Fish Audio Drama 3 對決 Breeze TTS 2：以 VRAM 數字作結的開放權重比較

Fish Audio Drama 3與Breeze TTS 2是 Artificial Analysis 的 Provider Voice Arena 上排名最高的兩個開放權重文字轉語音模型，Elo 相差 50 分，而它們實際上並不是在爭奪同一種部署場景。Drama 3 是 350 億參數的混合專家模型，需要單張 48 GB 顯示卡。Breeze TTS 2 出自 BreezeBlue，是 30 億參數的稠密模型，並公開了 PyTorch 推論程式碼。這種資源佔用上的差異，比 Elo 差距更能決定採購決策，因為你跑不動的模型就不是你能評估的模型——更何況在此之上，兩者的授權條款還朝相反方向拉扯。

相同的標籤，兩種不同類型的開放權重

這兩個項目都在排行榜上顯示權重連結，且在新聞稿中都會被描述為「開放」。兩者都不是開源，限制的樣態也不相同。

Breeze TTS 2 的權重於 2026 年 8 月 25 日以 BreezeBlue/Breeze-TTS-2 上傳至 Hugging Face，並同時釋出 PyTorch 推論程式碼，採用研究與非商業授權。若無另行安排，這對商業部署而言是硬性限制，且自那時起未曾改變。該公司於 2026 年 8 月 16 日與 17 日宣布此模型是面向互動媒體的即時語音模型，開放了每百萬字元 34 美元的託管 API，並在九天後發布權重。BreezeBlue 由前 MiniMax 技術共同創辦人楊斌創立，並獲得由元景資本與 Redpoint China 領投的 600 萬美元種子輪融資。

Fish Audio Drama 3 以 Fish Audio 社群授權條款 v1.0 發佈，而該條款在大多數團隊最重視的層面上實質上更寬鬆：對你及你的關係企業而言，年收入低於 50 萬美元時可免費商用，且常見問題集將為客戶製作成品音訊視為允許。超過該門檻後，或如果你想將 Drama 3 託管為文字轉語音、聲音克隆或推論服務，則需要 Fish Audio 的授權。該授權也禁止在未經同意的情況下克隆真實人物的聲音。S2——前代產品——仍適用較嚴格的研究授權條款，因此這兩個 Fish Audio 世代不能當作同一個法律類別來處理。

實務解讀：Breeze TTS 2 是較容易實驗、但較難商業化推出的模型；Drama 3 則相反。若你的評估是研究示範或內部工具，Breeze 的授權不會阻礙你，而且其 3B 規模讓實驗成本很低。若你的評估最終要成為產品，Fish Audio 的條款則是律師會不經協商直接簽署的那一種。

Breeze 模型卡上有一個細節值得特別提出，因為它現在已經過時。卡片的簡介仍寫著該模型「在 Artificial Analysis TTS 排行榜的開放權重模型中排名第一」。這句話在撰寫時確實如此；但今天的排行榜將 Breeze TTS 2 列為供應商語音第十三名、受控語音第二十八名，排在 Fish Audio 的兩個項目之後。模型卡過時的速度比排行榜更快，只查閱模型卡的讀者會得到錯誤的排名。

競技場的數據，以及為什麼受控語音的落差是更大的問題

於 2026-10-29 讀取 Artificial Analysis：

• Provider Voice Arena — Fish Audio Drama 3 以 Elo 1,278、排名第 6，以及排行榜記錄的每百萬字元 $15.00；Breeze TTS 2 排名第 13，Elo 1,228，價格 $34.00。兩者相差 50 分，而排名介於其間的模型全屬封閉系統。

• 受控語音競技場 — Fish Audio Drama 3 以 1,085 分位列第 12；Breeze TTS 2 以 1,021 分位列第 28。兩者相差 64 分，而這個排行榜是以同一組固定參考語音為每個模型評分，而不是用各廠商自行設計的語音。

• 差距擴大的方向——當你把廠商自家的語音目錄排除在比較之外時，Drama 3 的優勢會增加 14 個百分點。這是這場對決中最有用的單一數字，因為它說明 Fish Audio 的領先並非其內建語音聽起來多麼悅耳所造成的假象。

五十或六十四 Elo 在盲測偏好測試中是實質差異，但當它是比較中唯一的模型時，這種差異便不復存在。兩者都遠低於封閉前沿：Eleven v4 Turbo 以 1,336 領先供應商排行榜，HeyGen Voice 以 1,193 領先受控排行榜。這對開放權重模型提供的是可自行託管的下限，而非前沿。

每一個實際上需要什麼才能運行

這就是比較不再抽象的地方。

• Drama 3 — 總參數量 35B，每個 token 約 3B 活化參數，256 個路由專家中有 8 個，外加一個共用專家。權重在一組分片（shard set）上約 40 GB，另有一個獨立的 codec 檔案，而 FP8 推論大約需要 48 GB 的 VRAM。Fish Audio 並未說明 CPU、Apple Silicon 或 ROCm 的執行路徑。在單一 H200 上，廠商回報每秒 271 幀，相對於 S2 的 177 幀，這正是稀疏架構所帶來的效益；該數字為廠商回報，且在 Fish Audio 之外並未重現。

• Breeze TTS 2 — 3B 稠密參數。BF16 檢查點約為 6 GB，因此可輕鬆放入 24 GB 顯示卡，量化後也合理推測能用在更小的卡上。推論程式碼實際存在於儲存庫中，而非僅止於暗示。並未公布單一串流層級的延遲數據，但此模型是為即時互動媒體而設計與販售，這與高保真旁白的需求不同。

• Tokenizer — Drama 3 沿用 S2 的 Descript Audio Codec 設定：44.1 kHz、十個碼本、每秒約 21.5 幀，且完全因果式。Breeze TTS 2 的 tokenizer，我無法從第一手來源引用任何說法；而若為了比較而憑空編造一個，那只會是虛假的精確。

後果很直接。擁有四張 24 GB 顯示卡的團隊，今天就能執行 Breeze TTS 2，但若沒有 Fish Audio 未記載的分片技巧，就無法執行 Drama 3。擁有一張 H200 等級顯示卡的團隊，則是在一個符合其硬體的模型和一個 Elo 高出 50 的模型之間做選擇。這兩者都不是錯誤答案；它們是不同問題的答案。

大量用量成本，以 Fish Audio 實際計費的單位計算

Fish Audio 的文件計價方式是以每百萬個 UTF-8 位元組為單位，而不是以字元計價，這會改變所有非英語書寫者的計算結果。根據同一份文件，一百萬個 UTF-8 位元組大約相當於 18 萬個英文單字，或十二小時的語音。Drama 3 的定價為每百萬位元組 50.00 美元——也就是每小時成品音訊約 4.17 美元——並提供 10.00 美元的上市優惠費率，約每小時 0.83 美元，優惠至 2026-11-12 09:00 PT 為止。Breeze TTS 2 為每百萬字元 34.00 美元，按同樣的粗略換算，約為每小時 2.83 美元。

所以排名會隨著你購買的日期而翻轉。在促銷期間，Drama 3 的每小時成本大約是 Breeze TTS 2 的三分之一。在 2026-11-12 之後，Drama 3 按定價計的每小時費用比 Breeze 貴約 47%——但在競技場上高出 50 到 64 Elo，且在發音方面明顯更好。而對於 CJK 或西里爾文字，按位元組計費會使 Drama 3 的成本進一步上升：在該計費表下，一個三位元組字元的費用是英文字元的三倍，而按字元計費的供應商則對兩者收取相同費用。

同一份說明文件中的兩項計費細節值得納入預算模型，因為兩者都會悄悄膨脹實際支出。速率限制是針對並行請求，而非每秒請求數——入門方案為 5 個並行請求，付費 $100 起為 15 個，$1,000 起為 50 個——而超過限制的請求會傳回 429，且沒有 retry-after 標頭，因此單純的並行渲染器必須自行實作退避機制。此外，指定不存在或並非完全相符模型 ID 的請求，會以預設模型提供並計費；在 TTS 方面，這表示促銷期間若把 Drama 3 標頭拼錯，可能會按 S2.1 Pro 的費率計費，而非享有折扣。

將兩者都置於同一條管線之下

Fish Audio Drama 3 與 Breeze TTS 2 都不是 OrcaRouter 上的模型。兩者各自透過其廠商自身的 API 存取，就 Fish Audio 而言還可透過第三方平台；本節據實說明這一點，而不暗示我們並未提供的途徑。

協調層是另一個問題，而這正是雙模型分工發揮價值的地方。一間小型工作室若想用 Drama 3 做旁白、用 Breeze TTS 2 處理即時 UI 提示，就得在同一個截止期限前應付兩套 SDK、兩份費率表與兩種故障模式。把其餘技術堆疊都導向 單一端點，按供應商定價、不加價，並具備 跨上游自動容錯切換，意味著 TTS 廠商的選擇只需改一行設定，而不必再簽一份合約——而且路由 DSL 能把模型呼叫與音訊步驟組合起來，不必在應用程式碼裡把它們硬湊在一起。

如果你今天要挑一個，而且硬體已經買了，那決定幾乎已經替你做好了：48 GB 的 VRAM 和 6 GB 是不同預算項目，而 Breeze 的僅限研究授權和 Drama 3 的營收上限社群授權是不同的法律審查。如果你是在開放權重類別中依品質挑選，答案在兩個競技場和發音上都是 Drama 3，價格論點只再成立兩週。