Fish Audio Drama 3 对比 VoxCPM2：排行榜对阵数据表

Fish Audio Drama 3 有 Elo 评分，而 VoxCPM2 没有，这使得它们之间最显而易见的比较无法成立，也让真正有意思的那项对比容易被忽略。Drama 3 于 2026 年 10 月 13 日发布，此后一直由 Artificial Analysis 打分，在 Provider Voice Arena 上以 1,278 分在 100 个条目中位列第六。VoxCPM2 在 Artificial Analysis 的任何语音榜单上都没有一行记录，本页所引用的两个竞技场中也都不见其身影。两家实验室都公开的只有 Seed-TTS-eval，而那里的数字说出了单一排名无法表达的东西：在各自厂商自己跑的测试中，Drama 3 需要两轮才能胜过 VoxCPM2 的一轮。在这两个模型之间做选择，其实并不真正关乎质量。关键在于：你想要的是一个按字符计费租用的表演引擎，还是一个你能握在手里的 20 亿参数模型。

一个拥有 Elo，另一个拥有数据表

这种不对称值得直说，因为大多数对比页面都会悄然掩盖它。Drama 3 出现在所有真正重要的榜单上：在 Provider Voice Arena 中，它以 1,278 分位列 100 个参赛者的第 6 名；在 Controlled Voice Arena 中，它以 1,085 分位列 49 个参赛者的第 12 名；在英语发音稳健性上，它以 93.2% 并列 31 个参赛者的第 1 名。VoxCPM2 则一个榜单都没上。

这种缺席算不上丑闻，也并非新鲜事。VoxCPM2 自 2026 年春季便已问世——项目文档将 2.0 系列标注为 3 月，代码仓库标记为 2026.04，技术报告于 6 月以 arXiv:2606.06928 发布——而在这整段时间里，始终没有人把它送进盲听竞技场。最可能的解释相当乏味：竞技场的席位通常被那些有托管端点要推广的厂商占据，而 OpenBMB 并不出售这样的端点。VoxCPM2 在 Hugging Face 和 ModelScope 上发布权重，并通过 vLLM-Omni 提供一个 OpenAI 兼容的 /v1/audio/speech 服务器，这就是其分发故事的全部。

所以诚实的立场是：我们可以把 Drama 3 与某个评分进行比较，也可以把两个模型相互比较。我们无法同时做这两件事，任何展示 VoxCPM2 与 Drama 3 的 Elo 的页面，都是在凭空编造一个。

两者都发布的那一个轴

Seed-TTS-eval 是这个领域里最接近通用标尺的东西，两家实验室都基于它报告结果。问题在于，两家都没有以相同格式发布完整的表格，因此接下来的内容实际上是两家厂商在给自己打分。

• 英语词错误率——Drama 3 在最终一次生成中报告 1.54%，在首次生成中报告 2.20%；VoxCPM2 在单次生成中报告 1.84%。Drama 3 的最终生成结果是三个数值中最好的，而其首次生成结果是最差的。

• 中文错误率——Drama 3 在最终录音上的 CER 为 0.83%，首次录音为 1.00%；VoxCPM2 的 CER 为 0.97%。模式相同，Drama 3 的最终录音领先，首次录音大致持平。

• 说话人相似度——Drama 3 在英语上报告为 0.640（0–1 分制）；VoxCPM2 在英语上报告为 75.3，在中文上为 79.5，按该报告其他部分采用的 0–100 分制换算，即分别为 0.753 和 0.795。就 VoxCPM2 自身的数据而言，它是更强的克隆模型。

• 更广泛的压力测试——VoxCPM2 还发布了十一种语言的 CV3-eval 错误率（中文 3.65%、英文 5.00%、高难度中文 8.55%、法文 9.85%、意大利文 4.25%、俄文 5.21%），以及内部 30 种语言的平均值 1.68%。Drama 3 未发布同等的各语言错误率表，因此没有可与之并列的数据。

认真对待相似度差距，不必太在意词错误率差距。说话人相似度是最有可能经受住评测框架差异的指标，因为它是同一参考音频嵌入之间的余弦距离。词错误率则取决于归一化方式、文本预处理以及使用了哪些参考音频片段，而两个实验室并未被要求在这些方面达成一致。方向是可信的——VoxCPM2 的克隆更忠实，Drama 3 在修订后转写更准确——但幅度大小并不能作为一种度量。

没人会写进标题的修订税

1.54% 和 2.20% 是同一个模型在同一项测试上的结果，区别只在于第一次录制是否被采纳。Fish Audio 的技术报告对此异常坦诚：它把两个数字都报了出来，因为多take 修订本身就是产品。其卖点在于，你用自然语言指导一句台词，试听，再调整方向，然后保留你想要的那一take——而基准测试反映的正是被保留的那一take。

如果这就是你流水线的工作方式，那你看到的就是 1.54% 这个数字。如果你是把单遍合成流式送入实时通话、游戏对白台词，或是在无人在环的情况下进行批量渲染，那你买到的就是 2.20%——比 VoxCPM2 单遍的 1.84% 还差。这种倒挂是本次对比中最有价值的事实，也是两家厂商的表格都没有明说的一点。它也为这套工作流标出了价格：每多一次生成，就是又一次完整合成，而 Drama 3 按输入字符计费，所以三遍生成的习惯会让账单变成三倍。

VoxCPM2 没有这种修订机制。它提供四种生成模式——零样本、续写、仅参考，以及参考音频加提示音频的组合——而它应对一次糟糕生成的办法，就是用不同的风格标签重新渲染。每次尝试的成本更低，因为你不按字符付费，但模型层面不会保留被拒绝的那次生成的记忆。

硬件最低标准才是实际的决定因素。

这正是两个模型不再互为替代品的地方。

• VoxCPM2 占用 — 约 8 GB 显存，在 RTX 4090 上实时因子约为 0.30，使用 Nano-VLLM 时为 0.13；该项目还报告，在 Apple M4 Pro 上通过 llama.cpp-omni 使用 Q8_0 时为 1.76。它可在工作站上运行。

• Drama 3 的资源占用——Fish Audio 未公布最低显存要求。其吞吐量表是在 H200 上测得的：单并发流下为每秒 166.7 帧，首个音频延迟中位数为 88.9 ms；十六路并发时为 927.6 帧/秒，六十四路并发时为 1,687 帧/秒；单流设置下 RTF 为 0.131。评测者认为 bf16 需要 48 GB 显卡，而社区 4-bit 构建声称大约 32 GB。它要么运行在服务器上，要么运行在别人的服务器上。

• 吞吐量注意事项——发布帖中引用了单台 H200 每秒 271 帧，而模型卡的流式表格在单请求下最高只到 166.7。两者在不同测量设置下都可能成立，但这意味着标题中的速度数字并不是你的负载测试会复现的那个。

算账如下。一百万个字符，按普通的旁白语速，大约相当于十五到二十小时的成品语音。在 4090 上以 0.30 的 RTF 计算，就是五到六小时的 GPU 时间；在 Fish Audio 的 API 上，发布推广期间为 10 美元，11 月 12 日活动结束后为 50 美元。自托管 VoxCPM2 每小时音频的成本更低，每小时实验的成本更是低得多——你可以花一个下午反复打磨一个音色设计，而不必盯着计费表。

路由并不会消解这个选择，因此有必要准确说明它究竟做了什么。OrcaRouter 并不托管这两个模型中的任何一个；Drama 3 可通过 Fish Audio 自己的 API 以及若干第三方平台获取，而 VoxCPM2 则以权重形式提供，由你自己部署服务。我们真正承载的，是围绕它们的这条管线中语音的那一侧——Gemini 的 TTS 系列和 OpenAI 的 TTS-1-HD，并具备跨提供商自动故障转移，这样某个托管端点一旦出现异常，就不会把整个产品一起拖垮。如果问题是"这两个我该跑哪一个"，答案由显存决定，而不是由路由决定。

指导表演与设计声音

两个模型在创造性工作发生的位置上存在分歧，而这种分歧是架构性的，而非表面性的。

Drama 3 是一款导演工具。你在受其控制的词句之前用方括号写下指令——[哽咽，低声哭泣]——并可在句子中途更改这些指令。成对标签可将某个方向限定到特定词句：<whisper>、<emphasis>、<soft>、<fast>、<slow>、<stress>、<forceful>。发音可以借助 CMU Arpabet、拼音或罗马字逐个音素地固定，而场景则以数组形式为每位说话者指定一个语音 ID。多次录制（take）可以参照先前的录制进行修改，词级修补（inpainting）则会重新渲染单个被标记的词，使其与周围的录制内容相契合——不过交互式编辑和修补目前仍处于仅限邀请的测试阶段，编辑 API 也仅列为即将推出。

VoxCPM2 是一款设计工具。其主打功能是 Voice Design：用自然语言描述说话人，就能得到一个完全无需参考音频的声音。除此之外，它还支持零样本克隆、基于提示的续写、仅使用参考音频的克隆（借助独立的参考通道，因此不需要与音频片段匹配的转写文本），以及通过标签进行风格控制。其局限在于适用范围：它塑造的是声音和表达方式，而不是一个场景。它没有说话人阵列语法，没有多角色对话模式，也没有词级修复功能。

对于双人广播剧来说，这一差异在任何基准测试之前就已决定胜负。对于需要在整套产品目录中保持统一品牌声音的产品而言，VoxCPM2 的设计模式是更短的路径，而 Drama 3 的导演语法大多是额外开销。

采样率、语言以及编解码器参数

• 输出——VoxCPM2 通过非对称的 AudioVAE V2 以 48 kHz 输出，该模型以 16 kHz 编码、以 48 kHz 解码；Drama 3 则保持在 44.1 kHz，通过十码本 Descript Audio Codec 以约每秒 21.5 帧生成。VoxCPM2 多出的 3.9 kHz 是真实的，但在压缩交付格式旁几乎听不出来。

架构——VoxCPM2 在设计上无需 tokenizer，直接在 MiniCPM-4 主干上预测连续隐变量，并主张音频编解码器才是瓶颈；Drama 3 则保留离散 token，把它的 35B 参数投入到一个码本多 token 预测解码器上，该解码器在前两个码本之后预测其余九个残差码本。这是关于质量上限究竟落在何处的两种押注。

语言——Drama 3 声称支持 83 种，而 VoxCPM2 支持 30 种，外加九种汉语方言（四川话、粤语、吴语、东北话、河南话、陕西话、山东话、天津话、闽南话）。如果你需要泰语、越南语、希伯来语和斯瓦希里语，VoxCPM2 这四种全都具备，而 Drama 3 在其中任何一种上都没有明显优势；如果你需要 83 种，那么这两者中只有一个还在讨论范围内。

• 训练数据——VoxCPM2 在 236 万小时的语音数据上训练（180 万小时中英文加 56 万小时多语言），其文档精确公布了这一数字。Fish Audio 并未公布同等数据，这与其说是批评，不如说是两篇论文在又一处并非为相互比较而写。

许可证：VoxCPM2 唯一明显胜出的地方

VoxCPM2 采用 Apache 2.0 许可证。任何公司，无论营收多少，都可以将其嵌入、修改、微调、再分发并出售输出结果，没有门槛，也无需协商。LoRA 和 SFT 微调均受支持并有文档记录。

Drama 3 采用 Fish Audio Community License v1.0：研究和非商业用途免费；只要你和你的关联方年收入低于 50 万美元，商业使用也免费；超过这一门槛则需协商许可——或者，如果你想将 Drama 3 作为 TTS、声音克隆或推理服务提供，那么无论规模大小都需协商许可。无论收入多少，明确允许交付给客户的成品音频；但竞争性合成 API 不允许。Artificial Analysis 将其标记为“开放权重，但不含商业使用权”，这是对该门槛的中肯一句话概括。

还有一个细节需要核实，而不是直接采信：fishaudio/drama-3 的 Hugging Face 元数据仍然写着 fish-audio-research-license，而模型卡文本描述的却是 Community License。在依据该标签构建产品之前，请先阅读仓库中的许可证文件。

对于一家资金充足、正在上线语音功能的公司来说，整个对比就浓缩在这一句话里：VoxCPM2 在法律审查上不花你一分钱，而 Drama 3 则要你花时间和销售团队聊一聊。

按约束选择，而不是按分数选择

你只有一块 GPU，却有一个产品要交付。VoxCPM2。八 GB 显存，Apache 2.0 许可，48 kHz，以及一种音色设计模式，让你在第一个下午就能得到一个可用的品牌音色。你放弃的是场景指导，以及该类别中最佳的供应商音色评分。

你正在制作有人工介入的脚本音频。Drama 3。方括号内的指示、带作用域的标签、句中转换和词级修复，是开放权重模型最接近录音会话的东西，而 1.54% 的英语 WER 正是修订循环所带来的收益。请为 11 月 12 日的价格变更做好预算，并先阅读服务条款。

你需要一种三十种之外的语言。Drama 3，或者两者都不是——但要针对具体语言核对 Fish Audio 自己声称的覆盖范围，而不是看标签上写的“83”。

你正在大规模克隆特定人物的声音。VoxCPM2 的说话人相似度是本页上最高的数值，而其独立的参考通道意味着你可以仅凭一段音频片段完成克隆，无需匹配的转录文本。Drama 3 的优势在于可控的方向引导，而非对参考的保真度。

最不该做的就是给它们排名。没有共享的竞技场，没有共享的人类偏好研究，也没有共享的错误测试框架——只是一个模型有 Elo 评分，另一个有数据表，而最终决定取决于你拥有什么硬件，以及许可证允许你用它做什么。