Fish Audio Drama 3 如今同時稱霸兩個語音競技場——而這兩個數字，都不是你上週看到的那一個

同一個產品在排行榜上留有兩筆紀錄。Fish Audio Drama 3以 Elo 1,278 在 Artificial Analysis Provider Voice Arena 名列第六，並以 1,085 在 Controlled Voice Arena 名列第十二；它在這兩張榜上都是表中排名最高的開放權重模型。另有一筆標示為 Fish Audio Drama 3 Preview——也就是 Fish Audio 於 2026-10-13 發布時登上新聞的那一筆——仍被單獨列出，分數為 1,240 與 1,063。同一張榜上相差 38 分，另一張相差 22 分，而供應商自家產品頁面稱這是同一個模型以兩個名稱呈現。如果你在過去兩週引用過 Drama 3 的 Elo，這就是能告訴你當時引用的是兩者中哪一個的那篇文章。

董事會今天實際說了些什麼

這兩個數字都是在 2026-10-29 從 Artificial Analysis 讀取的，而且兩者都附有相同、由榜單記錄的每百萬字元 $15.00，因此 38 分的差距並不是價格變動——而是對同一模型兩個封存狀態的兩次評估。Drama 3 之上的供應商語音排名全是封閉系統：Eleven v4 Turbo 為 1,336 和 $40.00，Eleven v4 為 1,334 和 $80.00，Qwen-Audio-3.1-TTS-Plus 為 1,305 和 $19.30，Cartesia Sonic 3.6 為 1,296 和 $49.00，以及 Google Gemini 3.8 Flash TTS 為 1,283 和 $16.50。它們每一項的每百萬字元成本都高於緊接其下排名的 Fish Audio 項目。

受控語音排行榜是最能明顯看出兩筆 Drama 3 紀錄在排名上差距的地方，也是開放權重主張最容易查證的地方，因為該榜上的所有模型都採用同一組固定參考語音來評分，而不是採用各廠商自家的型錄。截至今日，開放權重參賽項目的完整分佈如下：

• 供應商語音 — Fish Audio Drama 3 1,278（#6）；Fish Audio Drama 3 Preview 1,240（#12）；Breeze TTS 2 1,228（#13）；Voxtral 3 TTS 1,223（#15）。

• 可控語音 — Fish Audio Drama 3 1,085（#12）；Ming-3.0-tts 1,068（#17）；Fish Audio Drama 3 Preview 1,063（#20）；Breeze TTS 2 1,021（#28）。

• 真正重要的差距——在受控語音方面，Drama 3 仍落後於 Eleven v4（1,156，第 4 名）、Inworld Realtime TTS-2（1,146，第 7 名），而 Google Gemini 3.8 Flash TTS（1,053，第 24 名）則低於它；但該排行榜頂端的封閉系統並非差四分，而是差七十分。HeyGen Voice 以 1,193 分領先它。

接下來有兩點。第一，「在開放權重中排名第一」今天在兩個競技場上都成立，而且在任一個上都不是並列。第二，受控排行榜上的領先幅度——以五分之一的參數量領先 Ming-3.0-tts 17 Elo——落在幾千票就能改變名次的範圍內，因此應把它視為領先，而不是穩固的鎖定。

發音分數是並列第一，而非獨占第一。

Fish Audio 的公告引用 Artificial Analysis 英語發音穩健性基準測試中的 93.2%，相較於其前代 S2.1 Pro 的 88.1%，並將其描述為排行榜上的最高分。當該分數於 2026-10-20 登上榜單時，這說法確實準確，但有一項行銷文案略去的限定：Ant Group 的 Ming-3.0-tts 也達到相同的 93.2%，因此榜單在 31 個計分模型中顯示並列第一，而非唯一領先者。Eleven v4 為 91.7%，Eleven v4 Turbo 為 90.1%。

總體數字掩蓋了真正的取捨。Drama 3 的強項在於專有名詞與依賴上下文的詞語——{{1}}在品牌、地名和技術名稱等獨立詞語上達到 95.9%{{/1}}，以及{{2}}在讀音取決於句子的詞語上達到 95.3%{{/2}}。它的弱項則是任何必須逐字重現的內容：{{3}}代碼、路徑和電子郵件地址的準確率為 86.3%{{/3}}，而 Ming 在這方面達到 {{4}}90.6%{{/4}}。Drama 3 唯一徹底落敗的類別是展開簡寫——數字、日期和單位——{{5}}93.6%{{/5}}，不及 Eleven v4 的 {{6}}94.1%{{/6}}。如果你的管線會朗讀訂單編號、零件代碼或追蹤字串，那麼{{7}}93.2%{{/7}}這個頭條數字並不是規劃時該依據的數字；{{8}}86.3%{{/8}}才是對的。

2026-10-13 發布了什麼，以及十六天能帶來什麼改變

這一切都不是發布，也不應被當作發布來報導。Fish Audio 已於 2026-10-13 將該模型導入其網頁應用程式、iOS 與 Android 應用程式及 API，API 模型 ID 為「drama-3」。過去兩週的新進展是零售版模型的獨立評分，而非該模型的存在。這個區別所帶來的實際後果值得詳細說明，因為先前關於此模型的報導——包括本部落格上的報導——是依據 Preview 資料所寫的。

這兩份記錄之間的架構並未改變：一個從 Qwen3.5-35B-A3B 初始化的 350 億參數混合專家模型，每個 token 約有 30 億參數處於啟用狀態，256 個路由專家中每次有 8 個加上 1 個共享專家被觸發。四十層以重複區塊排列，每三個 Gated DeltaNet 層搭配一個閘控全注意力層，因此每四層中只有一層保留 KV 快取。解碼器是 codebook-MTP 設計——四層共享層饋入九個全寬層，每個聲學碼本對應一層——且只有碼本 0 和 1 會回饋至主幹。tokenizer 與 S2 所用的 Descript Audio Codec 設定相同：44.1 kHz、十個碼本、約每秒 21.5 幀、完全因果。有個小不一致值得注意，因為它會讓任何比較這兩個來源的人困惑：Fish Audio 的公告說 350 億參數，而 Hugging Face 模型卡回報模型大小為 36B。這個差異很可能是四捨五入或嵌入數量計算慣例所致，而非不同的檢查點；不過，你在這兩處各自看到的就是這兩個數字。

單張 H200 的吞吐量是廠商公布的每秒 271 幀，而 S2 為 177 幀，這正是 35B MoE 搭配 3B 啟用路徑所能帶來的預期效益。服務是透過 SGLang-Omni 提供。權重以 fishaudio/drama-3 之名放在 Hugging Face 上——約 40 GB，分散於一組 safetensors 分片，外加一個獨立的編解碼器檔案——而 FP8 推論大約需要 48 GB 的 VRAM，且沒有記載 CPU 或 ROCm 路徑。最後這項限制，正是決定大多數自架問題答案的關鍵，而它是 Breeze TTS 2 比較的主題，而非本篇的主題。

有三種價格，但這張卡並不是你該作為規劃基準的那張。

這裡的價格來源必須明確交代，因為流通中的有三個數字，而其中兩個並非表面上看起來那樣。Artificial Analysis 記錄的是 Drama 3 的兩個項目均為每百萬字元 15.00 美元。Fish Audio 自家的公告頁面標示定價為每百萬字元 50.00 美元，上市優惠價 10.00 美元、即 80% 折扣（二折），優惠至 2026-11-12。而 Fish Audio 的開發者文件則完全以第三種單位計費：每百萬 UTF-8 位元組，drama-3 為 50.00 美元，s2.1-pro 為 15.00 美元，上市優惠價 10.00 美元，直至 2026-11-12 09:00 PT。英文大約每個字元對應一個位元組，因此對英文文本而言，位元組與字元的數字大致可以互換，但對於每個字元耗費超過一個位元組的文字系統，兩者就會明顯分歧。

排行榜上的 $15.00 值得再看一眼，而不是一笑置之，因為它正好是 Fish Audio 前一代模型 s2.1-pro 的牌價，而不是正在被評分的模型的費率。要麼榜單記錄的是混合或沿用下來的數字，要麼它是以 Fish Audio 並未為該模型公布的費率來計價。應納入預算的數字是 Fish Audio 自家定價表中的那個：每百萬 UTF-8 位元組牌價 $50.00，該供應商的文件將其等同於約 180,000 個英文單詞，或大約十二小時語音——也就是每成品音訊小時 $4.17。兩週後到期的上市折扣不是價目表；以 $10.00 計算，同樣十二小時約需 $0.83。

授權：開放權重，而非開放原始碼，還有一條影響重大的條款

權重以 Fish Audio Community License v1.0 發布。研究與非商業用途可免費使用。若你與你的關係企業年營收低於 500,000 美元，商業用途可免費；超過此金額，或你想將 Drama 3 作為文字轉語音、語音複製或推論服務提供，則需向 Fish Audio 取得另行授權。該授權亦禁止未經同意複製真實人物的聲音，而 Fish Audio 的常見問題將「為客戶製作成品音訊」視為允許，這正是對代理商與後期製作公司至關重要的條款。S2 仍受較嚴格的 Research License 約束，因此這兩代模型在商業部署中不可互換。

Artificial Analysis 將該模型列為開放權重，但不具備完整的商業使用權利。這是誠實的描述：你可以下載並執行它，卻不一定能販售使用它的存取權。任何打算以這些權重為基礎推出託管產品的人，都應該在建立計費頁面之前先讀服務條款，而不是之後才讀。

這讓生產流水線處於什麼境地

雙競技場結果值得寫成一篇貼文而非腳註，原因在於它改變了團隊可以假定的事。十六天前，站得住腳的說法是：某個開放權重模型已進入某偏好排行榜前十名，並在其自身評測中宣稱在發音上領先。今天，獨立評斷更為狹窄也更為有力：它在兩個競技場上都是最佳的開放權重模型，在發音上是並列第一而非獨占第一，而且它是以中階費率做到這點，權重任何人都能下載。

Drama 3 並不是 OrcaRouter 上的模型之一。它是透過 Fish Audio 自家的 API 與數個第三方平台存取，而一篇假裝不是如此的文章，就會在這個部落格最核心的宗旨上對你說謊。我們做的則是問題的另一半，也就是用單一金鑰、以供應商牌價且不加價存取約 200 個模型、自動容錯移轉、路由 DSL 與模型融合，能讓一個已在呼叫其他廠商的管線，不必再簽第二份合約、也不必導入第二個 SDK，就能納入像這樣的模型。如果 Drama 3 成為渲染佇列上的旁白語音，而該佇列有截止期限，那麼把其他一切透過單一端點路由的價值，就在於重試路徑已經存在。

未來兩週要觀察什麼，按它會多大程度改變整體形勢排序：隨著更多票數投給零售參賽項目，兩項 Drama 3 紀錄之間的 22 分差距會縮小還是擴大；一旦 Ming-3.0-tts 第 21 名的專有名詞分數以更大的 span 數量重新測量，它在發音上是否會取得領先；以及 Fish Audio 之外是否有人在非 H200 的硬體上重現每秒 271 幀這個數字。競技場的數據已足夠確定，可以直接引用。吞吐量數字仍屬廠商說法，而授權條款仍是最可能決定一個團隊究竟能否使用它的因素。