AssemblyAI-TTS-1 對決 Fish Audio Drama 3：一個結帳按鈕，對上 41.5 GB 的下載

首先要理解的是，AssemblyAI-TTS-1與Fish Audio Drama 3相比，其中之一本質上就是一個檔案。Drama 3 於 2026 年 10 月 13 日發布，是一個 350 億參數的混合專家語音模型，以 fishaudio/drama-3 之名發布於 Hugging Face——在加入編解碼器之前，權重大約 41.5 GB，而以 FP8 提供服務約需 48 GB 的 VRAM。AssemblyAI-TTS-1 自 2026 年 10 月 27 日起正式全面可用，價格為每百萬字元 15 美元，是位於 US-East 或 EU-North 的 HTTPS 端點，能在不到十分之一秒內回應，而且除了文字之外不要求你提供任何東西。任何從 Elo 分數開始的雙方比較，都從錯誤的起點出發，因為這兩個產品是先被營運決策區隔，之後才被品質區隔。

15 美元能買到什麼，以及 41.5 GB 能買到什麼

AssemblyAI-TTS-1 這部分的描述很簡短。每百萬輸入字元一律收取 15 美元，涵蓋全部 4,000 多種函式庫語音、可從 24 秒樣本進行即時複製、詞級時間戳記、六種首發語言（英文、西班牙文、法文、德文、義大利文、葡萄牙文）、美國或歐盟處理、WebSocket 與 HTTP 端點，外加一條 OpenAI 相容路由、用於插話打斷的取消訊息，以及無限並行且不額外收費。沒有 SSML、沒有速度參數、沒有發音詞典、沒有情緒標籤、沒有專業級複製層級。

Drama 3 這一邊則是截然不同形態的產品。它是 35B 的 MoE，每個 token 約有 30 億個參數處於啟用狀態，從 Qwen3.5-35B-A3B 初始化，40 層，256 個路由專家中的 8 個再加上一個共享專家，這正是它既能聽起來富有表現力、又能塞進單一加速器的原因。它涵蓋 83 種語言、可複製聲音、一次可處理多達 16 位說話者，並接受以括號標示的自然語言舞台指示（例如 [sighs]），模型會據此演出。而且根據 Fish 自家的模型卡，它本就是為帶有導演指導的演出而打造：配音、旁白、多角色場景。低於 100 毫秒的電話迴路並不是它調校的目標。

這種區別並不是在貶低其中任何一方。這正是這場對決之所以存在的原因：Drama 3 是這個系列中唯一你能完全擁有的模型，而 AssemblyAI-TTS-1 是這個系列中唯一一個不必購買 GPU、今天下午就能放到來電者面前的模型。

併發數的計算才是真正的論據

兩家廠商都公布了延遲數值，而兩者皆無法直接比較，因此請將以下內容視為兩項各自獨立的說法，而非直接對比。

• Drama 3，廠商模型卡——在單一 H200 上以單一串流執行時，首個音訊的中位時間為 88.9 毫秒，即時因子 0.131，每秒 271 幀。服務支援在發布後數天內到位，而同一硬體在 128 個並行串流下，首個音訊的中位時間為 255 毫秒，亦即每實際經過一秒約可處理 222 秒音訊。

• AssemblyAI-TTS-1，廠商實驗室 — 中位數首位元組時間為 47 毫秒；Cekura 獨立測得串流啟動時間中位數為 159 毫秒、p90 為 296 毫秒，而 Artificial Analysis 的測量顯示吞吐量為每秒 162 個字元。

看看 Drama 3 的數字隨著負載上升會怎麼變化：單一請求時是 88.9 毫秒，128 條串流時是 255 毫秒。對配音管線來說，這是相當理想的曲線；但對客服中心來說則只是勉強可用，因為在客服中心，來電者聽到任何聲音之前的每一毫秒，都是無聲的空白。AssemblyAI 的反駁論點並不是更快的數字，而是沒有曲線——以單一固定費率提供無限並行，因為排程問題是供應商的事，你永遠看不到。那項承諾能否在你自己的流量下成立，正是必須測試的事，因為一項沒有公布排隊行為的無限並行主張，本質上是在講別人的叢集。

兩張單位不同的帳單

Fish 將 Drama 3 定價為每百萬 UTF-8 位元組 50.00 美元，而供應商自己的文件將其換算為約十二小時的語音——相當於每小時音訊約 4.17 美元。另有上市促銷價為每百萬位元組 10.00 美元，約每小時 0.83 美元，活動持續至 2026 年 11 月 12 日。AssemblyAI-TTS-1 的價格為每百萬字元 15 美元，換算下來約為每小時語音 0.81 美元，這是採用同樣寬鬆的假設：一般對話音訊每分鐘約 900 個字元。

所以促銷期間，兩者定價幾乎相同，差距小到可忽略；而按牌價計算，Fish 每小時產出成本大約貴五倍——而且這還是在你買 H200 之前。自行架設並不會消除成本，它只是把按字元計費的帳單，轉換成 GPU 小時帳單，外加一位懂得如何部署服務的人。

有兩個陷阱值得點名，因為人很容易就掉進去。

• 字元不是位元組。Fish 以 UTF-8 位元組計費，AssemblyAI 則以字元計費。英文文字大約每個字元對應一個位元組，所以兩者看起來差不多；日文、阿拉伯文或大量表情符號的文稿會使位元組數膨脹，並在同一份文稿上悄悄讓 Drama 3 的帳單增加 30–100%。

• 缺少模型標頭不會明確報錯。Fish 自己的文件指出，模型識別碼若缺席或拼寫錯誤，會自動退回 s2.1-pro，每百萬位元組收費 $15.00 —— 相較促銷的 Drama 3 費率高出 50%，且適用的是不同模型，回應中卻不會出現任何錯誤。

還有第三個數字在流傳，值得為它命名，因為你會在排行榜上遇到它。Artificial Analysis 的價格欄位記錄 Drama 3 為每百萬字元 $15.0，這與 Fish 的每百萬位元組 $50，或促銷價 $10 都對不上。三個數字——定價表、促銷、排行榜標準化——其中只有前兩個來自供應商。排行榜的數字是比較單位，不是報價。

貼文底部的授權閘門

Drama 3 並非大多數團隊所設想的那種開源。它是依 Fish Audio 社群授權條款 v1.0 釋出：年營收低於 50 萬美元可免費商用，超過此門檻則適用另一份授權；而無論規模大小，將該模型轉售為代管 TTS API 都須另行簽訂協議。Artificial Analysis 將其記錄為「開放權重但不具完整商用權利」，這是準確的描述。

AssemblyAI-TTS-1 沒有這樣的門檻，因為它沒有權重——你無法自行託管、微調，或在供應商改變定價時繼續運作。這是沒人會放進比較表的取捨：Drama 3 的授權限制了你對該模型能做什麼，而 AssemblyAI-TTS-1 的架構則限制了你沒有供應商時能做什麼。

品質落差，一次說清楚

在 Artificial Analysis 的 Provider Voice Arena 上——於 2026 年 10 月 30 日讀取，因此兩者皆為同一輪執行——Drama 3 以 1,278 Elo 排名第六，AssemblyAI-TTS-1 則以 1,227 排名第十四。在 Controlled Voice Arena 上，Drama 3 以 1,085 排名第十二，AssemblyAI-TTS-1 則以 1,110 排名第十，這使順序翻轉，也說明這兩個排行榜測量的是不同事物：第一個測的是內建語音，第二個測的是對固定參考的克隆保真度。就自然語音而言，Drama 3 是兩者中排名較高的一方；而一旦參考錄音保持固定，兩者的差距便落在雜訊範圍內。

最能鮮明拉開兩者差距的數字是發音穩健度，Drama 3 在此直接位居榜首——來源會依頁面讀取時間不同，給出大約 93% 到 95% 之間的數字，所以請把排名當成事實，把小數點當成裝飾。AssemblyAI-TTS-1 在同一評量工具上得分 81.7%，排名第十六，其最弱的子項得分是縮寫展開，為 73.8%。若你的輸入充滿縮寫，Drama 3 無需字典就能處理。若你的輸入是朗讀出來的電話號碼，Cekura 的獨立測試在該類別中讓 AssemblyAI-TTS-1 以 91.7% 位居同類第一。

兩家廠商自家的基準測試都不該被當成獨立評測來解讀。AssemblyAI 的 99.0% 詞準確率、3.85 預測 MOS 與 85.5 TTSDS 分數，都來自它自家的測試框架、跑在它自家的留出集上；Fish 的 88.9 毫秒與每秒 271 幀，則出自它自家的模型卡。第三方測量結果——Artificial Analysis、Cekura、Coval——才是本文中唯一由沒有產品要推銷的一方所產出的數據。

選擇你能操作的，而不是排名較高的。

Drama 3 是正確答案的情況恰好有三種。你需要富有表現力、帶有導演指導的演出，並在一次處理中包含舞台指示與多位講者——這點毋庸置疑，AssemblyAI-TTS-1 沒有對等功能。你需要 AssemblyAI 最初推出時六種語言之外的語言——83 對 6，比較到此為止。或者，出於資料駐留的理由，你需要把模型放在自己的硬體上，而美國或歐盟的供應商區域無法滿足這些理由——對某些受監管的工作負載來說，這是實實在在的需求，也是唯一能讓 GPU 具備正當性的理由。

每個人都在買電話代理，而電話代理要的是固定帳單、不必排在別人的 H200 後面，以及一個它能修正的發音問題。AssemblyAI-TTS-1 給了前兩項，還沒給第三項。老實說，情況就是這樣：Drama 3 是更好的模型，但對這項工作而言是更差的產品。

多數團隊最終會採取的實務折衷方案是兩者並用——以 Drama 3 處理你作為內容交付的生成音訊，並以 AssemblyAI-TTS-1 處理即時循環中的逐輪語音，兩者之間保留一條備援路徑。維持第二家 TTS 供應商連線待命，正是 OrcaRouter 套用到該堆疊語言模型那一半的同一套紀律：一套 API 就能以供應商牌價、0% 加價使用 200 多個模型，當供應商效能衰退時自動容錯切換，以及 一套路由 DSL，讓單一端點可服務多個模型，而不是簽下多份合約。這兩款語音模型目前都不在 OrcaRouter 的型錄上——我們提供的語音路由是 OpenAI 的 tts-1 系列與 Google 的 Gemini TTS 預覽版——所以請把這點理解為論述的輪廓，而不是暗示你可以在這裡買到 Drama 3。

什麼會改變這個結論：是 Fish 公布一條在呼叫中心負載下仍能維持低於 150 毫秒的併發曲線，還是 AssemblyAI 新增發音詞典並再多支援四種語言。先留意後者。那是一項配置變更，而這家推出統一 15 美元費率表的公司，早已顯示出它更偏好靠帳單競爭。