Fish Audio Live 3 对比 Drama 3：一个模型朗读脚本，另一个聆听房间

Fish Audio Live 3 和 Fish Audio Drama 3 并不是同一个问题的两种答案；把它们当作竞争对手，是最快买错的方式。Fish Audio 于 2026-10-13 发布的 Drama 3 是一个文本转语音模型：你给它文字和表演指导，它返回音频。于 2026-11-10 发布的 Live 3 则是用于智能体通话的双工语音模型：它一边说话一边聆听，判断停顿何时表示“继续”、何时表示“我说完了”，并且据 Fish Audio 称，最快可在 186 毫秒内作出反应。一个是渲染器；另一个是对话者。

这种混淆是可以理解的，因为两者都是 Fish Audio 的模型，都是近期推出的，而且都以擅长其他 Fish Audio 模型不擅长的事情为卖点。但它们处在语音技术栈的不同层级，分别有各自的文档，并且只有其中一个出现在 Fish Audio 公布的价目表上。因此，有意义的比较不在于哪个更好——而在于各自实际适用于哪项任务，以及它们在一个产品内部何处交汇。

每个模型在文档中记载的功能

Drama 3 是一个文本转语音模型，关于它的公开证据是偏好和发音，而不是轮次转换。在 Artificial Analysis 的 Provider Voice Arena 上，它以 1,278 的 Elo 排名第六；在 Controlled Voice Arena 上，每个模型都与相同的参考声音进行评判，它以 1,085 排名第十二。在这两个榜单上，它都是表中排名最高的开放权重模型，而早先的 Drama 3 Preview 记录——也就是十月获得媒体报道的那一个——仍以 1,240 和 1,063 单独列出。在 English Pronunciation Robustness 基准上，它总体得分为 93.2%，与 Ming-3.0-tts 并列 31 个已评分模型中的第一，而分类明细比总体数字更重要：在品牌和技术名称等独立词项上为 95.9%，在数字和日期等简写展开上为 93.6%，在代码和路径等精确序列的保留上为 86.3%，在符合语境的发音上为 95.3%。

Live 3 的公开证据形态完全不同。Fish Audio 的公告围绕对话而非渲染展开，而且它的三个示例都关乎时机。

• 电话号码被分成几段读出——“415… 555… 0132”——此时 Live 3 可能会在各段之间说“嗯哼”或“好的，415”，然后等待剩下的部分。

• 来电者在坐席朗读营业时间时说了声“yeah”或“mm-hmm”，而 Live 3 会继续播报，而不是把这种应答视为打断。

• 一位来电者在说话过程中修改订单——“两个披萨……不，三个。三个大号的。而且……其实，把其中一个换成玛格丽特披萨”——在这种情况下，Live 3 会等待每一次更正说完，而不是对第一个看似合理的完整订单采取行动。

Fish Audio 表示，该模型最短可在 186 毫秒内决定作出回应，描述的是“mm-hmm”、“okay”和快速确认之类的简短反应，而非完整回答。它在发布时仅支持英语，并可在 Fish Agent Platform、通过 Fish Audio 的 API 以及面向企业的本地部署中使用。它没有的是任何已发布的基准测试、任何独立评分——截至 2026-11-11，Artificial Analysis 尚无 Live 3 双工条目——也没有出现在 Fish Audio 的价目表中。

为什么定价单位能说明它们是不同的产品

Fish Audio 对 Drama 3 按输入文本的 UTF-8 字节计费：标价为每百万字节 50.00 美元，上线促销价为每百万字节 10.00 美元，持续至 2026-11-30。公司自己的文档将一百万 UTF-8 字节换算为大约 180,000 个英文单词，或约十二小时的语音——这意味着按标价，drama-3 生成音频约为每小时 4.17 美元，促销期间约为每小时 0.83 美元。这种计价单位之所以存在，是因为 TTS 的输入文本量和输出音频量都是可确定的。

Live 3 完全不适合那个计价单位，而且它也没有出现在价目表中。双工代理通话没有固定脚本：输入音频是主叫方所说的内容，输出音频则是模型自行决定要说多少，而真正值得关注的成本是连接分钟数，而不是文本字节数。Fish Audio 尚未公布它将采用哪种计量方式，因此在任何成本对比中，Live 3 那一栏都是空白，而不是表示便宜。

这两个模型共同拥有的是一个平台。Fish Audio 的 Agent Platform 目前处于公开测试阶段，可托管 Live 3 智能体，并在 /v1/agent/* 下提供 REST 接口，附带 JavaScript 和 React SDK、用于 Web 小组件、电话号码或自定义客户端的渠道，以及会话令牌认证。该平台上的自定义 LLM 钩子指向一个 OpenAI 兼容端点，这正是接入自选推理层的位置。

它们在一款产品中相遇的地方

有趣的问题不是哪个模型胜出，而是当两者各自用于其擅长之处时，单一产品会是什么样子。预订热线在实时通话中需要 Live 3，因为停顿和更正都发生在通话过程中。同一个产品通常还需要 Drama 3 或类似模型，来处理所有非对话内容：通话后的确认信息回读、语音信箱问候语、外呼提醒，以及把来电者引导过来的营销页面中的长篇旁白。这些都是有已知脚本的渲染任务，而 Drama 3 公布的强项——听众偏好度、93.2% 的发音准确率、83 种语言、以 Fish Audio Community License v1.0 发布且营收上限为 500,000 美元的开放权重——正是渲染任务所需要的强项。

这种拆分有一个值得直说的成本后果，因为正是在这里，路由层不再只是抽象概念。Live 3 代理背后的推理层可以指向任何支持 OpenAI 协议的地方；OrcaRouter 位于该端点之后，通过单个密钥接入216个模型，按供应商标价、零加价，并在供应商出错时自动故障转移，因此无需改动语音层或电话号码，就能替换代理内部的规划器。路由 DSL 决定哪类调用由哪个模型处理，而模型融合让廉价模型起草工具调用，再由更强的模型在执行前进行检查。OrcaRouter 不托管 Fish Audio Live 3 或 Drama 3——两者都无法通过第三方端点使用，而此技术栈中的语音层仍由 Fish Audio 负责。它托管的，是语音周边的一切。

你到底需要哪一个？

你需要 Drama 3——如果输出的是文件。旁白、有声书、广告、角色配音、译制配音、无障碍朗读——凡是人类写好文字、听众只会听一次且要求精雕细琢的场景。它提供偏好评分、发音分解、语言数量，以及可供预测的公开每字节费率。它还是开放权重，如果你需要自行运行，这一点很重要。

你需要 Live 3如果输出是一段必须经受住被打断的对话。电话客服、预订热线、接单、支持分诊——任何来电者会回话、而失败模式是被抢话或不得不重复一串数字的场景。它有一个行为层面的论证、一个供应商延迟下限和一个平台，但还没有基准测试或价格。

你很可能两者都需要，前提是你构建的是语音产品而非演示，而二者的分界线在于实时与渲染之间。要避免的错误，是让其中一个去承担另一个的职责：TTS 模型无法决定何时停止说话，而双工智能体模型则是生成语音留言问候语的一种昂贵且未经评估的方式。Fish Audio 两者都出售，计价单位刻意不同，而将它们视为同一款产品的路线图，从第一个月起就会误判自身成本。