLM 生成台词，调用语音模型生成音频，有时还会为不同片段调用第二个语音模型，而且它有截止时间。将非语音的那一半整合到一个密钥，按提供商标价、无加价，并具备自动故障转移，使单次上游抖动不会卡住渲染，这正是让语音选择成为配置决策而非架构决策的原因。

在这个特定的搭配场景中，路由 DSL 真正体现价值的地方是混合流水线：通过 Drama 3 预渲染的戏剧性台词，以及通过 Inworld 进行的实时对话轮次，作为同一密钥上的两条路由来处理，并按片段做出选择。模型融合则覆盖了你无法决定的情况——把同一句台词分别通过两者渲染，对照参考标准进行评分，并保留胜出者。这两者都不是绕过任一供应商价格的办法。它们规避的是为了在配置文件中省下一行而维护两套集成。

对于要二选一的读者：如果语音必须对对话做出反应，如果延迟是限制条件，如果你希望用 Flash 层级来承接流量，并且可以接受封闭 API，那就选 Inworld Realtime TTS-2。如果语音是编写出来的而非反应式的，如果人名和代码的发音必须可靠，如果指导必须写下来，如果你想要权重，或者如果简报会用脚本之外的语言撰写，那就选 Fish Audio Drama 3。那份列表中最不重要的数字是 11 分的供应商领先优势；需要在你确定之前用你自己的参考音色核对的，是 61 分的受控差距。