GPT-Live-1 对比 Fish Audio Drama 3：一个可下载，一个只能租用

Fish Audio Drama 3 Preview 以 41.5 GB 的可下载权重形式提供，你可以将其指向自己的 GPU，检查、微调，并在厂商失去兴趣后继续运行。GPT-Live-1 以一个 URL 的形式提供。没有可下载的权重，没有本地推理路径，而且如果不针对 OpenAI 的 v1/live/sessions 端点以每分钟 0.05 美元的价格开启会话，就根本无法听到它。

这听起来像是个采购细节，但它恰恰就是那个决策本身。这两种模式里，一种是附带许可证的资产，另一种是附带计量器的服务；而当你的产品比一张定价页面活得更久时，两者的表现方式截然不同。

Drama 3 实际上是什么

Fish Audio 于 2026 年 10 月中旬发布了 Drama 3 Preview：这是一个拥有 350 亿参数的混合专家文本转语音模型，每个 token 大约激活 30 亿参数，基于 Qwen3.5-35B-A3B 骨干构建。它覆盖 83 种语言，可在单次请求中容纳多达 16 个不同说话人，能从简短参考音频中克隆音色，并以自然语言接受表演指令——告诉它某句台词应听起来带着无奈、加入某个音效，或标出哪些词需要变化，它就会照此演绎，而不是平铺直叙地朗读。

多说话人上限是商业上至关重要的功能。双人广播剧、主持人与嘉宾对谈的播客、配有旁白和客户的培训视频——这些各自只需一次 API 调用，而不是十六个拼接在一起、房间底噪还对不上的文件。

在 Artificial Analysis 的 Provider Voice Arena 上（数据采集于 2026 年 10 月 29 日），Drama 3 Preview 以 1240 Elo 位列总榜第十一，并在开源权重模型中排名第一，领先于 1228 分的 Breeze TTS 2。Fish 报告称其发音稳健性达到 93.2%，为发布时宣称的最高值，高于 ElevenLabs 为 Eleven v4 报告的 91.7%。

GPT-Live-1 究竟是什么

OpenAI 的模型则是相反的一类对象。自 2026 年 9 月 10 日起，它可以按每语音分钟 0.05 美元的价格调用，按秒计费，支持音频和文本输入输出、流式传输和函数调用，而结构化输出则明确不支持。它是全双工的：它在说话的同时也能听到你，并在后台将繁重的推理交给文本模型处理。

它没有声音克隆产品，没有多说话人模式，也没有任何文档说明可以把脚本变成确定性的音频文件。它有的是一场对话。对于电话智能体来说，这恰恰是对的。对于四个角色的场景来说，它并不是一个更差的工具，而是错误类别的工具。

双方打印的号码

有一个细节值得专门指出，因为任何对比规格表的人都会因此困惑：Fish Audio 的 Drama 3 和蚂蚁集团的 Ming-3.0-TTS 在同一项 Artificial Analysis 测量中都报告了 93.2% 的发音稳健性。两家不同的实验室，两种不同的架构，小数点后一位却完全相同。

那不是复制粘贴错误，也不是平局。那正是天花板的样子——剩下的 6.8% 是英语文本中难啃的长尾：字母数字序列、不寻常的专有名词、需要结合上下文读出的数字。任何声称顶级开放权重模型之间存在决定性发音优势的人，读到的都只是噪声。有用的问题是：你的内容实际包含哪些失败情形，而这需要测试你自己的文本，而不是看排行榜。

许可证是没人会读的那部分

Drama 3 是开放权重，而非宽松意义上的开源。它采用 Fish Audio 社区许可证 v1.0 发布：可免费用于研究和非商业用途，年收入低于 50 万美元的商业使用也可免费，超过该门槛则需另行签订协议。第三方 API 托管需要单独的许可证，并且必须署名。

那是一项合理的许可，也是一个真实的约束。由此产生三个后果：

• 在营收线以下，自托管是真正免费的——你只需支付电费和 GPU 使用时间，再无其他费用。

• 在此之上，你又回到了谈判桌上，而“我们拥有权重”的优势收窄为“我们仍可以在谈判的同时运行它们”。

• 无论你的收入是多少，把访问权限转售给你自己的客户，几乎肯定都需要另行签订协议。

GPT-Live-1 的许可协议更简单，就像租赁协议更简单一样：按分钟付费，使用，然后停止。没有收入门槛，没有署名条款，也没有披露客户数量的义务。这种简单性是有价值的，而且你的规模越小，它就越有价值。

硬件的实际成本

自托管 Drama 3 在 FP8 下大约需要 48GB 的 NVIDIA 显存，其中约 41.5GB 是权重。H100 或租用的 A100 级实例可以承载它；消费级显卡则无法轻松胜任。接下来有两种表述框架。

如果你已经拥有这块 GPU，合成的边际成本几乎为零，而托管价格显得荒谬：Fish 标价为每百万字符 50 美元，并在 2026 年 11 月 12 日前开展每百万字符 10 美元的发布促销，Artificial Analysis 记录的公开标价为 15 美元。一段约 9,000 字符的十分钟场景，根据你实际被收取的是这三个数字中的哪一个，成本在 9 美分到 45 美分之间。

如果你并不拥有这块 GPU，那你反正也是在租用一块，于是比较就变成了 GPU 小时对百万字符。按典型的每 GPU 小时 2 美元计算，一个合成速度达到实时十倍的模型，每租用一小时大约能产出十小时音频——按正常语速约合 54 万字符。折算下来大约是每百万字符 3.70 美元，远低于榜单上所有托管价格，但前提是持续满载利用。若占空比低于约 30%，租用就毫无优势；而关于吞吐量的假设就只是一个假设：你必须在自己的实例上实测，而不是照搬 Fish 公布的数字。

相比之下，GPT-Live-1 的成本是线性且乏味的：每分钟 0.05 美元，每一分钟都如此，没有固定成本，也没有利用率风险。十分钟对话是 0.50 美元。十分钟的 Drama 3 旁白，按记录的挂牌价大约是 0.135 美元。不同的任务，不同的计价方式，而其中一项还有可以摊销的固定成本。

租赁仍占优势的地方

合规是托管模型那种不声不响的论据。Drama 3 的权重可能被复制、被微调进竞争对手的产品，或者留在某个你的法务团队颇有微词的司法管辖区里继续运行。GPT-Live-1 给你的是一个端点、一张发票，以及一个替你承担模型侧风险的供应商。对受监管的企业而言，这不是偷懒，而是一笔保险费。

延迟策略是第二个。全双工轮流对话是一种行为，而不是一个检查点：0.8 秒的轮次和 87% 的工具调用准确率是 OpenAI 为这个模型报告的数据，而这两者都是供应商数据，不是独立测量结果。你无法通过 Drama 3 下载这种行为，因为 Drama 3 并不试图听见你。

第三点是故障处理。可下载的模型会随着你的 GPU 一起失效；托管模型则会在别人的 GPU 失效时失效——这是另一种风险，它未必更糟，而且是一种可以对冲的风险。

树篱应该放在哪里？

兜底机制应置于语音层之后，而不是其内部。这两个模型均不由 OrcaRouter 提供服务：Drama 3 的权重不在我们的目录中，GPT-Live-1 则只有一个端点，且没有兼容的接口。可路由的是对话式智能体所依赖的推理链路——GPT-6 Astra，GPT-5.6 Terra、Claude、Gemini、Qwen——可通过单一密钥访问，具备自动故障转移，并按提供商标价原样传递，0% 加价。

那才是花冗余预算的正确地方。语音输出出故障，动静大、显而易见；而它背后的文本模型出故障，才是那种会悄无声息地毁掉一周通话质量的故障。让“耳朵”锁定在你选定的那个模型上，让“大脑”保持可替换。

决定，每项各用一段文字说明。

如果你的产出是音频而非对话——比如场景、播客、配音、多角色训练内容——并且你的收入低于门槛，或者愿意就超过门槛的部分进行协商，那就选 Drama 3。35B MoE、十六说话人上限和 1240 Elo 构成了一个真正强大的组合，而权重意味着谁也无法把它从你手中夺走。

如果产品是实时对话，且价值在于打断处理，就选择 GPT-Live-1。它每交付一分钟的成本更高，不会给你任何可据为己有的东西，而且它能做到 Drama 3 在结构上无法做到的一件事：边说边听。

两者在规格表上相邻，在实际使用中却相去甚远。任何买了其中一个、却指望它承担另一个职责的人，都会认定这个型号很差，而其实只是从来没人要求这个型号去做那件事。