Fish Audio Drama 3 對比 Inworld Realtime TTS-2：一個照稿朗讀，一個跟著對話走

「Realtime」這個詞在Inworld Realtime TTS-2中，是一項延遲宣稱，而非對該模型功能的描述。Inworld 針對即時對話的語音轉語音產品，是其定價頁面上獨立列出的項目；Realtime TTS-2 則是速度快到足以供互動使用的文字轉語音模型。當你把它與Fish Audio Drama 3並列時，這項區別立刻變得重要；後者正是為相反的工作而打造——一個擁有 350 億參數的模型，其整體設計就是讓你在任何一句台詞被說出之前，先把舞台指示寫進腳本。將它們在 Artificial Analysis 上並排比較，分野異常清晰：Drama 3 在 Provider Voice Arena 領先 11 分，而 Inworld 在 Controlled Voice Arena 領先 61 分。這個差距的方向，比單看任一個數字，更能說明各自用途。

兩款從未瞄準同一目標的產品

Inworld Realtime TTS-2 於 2026-05-05 以研究預覽版推出，並於 2026-09-02 正式全面推出。其在 GA 時的賣點並非保真度：而是該模型會將對話中先前的輪次以音訊形式納入，並在決定下一句聽起來該如何之前，先對語氣與節奏進行推理。那是一項對話式代理功能。一個剛聽到挫折客戶的支援機器人不需要舞台指示——它需要從剛才所說的內容中推斷出一個。

Fish Audio Drama 3 於 2026-10-13 發布，走的是相反的路。它所標榜的每一項能力，都關乎明確的作者標示：方括號指示置於其所管轄的詞句之前、聲音與停頓事件插入行中、成對標籤只改變所包覆的詞語（耳語、強調、柔和、快速、緩慢、重音、強力）、用以固定發音的音素鎖定、針對單一詞句的語言切換標籤、以不同於腳本的語言撰寫的指示，以及透過 reference_id 陣列搭配逐輪說話者標籤，在單一請求中呈現多說話者對話。這份清單上的任何一項都無法從上下文推斷。全部都是寫作者親自鍵入的東西。

所以，誠實的框架不是「哪個更好」，而是「哪種失敗是你無法容忍的」。一條必須渲染出十二角色場景、且要維持情緒連貫性的戲劇製作流程，靠一個設計用來從聊天紀錄推斷語氣的模型是做不到的。一個必須在不到一秒內回答的語音代理，靠一個需要舞台指示和 48 GB VRAM 的模型也做不到。兩者都真正可行的重疊區間很窄：腳本化、高品質的旁白，透過 API 提供給互動式內容——有聲書預覽、預先渲染的 NPC 短語、必須按排程重新生成的行銷 VO。

電路板，按正確順序讀取

以下兩項數據均於 2026-10-29 讀取自 Artificial Analysis：

• 供應商語音競技場 — Fish Audio Drama 3 以 1,278 位居第 6，排行榜記錄為每百萬字元 $15.00；Inworld Realtime TTS-2 以 1,267 位居第 8，$20.80。Inworld Realtime TTS-2 Flash 在受控排行榜上以 1,065 位居第 19。

• 受控語音競技場 — Fish Audio Drama 3 以 1,085 分排名第 12；Inworld Realtime TTS-2 以 1,146 分排名第 7。在此項目中，Inworld 領先 61 分。

• 這種不對稱——一旦比較改用相同的參考語音，而非各家自己的語音目錄，Drama 3 那 11 點的供應商優勢便會縮小並反轉。它的領先，很大程度上只是 Fish Audio 所提供語音之中的領先；Inworld 的領先則不然。

• 另一種不對稱：Inworld 的兩款上榜模型橫跨榜單兩端，旗艦款以 1,146 分位居一端，Flash 則以 1,065 分落在另一端，同一家族的兩個等級之間相差 81 分。Drama 3 底下沒有更低一階的等級；你要嘛用 35B 模型，要嘛改用其他方案。

這與 Google Gemini 3.8 Flash TTS 下同樣那兩個排行榜的模式正好相反：封閉模型在供應商語音上勝出，但在受控評測上落敗。這兩種模式都不是雜訊；兩者都提醒我們，單一的競技場數字描述的是模型加語音庫的整體組合，而只有受控排行榜能隔離出模型本身。

具體而言，情境感知與方向的對比

Inworld Realtime TTS-2 的正式發佈公告描述了一個會讀取對話歷史——把先前的輪次當作音訊——並用它來塑造節奏與語氣的模型。這是廠商的說法，並非經獨立評分的能力，而且 Artificial Analysis 的測試場並不測試這一點；它們測試的是單一句子對照參考語音。所以 Inworld 實際主打的這項功能，目前沒有任何公開基準測試在衡量。請把這項說法視為有前景但未經測試，並用你自己的對話去測試它，而不是用排行榜。

Drama 3 的指示能力就狹義而言是可量測的：只要改動一個括號，就能看到輸出隨之改變，而 Fish Audio 會為每一項能力提供範例音訊佐證。本次比較中沒有任何競爭對手能匹敵的功能，就是語言無關的指示：在英文句子前以中文撰寫指示，並有文件記載與實際示範。對國際後製團隊而言，這是可實際解鎖營運的能力，而不是可有可無的加分項，而且這種能力會在試行導入的一小時內就顯現出來。

團隊在兩者之間做抉擇時，最實際的測試方式，就是拿一頁你自己的對白來跑。用 Inworld 的對話情境（按照它在正式環境中會有的設定）渲染一遍，再用 Drama 3 加上明確指示渲染一遍。哪一種產出後需要你手動修正的行數較少，那就是答案；而對聊天代理來說是這個答案，對廣播劇來說又會是另一個答案。

複製、延遲，以及你可以據以規劃的數字

Inworld 的即時語音複製接受 5 至 15 秒的參考音訊，而其專業複製 beta 版則需要約 10 分鐘的音訊，才能得到保真度更高的複製品。這些都是廠商公布的數字，且具體到足以實測。Fish Audio 的複製功能與生成功能同屬同一套點數制度，而 Drama 3 在訂閱方案上所用的點數與 S2.1 Pro 相同——但真正有別的是授權條款：Fish Audio 的社群授權明確禁止未經同意複製真人的聲音，而 Inworld 的條款則屬一般的 API 條款。

延遲正是 Inworld 顯然是正確工具的地方，而比較不應假裝不是如此。即時 TTS-2 及其 Flash 等級是為互動式產品而打造，其中 Flash 等級的定價比旗艦產品低 40%，正是針對需要它的工作負載。Fish Audio 公布 Drama 3 的速度數據，是在單一 H200 上每秒 271 幀，而 S2 則為 177——這是批次算圖的輸送量數字，不是即時串流的首位元組時間。如果你的需求是「語音必須在對話回合內開始」，那你就是在 Inworld 的產品裡，而 Drama 3 領先 11 個百分點，無論如何都改變不了這一點。

價格，以您實際支付的費率計算

Inworld Realtime TTS-2 隨需計價為每百萬字元 25.00 美元，在 25 美元的 Creator 方案降至 20.00 美元，Builder 為 17.50 美元，Developer 為 15.00 美元，Growth 為 12.50 美元；Flash 隨需為 15.00 美元，至 Growth 降至 7.00 美元。Fish Audio Drama 3 牌價為每百萬 UTF-8 位元組 50.00 美元，首發促銷期間至 2026-11-12 09:00 PT 為 10.00 美元。以 100,000 字元的英文腳本計算，Inworld 隨需費率為 2.50 美元，而 Drama 3 牌價為 5.00 美元，促銷期間則為 1.00 美元。

那項算術中應納入三點注意事項，而非僅附於其下。Drama 3 按 UTF-8 位元組計費，因此相同字元數下，CJK 文字的成本是英文的數倍，而 Inworld 的字元費率則維持不變。Drama 3 的指示括號會按輸入文字計費，對指示密集的腳本而言等於加價 10-25%——而這正是你需要該模型的腳本。另外，Fish Audio 的備援悄無聲息：若請求的 model 標頭缺失或未完全相符，仍會照常處理，並以 s2.1-pro 按每百萬位元組 $15.00 計費，而非遭到拒絕。

在這三項但書之後仍然成立的比較，比價格表所暗示的更簡短。以牌價而言，Inworld 每個英文字元的價格約為 Drama 3 的一半，而且在可控語音方面優於它。促銷期間，Drama 3 的價格是 Inworld 的三分之一。只憑價格做決定的人，決定的是日期，而不是產品。

兩者都不在我們的目錄中，以及這會帶來什麼改變

Fish Audio Drama 3 與 Inworld Realtime TTS-2 都是透過各自供應商的 API 與第三方平台來存取；兩者都不是 OrcaRouter 上的模型，而這裡的路由論點談的是堆疊的其餘部分，而不是這兩者。語音產品很少只呼叫一個語音模型而別無其他——它會為台詞呼叫 LLM、為音訊呼叫語音模型，有時還會為不同片段呼叫第二個語音模型，而且它有截止期限。把非語音的那一半整合到 以供應商定價、不加價的單一金鑰之下，並搭配自動容錯移轉，讓單一上游的短暫異常不會拖住渲染，這正是讓語音選擇成為配置決策、而非架構決策的關鍵。

在這種特定組合中，routing DSL 真正發揮價值的地方，是混合式管線：預先渲染的戲劇性台詞走 Drama 3，即時的對話輪次走 Inworld，以同一把金鑰上的兩條路由來處理，並逐段做出選擇。模型融合則涵蓋你無法抉擇的情況——把同一句台詞分別透過兩邊渲染，對照參考標準評分，然後保留勝出的那一個。這兩者都不是繞過任何一家廠商價格的方法。它們真正繞過的，是「為了在設定檔裡省下一行，卻得維護兩套整合」這件事。

對正在二選一的讀者來說：若語音必須對對話做出反應、若延遲是主要限制、若你想用 Flash 層級吸收大量流量，且若封閉式 API 可以接受，就選 Inworld Realtime TTS-2。若語音是事先撰寫而非即時反應、若人名與代碼的發音必須可靠、若指示必須以書面寫下、若你想取得權重，或若簡報會以腳本以外的語言撰寫，就選 Fish Audio Drama 3。11 點的供應商領先幅度是那份清單中最不重要的數字；61 點的控制組落差才是你在定案前該拿自己的參考語音來核對的那一個。