Fish Audio Drama 3 對決 Ming 3.0 TTS：在克隆語音下消失的 91 分領先優勢

Fish Audio Drama 3 在「每個模型各自以自己的一組聲音說話」的排行榜上，以 91 Elo 分領先 Ming 3.0 TTS；在「兩者都拿到相同八個克隆參考樣本」的排行榜上，則領先 17 分——這個差距窄到它們的信賴區間已經重疊。兩者都是過去六週內發布的開放權重版本，也都由 Artificial Analysis 評分；而在唯一一項要求真人判斷某個困難詞彙是否真的被正確說出口的測試中，兩者都落在 93.2%。三個數字，其中兩個指向不同方向。你相信哪一個，就決定你買哪一個模型；而答案取決於你的產品聽起來像它自己，還是像別人。

兩次發佈，相隔六週，以截然不同的規模打造

Drama 3 於 2026 年 10 月 13 日發布，並以 drama-3 之名在 Fish Audio 的 API 上線，權重也以新的社群授權條款發布於 Hugging Face。Ming 3.0 TTS 的登場則更為低調且零散：InclusionAI 的 Hugging Face 儲存庫於 9 月 22 日出現，0.5B 權重於 9 月 24 日現身，推論程式碼則要到 10 月 19 日才釋出——這也是為什麼 Artificial Analysis 直到 10 月 20 日才能對它進行評測。Ant Group 從未為其發布任何發布公告，且它沒有託管端點或定價。

規格表上的數字並不接近，而這是在排行榜有任何意義之前，首先要理解的事。

• 參數 — 35B 混合專家模型，每 token 約 3B 啟用參數，從 Qwen3.5-35B-A3B 初始化，並從 256 個專家中路由 8 個，外加一個共享專家；對比以 Qwen2.5-0.5B 為骨幹的 0.5B 稠密模型。Ant 還推出了名為 Ming-3.0-tts-tiny 的 7.9B 總參數／1.3B 啟用參數 MoE，但後者完全沒有獨立評分。

• 語言涵蓋範圍——Drama 3 宣稱涵蓋 83 種語言，而 0.5B Ming 檢查點則涵蓋七種語言（中文、英文、德文、西班牙文、法文、韓文、日文），此外，當你提供方言參考語音片段時，還包括四川話與粵語。

• 輸出 — 兩者皆為 44.1 kHz，卻由截然不同的機制生成：Drama 3 沿用前代的 Descript Audio Codec 分詞器，維持十個碼本與約每秒 21.5 幀；Ming 則透過 AudioVAE 解碼連續潛在表徵。

• 權重與授權——Drama 3 採用 Fish Audio 社群授權條款 v1.0，年營收低於 50 萬美元可免費使用，超過此門檻或將合成服務轉售時則可另行協商。Ming 3.0 TTS 採用 MIT 授權，完全沒有營收門檻。

• 價格 — 定價為每百萬 UTF-8 位元組 US$50，在 2026 年 11 月 12 日之前折扣至 US$10；相較之下則沒有價格，因為沒有東西可買：你下載 2.96 GB 的檢查點並執行即可。

規模差異是一體兩面。Drama 3 的 35B 主幹模型讓它能在長篇腳本中維持同一個方向，並把多位說話者安排進同一個場景，每位說話者各有一個 voice ID，並以陣列形式傳入；這也是為什麼沒有人會把它裝在筆電上跑。Ming 的 0.5B 則是可以在單張規格普通的 GPU 上提供服務，並在租來的一張 GPU 上微調的模型。

為什麼 Artificial Analysis 會給出兩個不同的答案

大家最先引用的排行榜是 Provider Voice Arena，而在那裡，Drama 3 已取得實質領先。截至 10 月 29 日，它在 100 個模型中排名第六，Elo 為 1,278，Artificial Analysis 依其預設設定估價為每百萬字元 15 美元。Ming 3.0 TTS 則以 1,187 排名第二十四，且未記錄價格，因為沒有可記錄的商業端點。在一個信賴區間約為 ±13 至 ±18 的排行榜上，91 分的差距並非雜訊；Drama 3 的原生語音更受偏好，而且明顯如此。同一張表上的一個細節說明了部分原因：Artificial Analysis 以三個 Arena 語音評測 Ming，並以八個語音評測 Drama 3。

第二個榜單問的是不同的問題，領先優勢也煙消雲散。Controlled Voice Arena 給每個系統相同的八個克隆語音——四個美式、四個英式——因此比較不再是誰的配音員更好，而是每個模型套用別人聲音的表現有多好。在那裡，Drama 3 得分 1,085，在 49 個系統中排第 12，區間為 1,069 到 1,101。Ming 得分 1,068，排第 17，區間為 1,053 到 1,083。兩個區間共享 1,069 到 1,083 的範圍。那是平手；若說不是，就是把精確度讀進一份其實並不具備精確度的調查。

另請注意，Artificial Analysis 在該榜單上仍列有獨立的一列Drama 3 Preview，分數為 1,063，排名第二十。正式版檢查點與九月發布的預覽版是作為兩個不同系統來評分，因此若比較時引用「Drama 3」卻未說明指的是哪一列，那樣的比較並不成立。我們這裡的數字是正式版那一列。

從實務角度解讀：如果你的產品搭載自家的配音陣容——旁白、客服人員、遊戲內角色——Drama 3 的優勢真實且明顯。如果你的產品是複製客戶或創作者的聲音，並以該聲音發聲，那麼這兩個模型實際上旗鼓相當，決定因素反而落在價格、授權與語言涵蓋範圍上。

93.2% 的發音同分，其實是四種不同的結果

這兩個模型在 Artificial Analysis 的英語發音穩健性測試中，成績都被列為 93.2%——這是董事會於 10 月 20 日公布的結果，使它們在 31 個系統中並列第一，並領先拿到 91.7% 的 Eleven v4。這個搶眼的頭條數字被各方反覆引用，卻掩蓋了唯一在營運上真正關鍵的部分：這兩個模型是在截然不同類型的文本上失手的。

• 精確序列——Ming 保留它們的比例達 90.6%，在 31 個中排名第一；Drama 3 的對應數字為 86.3%。訂單編號、URL、檔案路徑與序號在 Ming 中保存得更好。

• 簡寫展開 — Ming 96.5%，在 31 項中亦居首，相較 Drama 3 的 93.6%。日期、單位與縮寫以口語讀出，而非逐字拼出。

• 獨立術語——Drama 3 以 95.9% 對比 Ming 的 88.5%，其中 Ming 在 31 個中排名第 21。品牌名稱、地名與技術詞彙是 Drama 3 最強的類別。

• 情境適切的用語 — Drama 3 為 95.3%，Ming 為 91.0%，於 31 項中排名第 13。

Ming 在單獨名稱上的弱點，反映其語音庫的組成：0.5B 內建超過一百種中文語音和五種英文語音，因此它在處理英文專有名詞時可運用的資源較少。Drama 3 的弱點則是鏡像的另一端——一個被訓練來呈現表演的模型，有時會把代碼數字也當成表演來呈現。

兩個 93.2% 都不是廠商自行回報的。兩者都來自同一套獨立評測框架，這正是它們得以互相比較的原因——值得一提的是，這在同類評測中相當罕見，因為大多數已發表的詞錯誤率表，都是由各實驗室用自己的提示詞跑出來的。

一百萬個字元實際上要花多少

Drama 3 依輸入大小計費：每百萬 UTF-8 位元組 50 美元，在 2026 年 11 月 12 日太平洋時間 09:00 前降為 10 美元。11 月 13 日那次五倍跳漲，是這項比較中最大的單一數字，也會依你查看的時間點，改變這兩個模型在每完成一小時成本上的排名。

還有一個計費陷阱，在你開始串接任何東西之前值得先知道。Drama 3 沿用與 S2.1 Pro 相同的 POST /v1/tts 端點；如果缺少 model 標頭或拼錯，請求會無聲地退回 s2.1-pro，並依此向你收費。你會得到聽起來合理的音訊，而且不會出現錯誤，所以環境變數裡的一個錯字可能持續好幾週，直到有人發現聲音不對。

Ming 完全沒有帳單，這跟免費並不是同一回事。你付出的是 GPU 時數與工程時間：0.5B 檢查點為 2.96 GB，需要把音訊 VAE、CAM++ 說話者編碼器與分詞器串接起來，而且背後並沒有廠商的支援承諾。Ant 發表了基準測試表與 Gradio 示範，而不是服務等級協定。

這正是路由器真正派得上用場、也真正幫不上忙的地方。OrcaRouter 以 0% 加成將供應商定價原樣轉出，因此像 Fish Audio 這類廠商促銷，只要屬於我們路由的範圍，當天就會同步反映——Drama 3 不在其中，Ming 也不在。我們目前確實提供的語音端點是 Google 的 Gemini TTS 系列，以及 OpenAI 的 TTS-1-HD，這些全都可透過 單一金鑰背後的同一個 API，與文字模型一同取用。若你正在比較 Drama 3 與 Ming，沒有任何路由層會為你託管其中任何一個；單一金鑰換來的是圍繞它們的其餘整條流程。

執照比排行榜更具決定性

MIT 與 Fish Audio 社群授權條款 v1.0 是這兩個選項之間最鮮明的分歧，而且這並非哲學層面的差異。Ming 的 MIT 條款允許任何規模的公司將模型嵌入付費產品、轉售、微調並發布衍生品，沒有營收門檻，也無需與 Ant 對話。

Drama 3 的授權在研究與非商業用途下可免費使用；若你與你的關聯企業年營收低於 US$500,000，商業使用亦可免費；超過該門檻則需協商授權——或者無論規模大小，只要你打算將 Drama 3 作為文字轉語音、複製或推論服務提供，也需協商授權。模型卡本身的常見問題集比大多數說明都更清楚：為客戶製作成品音訊沒問題，提供具競爭性的合成 API 則不行。

有一個細節應該查證而不是假設：fishaudio/drama-3 的 Hugging Face 中繼資料仍寫著 fish-audio-research-license，而卡片文字描述的卻是 Community License。如果你是要為這次部署簽核的人，請閱讀儲存庫中的授權檔案，而不是標籤。

對製作廣播劇的工作室來說，五十萬美元的門檻根本不成問題，真正該細讀的是服務條款。而對一家營收高於那條線、正要把語音功能做進產品的公司來說，Drama 3 是一場採購談判，Ming 則只是一行 pip install。

該選哪一個

支援或交易型語音，英文或中文。Ming。當機器人回讀訂單編號或預訂代號時，最關鍵的兩個項目它都勝出，而且它採用 MIT 授權，能在你現有的硬體上執行。在複製語音項目上並列平手，意味著你不必為了達到這個成果而犧牲自然度。

旁白、有聲劇、品牌內容密集的腳本、多種語言。戲劇 3。供應商語音方面的領先地位確實存在，專有名詞是其最強項，而 83 種語言對比 7 種，這不是靠提示工程就能彌補的差距。為 11 月的價格變動編列預算，並詳閱服務條款。

一條已經會做多次錄製的流程。Drama 3，但前提是你真的使用了修訂迴圈。Fish Audio 用人類偏好獎勵模型訓練它，並主打多輪修訂是獲得你想要的表現的方式；Ming 是單次生成的模型，沒有修訂機制可供權衡，因此這種錄製結構是選擇 Drama 3 的理由，而不是拿來比較兩者的理由。

任何以 VRAM 為限制條件的部署。Ming，毋庸置疑。一個在 H200 上進行基準測試的 35B 混合專家模型，不是那種你會因為方便就去跑的模型。

看什麼

三個日期，一個缺口。11 月 13 日，Drama 3 的促銷價到期，US$10 將變成 US$50，這是五倍的變動，將在一夜之間改寫這個類別中的每一項成本比較。在此之前，請留意 Artificial Analysis 是否會合併其 Drama 3 與 Drama 3 Preview 列，因為一個看板若把同一個模型列出兩次，正好會招來這篇文章極力避免的那種草率引用。另外，請留意 Ming-3.0-tts-tiny 的分數：7.9B MoE 版本是 Ant 實際主推用於播客生成的版本，而目前它只有廠商數據——中文詞錯誤率 0.820%、韓文 6.000%——背後沒有任何獨立資料支撐。

誠實的總結是：它們並不是同一款產品的兩個版本。一款是小型、以寬鬆授權釋出的主力工具，恰好特別擅長處理那些會讓語音系統出錯的文字；另一款是大型、授權受限的高效能引擎，在使用自家音色陣容時，恰好是榜單上聽感最出色的開放模型。91 分的領先幅度是真的，只不過它屬於一個大多數產品從未提出的問題。