Fish Audio Drama 3 對決 VoxCPM2：排行榜對上規格表

Fish Audio Drama 3 有 Elo 分數，VoxCPM2 則沒有，這使得兩者之間顯而易見的比較變得不可能，而真正有意思的比較反而容易被忽略。Drama 3 於 2026 年 10 月 13 日發布，並自那時起由 Artificial Analysis 評分，在 Provider Voice Arena 以 1,278 分位居第 6 名（共 100 名）。VoxCPM2 在 Artificial Analysis 的任何語音榜單上都沒有一列，也未出現在本頁引用的兩個競技場中。兩家實驗室都有公布的是 Seed-TTS-eval，而那裡的數字說出了單一排名無法傳達的事：在各自廠商自行執行的測試中，Drama 3 需要兩次才能勝過 VoxCPM2 的一次。這兩款模型之間的選擇，其實不在於品質，而在於你想要的是按字元計費租用的效能引擎，還是一個能自行持有的二十億參數模型。

一個有 Elo，另一個有規格表。

這種不對稱值得直白說明，因為大多數比較頁面都悄悄掩蓋了這一點。Drama 3 出現在所有重要榜單上：在 Provider Voice Arena 以 1,278 分排名第 100 中的第六，在 Controlled Voice Arena 以 1,085 分排名第 49 中的第十二，並在英文發音穩健性上以 93.2% 於 31 個中並列第一。VoxCPM2 則未出現在其中任何一個。

那種缺席並不是醜聞，也並非新鮮事。VoxCPM2 自 2026 年春季問世以來——專案文件將 2.0 系列定為三月，程式碼倉庫標記為 2026.04，技術報告則於六月以 arXiv:2606.06928 發表——在這段期間，卻始終沒有人把它放進盲聽競技場。最可能的解釋很無聊：競技場名額通常由有託管端點要推廣的廠商佔滿，而 OpenBMB 並不販售這類端點。VoxCPM2 在 Hugging Face 與 ModelScope 上發布權重，並透過 vLLM-Omni 提供 OpenAI 相容的 /v1/audio/speech 伺服器，這就是其散布與發布管道的全貌。

所以誠實的立場是這樣：我們可以把 Drama 3 拿來跟某個評分做比較，或者把這兩個模型拿來互相比較。我們沒辦法同時兩者兼顧，而任何呈現出 VoxCPM2 對上 Drama 3 的 Elo 的頁面，都是在憑空編造一個。

他們兩者所發布的唯一軸

Seed-TTS-eval 是這個領域最接近共同標尺的東西，而兩個實驗室都針對它提出報告。問題在於，雙方都沒有以相同格式公布完整表格，因此以下內容是兩家廠商在衡量自己。

• 英文詞錯誤率——Drama 3 在最終錄音上回報 {{1}}1.54%{{/1}}，在首次錄音上回報 {{2}}2.20%{{/2}}；VoxCPM2 則在單次生成中回報 {{3}}1.84%{{/3}}。Drama 3 完成後的最終錄音是三個數字中最佳的，而它的首次錄音則是最差的。

• 中文錯誤率 — Drama 3 在最終錄音為 0.83% CER，首次錄音為 1.00%；VoxCPM2 則為 0.97% CER。模式相同，Drama 3 的最終錄音領先，首次錄音大致持平。

• 說話者相似度 — Drama 3 在英文上報告 0.640（0–1 分制）；VoxCPM2 在英文上報告 75.3、在中文上報告 79.5，若按其報告他處採用的 0–100 慣例，即為 0.753 與 0.795。就它自己的數字而言，VoxCPM2 是更強的複製器。

• 更廣泛的壓力測試——VoxCPM2 也公布了十一種語言的 CV3-eval 錯誤率（zh 3.65%、en 5.00%、hard-zh 8.55%、fr 9.85%、it 4.25%、ru 5.21%），以及內部 30 種語言平均 1.68%。Drama 3 並未公布等效的逐語言錯誤表，因此沒有可與之並列比較的資料。

認真看待相似度差距，對詞錯誤差距則淡然處之。說話者相似度是最有可能在測試框架差異下依然成立的指標，因為它是同一段參考音訊的嵌入向量之間的餘弦距離。詞錯誤率則取決於正規化、文字預處理，以及使用了哪些參考音片段，而這兩個實驗室並未被要求就上述任何一點達成一致。方向是可信的——VoxCPM2 克隆得更忠實，Drama 3 在修訂後轉錄得更準確——但幅度並非一項測量結果。

沒有人會寫進標題的修訂稅

1.54% 與 2.20% 是同一个模型在同一项测试上的结果，差别只在于第一次录音是否就被采用。Fish Audio 的技术报告对此异常诚实：两者都如实呈现，因为反覆录音、重录修正正是产品本身。其诉求是：你用自然语言指示一句台词，聆听、重新指示，然后保留你想要的那次录音——而基准测试反映的正是最终保留的结果。

如果你的流程就是這樣運作，那麼你看到的就是 1.54% 這個數字。如果你是將單次處理串流進即時通話、遊戲對話台詞，或在沒有人員介入的情況下進行批次渲染，那你買到的是 2.20%——比 VoxCPM2 單次處理的 1.84% 還糟。這個翻轉是這項比較中最有用的一項事實，也是兩家廠商的表格都沒能清楚呈現的一點。它同時也為工作流程標出了代價：每一次額外重錄都是一次完整的合成，而 Drama 3 是按輸入字元計費，所以三次重錄的習慣會讓帳單變成三倍。

VoxCPM2 沒有這類修訂機制。它提供四種生成模式——零樣本、續寫、僅參考，以及參考加提示音訊的組合——而它面對不理想錄音的應對方式，就是用不同的風格標籤重新渲染。每次嘗試的成本較低，因為你不必按字元付費，但模型層面並不會記住被否決的那次錄音。

硬體最低要求才是真正的決策關鍵

這就是這兩個模型不再互為替代品的地方。

• VoxCPM2 的資源佔用——約 8 GB 的 VRAM，在 RTX 4090 上即時因子約為 0.30，搭配 Nano-VLLM 則為 0.13；該專案另外回報，透過 llama.cpp-omni 在 Apple M4 Pro 上以 Q8_0 執行時為 1.76。它可在工作站上運行。

• Drama 3 的資源佔用——Fish Audio 並未公布 VRAM 最低需求。其吞吐量表格是在 H200 上測得的：單一同時串流下為每秒 166.7 幀，首次音訊輸出的中位數為 88.9 毫秒；十六路併發時為每秒 927.6 幀；六十四路併發時為每秒 1,687 幀；單一串流設定下的 RTF 為 0.131。評測者認為 bf16 的需求是 48 GB 顯卡，而社群的 4 位元版本則宣稱約需 32 GB。它得在伺服器上執行，或是跑在別人的伺服器上。

• 吞吐量注意事項——發表文章引用單張 H200 的每秒 271 幀，而模型卡的串流表在單一請求下最高只到 166.7。兩者在不同的測量設定下都可能成立，但這表示標題上的速度數字不會是你的負載測試所重現的那個。

算術如下。以一般旁白語速計算，一百萬個字元大約是十五到二十小時的成品語音。在 RTF 為 0.30 的 4090 上，這相當於五到六小時的 GPU 時間；使用 Fish Audio 的 API 時，上市推廣期間為 US$10，11 月 12 日結束後則為 US$50。自行架設 VoxCPM2 的每小時音訊成本更低，每小時實驗成本更是低得多——你可以花一個下午反覆調整語音設計，而不必盯著計費表。

路由不會消除這項選擇，因此值得精確說明它實際的作用。OrcaRouter 並未託管這兩個模型；Drama 3 可透過 Fish Audio 自家的 API 及數個第三方平台取得，而 VoxCPM2 則以可自行部署的權重形式提供。我們實際承擔的是它們周邊管線的語音部分——Gemini 的 TTS 系列與 OpenAI 的 TTS-1-HD，並具備 跨供應商的自動容錯移轉，因此某個託管端點狀態不健康時，不會連帶讓產品停擺。如果問題是「這兩者我該跑哪一個」，答案取決於 VRAM，而不是路由。

執導一場演出與設計一個聲音

這兩個模型對於創意工作發生於何處意見不一，而這種分歧屬於架構層面，而非表面裝飾。

Drama 3 是導演的工具。你在受其管轄的詞語之前，以方括號寫下指示——[哽咽、低聲哭泣]——並可在句子中途更改這些指示。成對標籤可將指示限定到特定詞語：<whisper>、<emphasis>、<soft>、<fast>、<slow>、<stress>、<forceful>。發音可透過 CMU Arpabet、拼音或羅馬字，逐一音素鎖定；場景則以陣列形式，為每位說話者指定一個語音 ID。多個錄音版本可參照較早的版本進行修訂，而詞語級局部修補會重新渲染單一被標記的詞語，使其契合周遭的錄音內容——不過互動式編輯與局部修補仍處於僅限邀請的測試階段，編輯 API 則列為即將推出。

VoxCPM2 是一款設計工具。它的主打功能是語音設計：以自然語言描述說話者，就能在完全沒有參考音訊的情況下取得聲音。除此之外，它還能進行零樣本克隆、從提示接續生成、僅以參考音訊進行克隆並搭配獨立的參考通道（因此不需要與該片段相符的逐字稿），以及透過標籤進行風格控制。限制在於範圍：它塑造的是聲音與表達方式，而非場景。它沒有說話者陣列語法、沒有多角色對話模式，也沒有詞級修復功能。

對於雙人演出形式的廣播劇而言，這項差異在還沒做任何基準測試之前就已決定勝負。對於需要在整份作品目錄中維持單一一致品牌聲音的產品來說，VoxCPM2 的設計模式是更省事的路徑，而 Drama 3 的指示語法大多是額外的負擔。

取樣率、語言，以及編解碼器引數

• 輸出——VoxCPM2 透過非對稱的 AudioVAE V2 以 48 kHz 輸出，該編碼器以 16 kHz 編碼、以 48 kHz 解碼；Drama 3 則維持在 44.1 kHz，透過十碼簿的 Descript Audio Codec 生成，幀率約為每秒 21.5 幀。VoxCPM2 多出的 3.9 kHz 確實存在，但在壓縮的交付格式旁幾乎聽不出來。

• 架構 — {{1}}VoxCPM2{{/1}} 在設計上不依賴分詞器，直接在 {{2}}MiniCPM-4{{/2}} 骨幹上預測連續潛變量，並主張音訊編解碼器才是瓶頸；{{3}}Drama 3{{/3}} 則保留離散 token，並將其 35B 參數投注於碼本多 token 預測解碼器，該解碼器會在前兩個之後預測其餘九個殘差碼本。這是關於品質上限所在之處的兩種押注。

• 語言 — Drama 3 宣稱支援 83 種，相較之下 VoxCPM2 支援 30 種，另加九種漢語方言（四川話、粵語、吳語、東北話、河南話、陝西話、山東話、天津話、閩南話）。如果你需要泰語、越南語、希伯來語和斯瓦希里語，VoxCPM2 這四種全都具備，而 Drama 3 在其中任何一種都沒有明顯更強；如果你需要 83 種，這裡只有一款值得納入考慮。

• 訓練資料 —— VoxCPM2 是以 236 萬小時的語音訓練而成（180 萬小時的中文與英文，加上 56 萬小時的多語言），這是其文件精確公布的數字。Fish Audio 並未公布對等數字，這與其說是批評，不如說是另一個顯示這兩篇論文並非為了相互比較而撰寫的地方。

授權條款：VoxCPM2 唯一完勝的地方

VoxCPM2 採用 Apache 2.0 授權。任何公司，無論營收多寡，都能將其嵌入、修改、微調、再散布並販售其輸出，沒有門檻，也無需協商。LoRA 與 SFT 微調皆受支援並有相關文件說明。

Drama 3 採用 Fish Audio 社群授權條款 v1.0：研究與非商業用途免費，當您與您的關係企業年營收低於 500,000 美元時可免費商用，超過此門檻則需另行協商授權——或者無論規模大小，只要您想將 Drama 3 作為 TTS、聲音複製或推論服務提供，也需協商授權。已完成的客戶音訊在任何營收規模下都明確允許；具競爭性的合成 API 則不允許。Artificial Analysis 將其標註為「開放權重但不含商用權利」，這是對該限制相當貼切的一句話總結。

還有一個細節需要查證，而不是直接相信：fishaudio/drama-3 的 Hugging Face 中繼資料仍顯示 fish-audio-research-license，而卡片文字描述的卻是 Community License。在你依據該標籤打造產品之前，請先閱讀儲存庫中的授權條款檔案。

對一家有融資、正在推出語音功能的公司來說，這整個比較就濃縮成一句話：VoxCPM2 不會讓你在法律審查上花任何成本，Drama 3 則要你付出跟業務團隊談上一場的代價。

依限制條件挑選，而非依分數

你有一張 GPU，還有一個要交付的產品。 VoxCPM2。8 GB、Apache 2.0、48 kHz，還有一種語音設計模式，讓你在第一個下午就能取得可用的品牌語音。你放棄的是場景指導，以及同類中最佳的供應商語音評分。

您正在製作由人類介入把關的腳本化音訊。Drama 3。括號指示、限定範圍標籤、句中切換與字詞層級修補，是開放權重模型最接近錄音工作階段的做法，而 1.54% 的英文 WER 正是修訂迴圈所換來的成果。請為 11 月 12 日的價格調整編列預算，並先閱讀服務條款。

你需要三十種以外的語言。Drama 3，或兩者皆非——但請針對該特定語言查核 Fish Audio 自己宣稱的涵蓋範圍，而不是包裝上標示的「83」。

你正在大規模複製某個特定人物的聲音。VoxCPM2 的說話者相似度是本頁最高的數值，而其獨立的參考通道意味著你可以直接從一段音訊片段複製聲音，無須對應的逐字稿。Drama 3 的優勢在於方向性，而非對參考音訊的保真度。

最不該做的事，就是替它們排名。沒有共同的競技場、沒有共同的人類偏好研究，也沒有共同的錯誤測試框架——只有一個模型帶著 Elo 評分，另一個帶著規格表，而決定取決於你擁有什麼硬體，以及授權條款允許你用它做什麼。