Fish Audio Drama 3 對比 Gemini 3.8 Flash TTS：現在便宜的一方是 Google，而這顛覆了以往的論點

以每分鐘成品音訊來為這兩者計價，這項比較就不再像市場整年來一直在做的那種比較。Google Gemini 3.8 Flash TTS 以每百萬音訊 token 9.00 美元計費，而音訊以每秒 25 個 token 生成——略高於每秒 0.02 美分，也就是每小時語音約 0.81 美元。Fish Audio Drama 3 的定價為每百萬 UTF-8 位元組 50.00 美元，而廠商自家文件將其等同於約十二小時語音：按定價約為每小時 4.17 美元，而在截至 2026-11-12 的上市促銷期間則為每小時 0.83 美元。因此，一旦折扣到期，Google 的旗艦語音模型價格只有這個開放權重挑戰者的五分之一；而在促銷持續期間，兩者價格大致相同。常見的敘事框架——靈活的開放模型壓低超大規模雲端業者的價格——在這裡恰好相反，而理解其中原因正是這項決策的關鍵。

演算過程，細節足以供核對

Google 的計價單位是 token，不是字元，這就是為什麼與按文字字元計價的廠商相比，那些標題數字顯得平淡無奇。Gemini 3.8 Flash TTS 以每秒語音 25 個 token 的速率輸出音訊，價格為每百萬 token 9.00 美元，優惠持續到 2026 年底；它所取代的模型 Gemini 3.1 Flash TTS Preview，相同百萬輸出 token 的價格為 20.00 美元。於 2026-09-23 同步推出的 Gemini 3.8 Flash-Lite TTS，支援的語言清單較短，費率也更低；為了比較，Artificial Analysis 記錄其價格為每百萬字元 11.00 美元。

Fish Audio 的計價單位是位元組，而非字元，其文件也直白說明了換算方式：一百萬個 UTF-8 位元組約等於 18 萬個英文單字，或約十二小時的語音。以每百萬位元組 50.00 美元計算，在計入任何額外開銷之前，每小時為 4.17 美元。以促銷價 10.00 美元計算，則為 0.83 美元。指示括號會按輸入文字計費，因此大量標註指示的腳本，費用會比其單字數所顯示的高出 10-25%——而在這場比較中，每個括號都會計費，因為 Drama 3 的整體設計就是要你將表演寫進腳本裡。

• 定價，每小時語音——Gemini 3.8 Flash TTS 約 $0.81；Drama 3 約 $4.17。

• 促銷價，每小時 — Gemini 3.8 Flash TTS 約 $0.81；Drama 3 約 $0.83。基本上打平。

• 單位——Google 端是每秒輸出的 token 數；Fish Audio 端是輸入的 UTF-8 位元組數。兩者都是誠實的單位。它們並不是同一個單位，任何「每百萬 X」的比較，只要混用兩者而不做換算，就只是雜訊。

• 隱藏條款——Drama 3 請求的模型標頭若缺失或拼寫錯誤，並不會失敗，而是會回退到 s2.1-pro，並按每百萬位元組 $15.00 計費；這意味著一個錯字就要在促銷費率之上加收 50%。

Google 的價格實際上換來了什麼

每小時成本更低，只有在輸出可用時才有意義；而獨立數據顯示它確實可用，而且呈現出特定的樣貌。Artificial Analysis 將 Google Gemini 3.8 Flash TTS 列在 Provider Voice Arena 第五名，Elo 為 1,283，榜上記錄為 $16.50——高於 Fish Audio Drama 3 的 1,278——並在 Controlled Voice Arena 以 1,053 排名第二十四，低於 Drama 3 的 1,085。這種落差用一句話就能總結這個模型：當使用 Google 自家語音時，它聽起來非常出色；但當每個模型都以相同的參考語音來評判時，它就落到榜單中段。

發音評測看板也呈現同樣狹隘的結果。Gemini 3.8 Flash TTS 在「符合語境」類別以 98.0% 領先所有 31 個受評模型，而 Drama 3 為 95.3%。這並非該模型的弱點。Google 在這項比較中的弱點在於控制權：Gemini 提供 30 種預建錄音室語音——Kore 與 Puck 也在其中——具備完整的 130 種語言組合與自動語言偵測，且其語音庫在 Extended Voice Library 文件中被描述為「數百種」，而行銷頁面則稱有 2,000 種以上。這些數字從未從外部獲得調和，而如果某個特定語音對你的產品至關重要，測試那個語音是任何人能誠實給你的唯一答案。

三十個可用語音、不具備聲音克隆功能，對於客服機器人、產品旁白或語言學習應用程式來說已經足夠。但對於戲劇製作流程、需要為十二個角色配音的遊戲，或任何以聲音本身作為交付成果的客戶專案來說，就不夠了。這正是 Fish Audio 填補的缺口，而且這是本質上的缺口，而非程度上的差距。

開放權重能換來什麼，以及讓它們運行要花你多少成本

Fish Audio Drama 3 是一個 350 億參數的混合專家模型，每個 token 約有 30 億參數活躍，初始化自 Qwen3.5-35B-A3B，256 個路由專家中啟用 8 個，外加 1 個共享專家；四十層以三個 Gated DeltaNet 層加一個閘控全注意力層為一組區塊。權重以 fishaudio/drama-3 名稱發布於 Hugging Face——約 40 GB，分散於一組分片檔，另加一個獨立 codec 檔案——而 FP8 推論需要約 48 GB 的 VRAM，且沒有文件記載的 CPU 或 ROCm 執行路徑。服務透過 SGLang-Omni 提供，廠商回報在單一 H200 上達到每秒 271 幀，相較於 S2 的 177 幀。

硬體那一行才是真正的取捨所在。Google 每小時 0.81 美元的價格不含任何資本支出，也不含營運成本；你唯一的固定成本就是那一次請求。Drama 3 每小時 0.83 美元的促銷價則是 API 費率，而自己跑的話，這筆錢就變成一台 48 GB 的 GPU、一套 serving stack，還有一個負責照顧它的人。若只是每月四十小時的音訊目錄，API 顯然更便宜。但若是幾千小時，或是任何必須在迴路中不牽涉第三方的東西，權重就徹底翻轉了整個論證——而這正是 Google 無論開什麼價都不賣的東西。

授權在這裡也很重要，因為這正是區分「開放權重」與「免費」的關鍵。Drama 3 是依據 Fish Audio Community License v1.0 發佈：研究與非商業用途免費；對你及你的關係企業而言，年營收低於 500,000 美元時可免費商用；超過該門檻，或要將 Drama 3 本身作為代管語音或克隆服務提供，則須另取得授權。Artificial Analysis 將其標示為開放權重，但不具完整商業使用權。Google 的條款則是一般的 API 條款，這屬於另一組問題——重點是資料處理，而非再散布。

語言，以及一個看似作用很大、實際上卻沒那麼大的數字

Google 宣稱支援 130 種語言，並可從文字自動偵測。Fish Audio 則宣稱支援 83 種語言，還附帶一項古怪得多的能力：指示可以用任何語言撰寫，且不必與腳本的語言相符；還有一個有文件記載的語言切換標籤，可在同一行中途把單一片語切換成另一種語言——標示為實驗性。這些是不同的產品。Google 的數字關乎你能用單一整合進入多少個市場。Fish Audio 的數字則關乎一行內容能被製作得多精準，而且是由未必與腳本語言相同的導演來製作。

對於要推出在地化產品的團隊來說，130 勝過 83，而自動偵測是實實在在的營運節省——不必按語言分流，也不必按語言選擇語音。對於只用一兩種語言製作內容、且觀眾會察覺差異的團隊來說，83 並不是限制，而「任何語言方向」的能力才是這兩項功能中更有價值的一項。這兩個數字都不該被當成排行榜名次來解讀；一個模型宣稱支援的語言數量，從來就與它在你需要的語言上表現得多好沒有太大關聯。

它們各自在路由堆疊中所處的位置

這是本系列中少數幾篇供應商端並未完全誠實帶過的文章之一：OrcaRouter 會轉送 Google 較早期的 Gemini 語音模型——google/gemini-3.1-flash-tts-preview 與 google/gemini-2.5-flash-preview-tts 目前都在目錄中——但不包含 Google Gemini 3.8 Flash TTS，也不包含 Fish Audio Drama 3。較舊的 Gemini TTS 模型透過我們以 Google 原價提供，且不加價；而本文真正要談的兩個模型，則是透過各自供應商自家的 API 取得，Fish Audio 的情況還可透過第三方平台取得。

有用的結果是，Google 語音帳單的大部分已經可以放在同一把金鑰後面，而且容錯移轉層正是讓這項比較能以低成本執行：把 Drama 3 的少量測試流量（canary）放在 Gemini 3.8 Flash TTS 呼叫旁邊，將正式環境路徑導向通過你驗收測試的那一方，而逐段選擇就存在於路由 DSL 中，而不是存在於兩個 SDK 裡。模型融合是此舉帶出的另一個選項——一個面板，讓同一行文字透過兩者渲染，並依你定義的規則挑選；對旁白而言，這意味著你可以在含有代碼的行上保留 Drama 3 的發音，並在散文上保留 Google 的脈絡朗讀。

決定說得明白：對於大量英語、不做聲音複製、也不想投入基礎設施的情況，Gemini 3.8 Flash TTS 每小時 0.81 美元，就供應商語音而言是更便宜、聽起來也更好的模型，而支持 Drama 3 的論點一碰上價目表就站不住腳。對於任何需要自訂或角色語音、逐字指示、音素控制，或需要不依賴第三方即可運行的情況，Drama 3 是兩者中唯一至少做得到這些事的——按牌價計算，它每小時成本是 Google 的五倍，而在促銷期間成本相同，這使接下來兩週成為任何人所能得到的最便宜窗口，用來判斷這種發音優勢是否值得圍繞它來建置。