Fish Audio Drama 3 与 Ming 3.0 TTS：在克隆声音下消失的 91 分领先优势

Fish Audio Drama 3 在“每个模型都用自己的一套音色阵容说话”的排行榜上领先 Ming 3.0 TTS 91 个 Elo 分，而在“两者都被喂以同样八段克隆参考音频”的排行榜上只领先 17 分——这个差距小到两者的置信区间相互重叠。两者都是过去六周内发布的开放权重模型，都由 Artificial Analysis 打分，而在那项请真人判断“一个难念的词是否真的从嘴里正确说出来”的测试中，两者都停在 93.2%。三个数字，其中两个指向不同方向。你相信哪一个，就决定了你买哪个模型，而答案取决于你的产品听起来是像它自己，还是像别人。

两个发布版本相隔六周，却以截然相反的规模打造

Drama 3 于 2026 年 10 月 13 日公布，并已以 drama-3 上线 Fish Audio 的 API，其权重以新的社区许可证发布在 Hugging Face 上。Ming 3.0 TTS 的问世则更为低调且零散：InclusionAI 的 Hugging Face 仓库于 9 月 22 日出现，0.5B 权重于 9 月 24 日出现，而推理代码直到 10 月 19 日才出现——因此 Artificial Analysis 直到 10 月 20 日才能对其进行评分。Ant Group 从未为其发布过上线公告，它也没有托管端点或标价。

这些规格表之间并不接近，而在排行榜能说明任何问题之前，这是首先需要理解的一点。

• 参数——35B 混合专家模型，每 token 约 3B 激活，初始化自 Qwen3.5-35B-A3B，路由 256 个专家中的 8 个外加一个共享专家；对照的是基于 Qwen2.5-0.5B 骨干的 0.5B 稠密模型。Ant 还发布了一个名为 Ming-3.0-tts-tiny 的 7.9B 总参数 / 1.3B 激活的 MoE，但它完全没有独立评分。

• 语言覆盖范围——Drama 3 宣称覆盖 83 种语言，而 0.5B Ming 检查点仅覆盖七种语言（中文、英语、德语、西班牙语、法语、韩语、日语），此外，在你提供方言参考片段时，还支持四川话和粤语。

• 输出 — 两者均为 44.1 kHz，但由截然不同的机制生成：Drama 3 保留了其前身的 Descript Audio Codec 分词器，采用十个码本和约 21.5 帧/秒，而 Ming 则通过 AudioVAE 解码连续潜变量。

• 权重与许可 — Drama 3 采用 Fish Audio Community License v1.0：年收入低于 US$500,000 时免费；高于该门槛，或将合成作为服务转售时，可协商。Ming 3.0 TTS 采用 MIT 许可，完全没有收入门槛。

• 价格 — 标价为每百万 UTF-8 字节 50 美元，在 2026 年 11 月 12 日前折扣至 10 美元；相比之下没有价格，因为根本无需购买：你下载 2.96 GB 的检查点并运行它。

规模差异是一把双刃剑。Drama 3 的 35B 主干网络使它能够在长剧本中保持统一的走向，并把多个说话人放进同一个场景，每个说话人对应一个 voice ID，以数组的形式传入；也正是因为这个规模，没人会把它放到笔记本电脑上跑。Ming 的 0.5B 则是一个可以在单块普通 GPU 上部署、并在一块租来的 GPU 上微调的模型。

为什么 Artificial Analysis 会给出两个不同的答案

大家最先引用的榜单是 Provider Voice Arena，而在这份榜单上，Drama 3 已经拉开了实打实的领先优势。截至 10 月 29 日，它在 100 个模型中位列第六，Elo 为 1,278，Artificial Analysis 按其默认设置给出的定价为每百万字符 15 美元。Ming 3.0 TTS 以 1,187 位列第二十四，没有价格记录，因为不存在可供记录的商用端点。在一个置信区间约为 ±13 到 ±18 的榜单上，91 分的差距绝非噪声；Drama 3 的原生语音更受青睐，而且优势明显。同一张表中的一个细节解释了部分原因：Artificial Analysis 的评分中，Ming 对比的是三个 arena 语音，而 Drama 3 对比的是八个。

第二块榜单提出了一个不同的问题，领先优势也随之烟消云散。Controlled Voice Arena 给每个系统提供同样的八个克隆声音——四个美式、四个英式——因此比较不再关乎谁的配音演员更好，而是关乎每个模型驾驭他人声音的效果有多好。在那里，Drama 3 得分为 1,085，在 49 个系统中排名第十二，区间为 1,069 到 1,101。Ming 得分为 1,068，排名第十七，区间为 1,053 到 1,083。两个区间共有 1,069 到 1,083 的范围。这就是平局，任何相反的说法都是在给一项并不具备这种精度的调查强行赋予精度。

另请注意，Artificial Analysis 仍在该榜单上单独列有Drama 3 Preview一行，得分为 1,063，排名第 20。正式版检查点与 9 月发布的预览版是按两个不同系统评分的，因此，如果一项比较只提到“Drama 3”却不说明指的是哪一行，那就算不上比较。我们这里的数字对应的是正式版那一行。

实际解读是：如果你的产品自带配音阵容——旁白、客服座席、游戏角色——那么 Drama 3 的优势真实且显著。如果你的产品克隆客户或创作者的声音并用其发声，两个模型实际上旗鼓相当，决策则转而取决于价格、许可和语言覆盖范围。

93.2% 的发音并列是四种不同的结果

两个模型在 Artificial Analysis 的英语发音鲁棒性测试中均被引述为 93.2%——这是该排行榜于10月20日公布的结果，使它们在31个系统中并列第一，并领先于得分91.7%的Eleven v4。这个头条数字被到处重复，却掩盖了唯一在运营层面真正重要的部分：这两个模型会在截然相反的文本类型上失败。

• 精确序列——Ming 以 90.6% 的保留率保留它们，在 31 项中排名第一；Drama 3 的对应数值为 86.3%。订单号、URL、文件路径和序列码在 Ming 中保留得更好。

• 缩写展开——Ming 96.5%，同样在 31 个系统中排名第一，而 Drama 3 为 93.6%。日期、单位和缩写均按读音朗读，而非逐字拼读。

• 独立术语——Drama 3 为 95.9%，Ming 为 88.5%，其中 Ming 在 31 个中排名第 21。品牌名称、地名和技术词汇是 Drama 3 最强的类别。

• 语境适切术语——Drama 3 为 95.3%，Ming 为 91.0%，在 31 个中排名第 13。

Ming 在独立名称上的弱点与其音色库情况一致：0.5B 内置了一百多种中文音色和五种英文音色，因此它在处理英文专有名词时可用的资源较少。Drama 3 的弱点则正好相反——一个被训练来呈现表演的模型，有时会把代码编号也当成表演来呈现。

两个 93.2% 都不是厂商自报的。它们都来自同一套独立的测试框架，正因如此才具备可比性——而且值得说明的是，这在这一领域相当罕见，因为大多数已发表的词错误率表格都是由各实验室在自己的提示词上跑出来的。

一百万个字符的实际成本究竟是多少

Drama 3 按输入大小计费：每百万 UTF-8 字节 50 美元，在太平洋时间 2026 年 11 月 12 日 09:00 前降至 10 美元。11 月 13 日的那次五倍跃升是本次比较中最大的单个数字，而且它会改变两个模型在每成品小时成本上的排名，具体取决于你何时查看。

还有一个值得在接线之前了解的计费陷阱。Drama 3 与 S2.1 Pro 使用相同的 POST /v1/tts 端点；如果模型标头缺失或拼写错误，请求会静默回退到 s2.1-pro，并按该模型计费。你会得到听起来合理的音频，而且没有报错，因此环境变量里的一个拼写错误可能持续数周，才有人注意到声音不对。

Ming 根本没有发票，但这并不等同于免费。你付出的是 GPU 时长和工程时间：0.5B 检查点大小为 2.96 GB，需要把音频 VAE、CAM++ 说话人编码器和分词器连接起来，而且背后没有厂商支持承诺。Ant 发布的是基准测试表和 Gradio 演示，而不是服务级别协议。

这正是路由器真正有用之处，也恰恰是它真正无能为力之处。OrcaRouter 按供应商标价以 0% 加价原价转售，因此像 Fish Audio 这样的厂商促销，当天就能在我们路由的任何模型上生效——Drama 3 不在其列，Ming 也不在。我们今天确实提供的语音端点，是 Google 的 Gemini TTS 系列以及OpenAI 的 TTS-1-HD，它们都可以通过同一个 API、一把密钥，与文本模型一同访问。如果你正在比较 Drama 3 和 Ming，那么没有任何路由层会替你托管其中任何一个；一把密钥能换来的是围绕它们的那其余部分流水线。

许可证比排行榜更有决定权。

MIT 与 Fish Audio 社区许可证 v1.0 之间的差异是这组对比中最为鲜明的分水岭，而且这并非理念层面的分歧。Ming 的 MIT 条款允许任何规模的公司将模型嵌入付费产品、转售模型、对其进行微调并发布衍生作品，既没有营收门槛，也无需与 Ant 进行任何沟通。

Drama 3 的许可证在研究与非商业用途下免费；当您及您的关联公司年收入低于 US$500,000 时，商业使用也免费；超过该额度则需协商许可证——或者，无论规模大小，只要您想将 Drama 3 作为文本转语音、克隆或推理服务提供，也需协商许可证。模型卡自带的常见问题解答比大多数都更清楚：为客户制作成品音频没问题，提供竞争性的合成 API 则不行。

有一个细节需要核实，而不是假设：fishaudio/drama-3 的 Hugging Face 元数据仍然显示为 fish-audio-research-license，而模型卡文本描述的是 Community License。如果你是负责签核该部署的人，请阅读仓库中的许可证文件，而不是标签。

对于制作广播剧的工作室来说，50 万美元的门槛不成问题，真正需要细读的是服务条款。对于要把语音功能集成到产品、且营收超过这条线的公司来说，Drama 3 是一场采购洽谈，而 Ming 则只需一条 pip install。

该选哪一个

客服或事务型语音，英语或中文。Ming。当机器人回读订单号或预订编号时，它在最要紧的两个类别上都胜出，它就是 MIT，而且它能运行在您现有的硬件上。克隆语音这一项的平局意味着，您不必为了达到这一水平而牺牲自然度。

旁白、广播剧、品牌内容密集的脚本、多种语言。Drama 3。供应商语音方案的领先优势真实存在，专有名词是它最擅长的类别，而 83 种语言对 7 种语言，这不是靠提示词工程就能弥合的差距。为 11 月的价格调整做好预算，并仔细阅读服务条款。

一个已经支持多次试音的流水线。Drama 3，但前提是你确实使用修订循环。Fish Audio 使用人类偏好奖励模型对其进行了训练，并将多轮修订作为获得你想要的表现的方式加以推介；Ming 是单次生成模型，没有可与之权衡的修订机制，因此这种试音结构是选择 Drama 3 的理由，而不是将两者进行比较的理由。

任何受显存限制的部署场景。Ming，毋庸置疑。一个在 H200 上做基准测试的 35B 混合专家模型，并不是那种图方便就会运行的模型。

看什么

三个日期，一处空白。11月13日，Drama 3的促销价到期，10美元将变为50美元——五倍的涨幅会在一夜之间重排这一类别里的每一项成本对比。在此之前，要留意Artificial Analysis是否会把它的Drama 3与Drama 3 Preview两行合并，因为一个把同一款模型列出两次的榜单，恰恰会招来本文正竭力避免的那种草率引用。还要留意Ming-3.0-tts-tiny的评分：这个7.9B的MoE变体才是Ant真正主推用于播客生成的那一款，而目前它只有厂商自报的数字——中文词错误率0.820%，韩语6.000%——背后没有任何独立验证。

坦率的总结是：这并不是同一款产品的两个版本。一个是小巧、采用宽松许可证的主力干将，恰好极擅长处理那些会击垮语音系统的文本；另一个是庞大、受许可证门槛限制的性能引擎，在使用自有音色阵容时，恰好是榜单上音质最好的开源模型。91 分的领先优势是真的，只不过它回答的是大多数产品从不会问的问题。