Fish Audio Live 3 對比 Drama 3：一個模型讀劇本，另一個聽見現場

Fish Audio Live 3 和 Fish Audio Drama 3 並不是同一個問題的兩種答案，把它們當成競爭對手，是買錯產品最快的方法。Fish Audio 於 2026-10-13 發布的 Drama 3 是文字轉語音模型：你交給它文字和表演指示，它回傳音訊。於 2026-11-10 宣布的 Live 3 則是用於代理通話的雙工語音模型：它邊說邊聽，判斷停頓何時代表「繼續說」、何時代表「我說完了」，而且根據 Fish Audio 的說法，最快可在 186 毫秒內反應。一個是渲染器，另一個是對話者。

這種混淆可以理解，因為兩者都是 Fish Audio 的模型、都是近期推出，而且都以擅長其他 Fish Audio 模型所不擅長的事情作為賣點。但它們位於語音技術堆疊的不同層級、各自有獨立的文件說明，而且只有其中一個出現在 Fish Audio 公布的價目表上。因此，有用的比較不是哪一個更好，而是各自實際上負責哪項工作，以及它們在同一個產品內部哪裡交會。

每個模型經記載可執行的事項

Drama 3 是一個文字轉語音模型，而其公開證據在於偏好與發音，而非輪流發言。在 Artificial Analysis 的 Provider Voice Arena 上，它以 1,278 的 Elo 排名第六；在 Controlled Voice Arena 上（每個模型都對照相同的參考語音接受評判），它以 1,085 排名第十二。在兩個榜單上，它都是表中排名最高的開放權重模型，而較早的 Drama 3 Preview 紀錄——即十月受到媒體報導的那一筆——仍以 1,240 與 1,063 分開列出。在 English Pronunciation Robustness 基準測試中，其總體得分為 93.2%，在 31 個計分模型中與 Ming-3.0-tts 並列第一；分類細項比總體數字更重要：品牌與技術名稱等獨立詞語為 95.9%，數字與日期等簡寫展開為 93.6%，代碼與路徑等精確序列的保留為 86.3%，依上下文適當發音為 95.3%。

Live 3 的公開證據形態完全不同。Fish Audio 的公告是圍繞對話而非渲染來建構的，而它的三個實例全都與時機有關。

• 分段唸出電話號碼——「415… 555… 0132」——Live 3 可能會在各段之間說「嗯哼」或「好，415」，然後等待其餘部分。

• 來電者在客服人員朗讀營業時間時說「yeah」或「mm-hmm」，而 Live 3 會繼續進行，不會把這聲回應當成打斷。

• 來電者在說話途中修改訂單——「兩份披薩……不，三份。三份大份的。還有……其實，其中一份改成瑪格麗特」——而 Live 3 會等待每一次更正，而不是一聽到第一個看似完整的訂單就採取行動。

Fish Audio 表示，該模型最快能在 186 毫秒內決定做出回應，並將其描述為「mm-hmm」、「okay」這類簡短反應與快速確認，而非完整答覆。推出時它僅支援英語，可透過 Fish Agent Platform、Fish Audio 的 API，以及為企業提供的地端部署方式使用。它所欠缺的，是任何已公布的基準測試、任何獨立評分——截至 2026-11-11，Artificial Analysis 並無 Live 3 雙工評測項目——也沒有一條列在 Fish Audio 價目表上的資訊。

為什麼計價單位能說明它們是不同產品

Fish Audio 對 Drama 3 的計費方式是依輸入文字的 UTF-8 位元組數收費：定價為每百萬位元組 $50.00，上市促銷價為每百萬位元組 $10.00，促銷持續至 2026-11-30。公司自家文件將一百萬個 UTF-8 位元組換算為約 180,000 個英文單字，或約十二小時的語音——這表示 drama-3 按定價約為每小時生成音訊 $4.17，促銷期間則約為每小時 $0.83。這個計費單位之所以存在，是因為 TTS 輸入的文字量可知，輸出的音訊量也可知。

Live 3 完全不符合那個計價單位，而且它也沒有列在費率表上。雙工代理通話沒有固定腳本：輸入音訊是來電者說的任何內容，輸出音訊則是模型選擇說多少就算多少，而真正有趣的成本是連線分鐘數，而不是文字位元組。Fish Audio 尚未公布它會採用哪一種計量方式，這就是為什麼在任何成本比較中，Live 3 那一欄是空白，而不是便宜。

這兩個模型真正共用的，是一個平台。Fish Audio 的 Agent Platform 目前處於公開測試階段，可託管 Live 3 代理，並在 /v1/agent/* 下提供 REST 介面，附有 JavaScript 與 React SDK、可選用網頁小工具、電話號碼或自訂用戶端的通道，以及 session-token 驗證。該平台上的自訂 LLM 掛鉤會指向一個相容於 OpenAI 的端點，而這正是你可以接入自選推理層的接縫。

它們在同一款產品中交匯之處

真正有趣的問題不是哪個模型勝出，而是當兩者各自用在擅長的地方時，單一產品會長成什麼樣子。預訂專線需要在即時通話中使用 Live 3，因為暫停與更正都發生在通話中。同一個產品通常也需要 Drama 3，或類似的模型，來處理所有不是對話的部分：通話後的確認回讀、語音信箱問候語、外撥提醒，以及把來電者引導過來的那個行銷頁面上的長篇旁白。那些都是腳本已知的渲染任務，而 Drama 3 對外公布的強項——聽眾偏好度、93.2% 發音、83 種語言、依 Fish Audio Community License v1.0 發布且營收上限為 $500,000 的開放權重——正是渲染任務所需的強項。

這種拆分有一個值得直言的成本後果，因為這正是路由層不再只是抽象概念的地方。Live 3 代理背後的推理層可以指向任何採用 OpenAI 協議的端點；OrcaRouter 就位於該端點之後，透過單一金鑰即可使用 216 個模型，以供應商牌價提供且零加成，並在供應商發生錯誤時自動容錯移轉，因此代理內的規劃器可以更換，而不必動到語音層或電話號碼。路由 DSL 決定哪個模型處理哪一種通話，而模型融合讓便宜的模型草擬工具呼叫，再由更強的模型在實際觸發前檢查。OrcaRouter 不託管 Fish Audio Live 3 或 Drama 3——兩者都無法透過第三方端點取得，而此堆疊中的語音層仍由 Fish Audio 負責。它託管的是語音周遭的一切。

你真正需要的是哪一個？

如果輸出是檔案，你需要 Drama 3。旁白、有聲書、廣告、角色配音、對白配音、無障礙朗讀——任何由人寫下文字、而聽眾會聽一次並要求精緻的內容。它具備偏好分數、發音拆解、語言數量，以及可供你預測的已公布每位元組費率。它同時是開放權重，這在你需要自行運行時很重要。

你需要 Live 3如果你的輸出是一段必須經得起被打斷的對話。電話客服代理、預約專線、訂單接聽、支援分流——任何來電者會回話，而失敗模式是被搶話或必須重複一連串數字的情況。它有行為論據、廠商延遲下限和平台，但還沒有基準測試或價格。

你很可能兩者都需要前提是你正在打造語音產品，而不是做一個示範；而兩者的分界線，就在於即時互動與預先渲染之間。要避免的錯誤，是拿其中一個去做另一個的工作：TTS 模型無法決定什麼時候該停止說話，而雙工代理模型則是產出語音信箱問候語的一種昂貴且未經評估的方式。Fish Audio 兩者都賣，計價單位刻意不同，而把它們當成同一款產品來規劃的路線圖，從第一個月起就會錯估自身成本。