GPT-Live-1 對 Fish Audio Drama 3：一個可下載，一個只能租用

Fish Audio Drama 3 Preview以 41.5 GB 的可下載權重形式推出，你可以將這些權重載入自己的 GPU、檢查、微調，並在廠商失去興趣後繼續運行。 GPT-Live-1以 URL 形式推出。沒有可下載的權重，也沒有本機推論路徑；若不開啟對 OpenAI 的 v1/live/sessions端點的工作階段（每分鐘 0.05 美元），就完全無法聽到它。

那聽起來像採購細節。這就是決策本身。這些模式中，一個是附帶授權的資產；另一個是附帶計量錶的服務，而當你的產品比定價頁面存活得更久時，兩者的行為會截然不同。

Drama 3 究竟是什麼

Fish Audio 於 2026 年 10 月中旬推出 Drama 3 Preview：這是一款 3,500 億參數的混合專家（MoE）文字轉語音模型，每個 token 約有 30 億參數處於活躍狀態，架構建立在 Qwen3.5-35B-A3B 骨幹之上。它涵蓋 83 種語言，單一請求中最多可容納 16 位不同的說話者，能從簡短的參考音訊複製聲音，並接受以自然語言下達的指示——你可以告訴它某句台詞該聽起來無奈認命、加入某種音效，或標示哪些字詞要有所變化，它就會照著演繹出來，而不是平鋪直敘地唸過去。

多說話者上限是商業上真正關鍵的功能。雙人演出的廣播劇、有主持人與嘉賓的播客、有旁白與客戶的培訓影片——這些都只需一次 API 呼叫，而不是十六個拼接起來、底噪對不上的檔案。

在 Artificial Analysis 的 Provider Voice Arena 上（資料擷取於 2026 年 10 月 29 日），Drama 3 Preview 以 1240 Elo 位居第十一，並在開源權重項目中排名第一，領先以 1228 分居次的 Breeze TTS 2。Fish 回報 93.2% 的發音穩健性，為發表時宣稱的最高數值，也高於 ElevenLabs 針對 Eleven v4 所回報的 91.7%。

GPT-Live-1 究竟是什麼

OpenAI 的模型則是相反類型的物件。自 2026 年 9 月 10 日起，它已可按每語音分鐘 0.05 美元呼叫，並按秒計費，支援音訊與文字輸入輸出、串流與函式呼叫，且明確不支援結構化輸出。它是全雙工的：它說話時仍聽得到你，並在背景將繁重的推理交給文字模型。

它沒有語音複製產品，沒有多說話者模式，也沒有任何文件記載的方法能拿一份腳本、回傳一個可重現的固定音訊檔。它有的是對話。對電話客服代理來說，這正好完全正確。但對四個角色的場景來說，它不是更差的工具，而是錯誤類別的工具。

雙方印出的數字

這裡有個值得特別指出的細節，因為它會讓任何對照規格表的人感到困惑：Fish Audio 的 Drama 3 與螞蟻集團的 Ming-3.0-TTS，在相同的 Artificial Analysis 量測中，都回報了 93.2% 的發音穩健性。兩個不同的實驗室、兩種不同的架構，小數點後一位卻完全相同。

這不是複製貼上錯誤，也不是平手。這就是上限的樣子——剩下的 6.8% 是英文文字中最難處理的尾端：英數字序列、不尋常的專有名詞、依上下文判讀的數字。任何人宣稱頂尖開放權重模型之間有決定性的發音勝負，都只是在讀雜訊。有用的問題是你的內容實際上包含哪些失敗案例，而這需要測試你自己的文字，不是看排行榜。

授權條款就是沒有人會讀的那部分

Drama 3 是開放權重，並非寬鬆意義上的開源。它依 Fish Audio Community License v1.0 發佈：研究與非商業用途可免費使用；年營收低於 $500,000 的商業用途可免費使用；超過此門檻則需另行簽訂協議。第三方 API 託管需要另行取得授權，且必須標註出處。

那是一項合理的授權，也是一項實實在在的限制。由此產生三個後果：

• 在營收線之下，自架主機確實是免費的——你只需支付電費和 GPU 時間，別無其他。

• 在此之上，你又回到了談判桌上，而「我們擁有權重」的優勢已縮小為「我們在談話時仍能運行它們」。

• 將存取權轉售給自家客戶，無論你的營收多少，幾乎肯定需要另行簽訂獨立協議。

GPT-Live-1 的授權之所以更簡單，就像租賃合約之所以更簡單一樣：你按分鐘付費，你使用它，你停止使用。沒有營收門檻，沒有署名條款，也沒有揭露客戶數量的義務。那種簡單本身是有價值的，而且你的規模越小，它就越有價值。

硬體實際上要花多少錢

自行架設 Drama 3 在 FP8 下需要約 48GB 的 NVIDIA 記憶體，其中約 41.5GB 是權重。H100 或租用的 A100 等級執行個體足以承載；消費級顯示卡則難以輕鬆勝任。以下提供兩種切入角度。

如果你已擁有 GPU，語音合成的邊際成本幾乎為零，而託管價格顯得荒謬：Fish 標價為每百萬字元 50 美元，並正在進行首發促銷，截至 2026 年 11 月 12 日為每百萬字元 10 美元，而 Artificial Analysis 記錄的牌價為 15 美元。一段十分鐘、約 9,000 字元的場景，費用介於 9 美分到 45 美分之間，取決於你實際被收取的是這三個數字中的哪一個。

如果你不擁有 GPU，那你無論如何都是在租用 GPU，比較也就變成 GPU 小時對比百萬字元。以典型的每 GPU 小時 2 美元計算，一個合成速度比即時快十倍的模型，每租用一小時約可產生十小時的音訊——以正常語速大約是 54 萬字元。換算下來約為每百萬字元 3.70 美元，遠低於看板上的所有託管價格，但前提是持續使用。工作週期低於約 30% 時，租用就毫無優勢；而關於吞吐量的假設就只是假設：你必須在自己的執行個體上實測，而不是 Fish 公布的數字。

相較之下，GPT-Live-1 的成本則是線性而平淡無奇的：每分鐘 0.05 美元，每一分鐘都如此，沒有固定成本，也沒有使用率風險。十分鐘的對話是 0.50 美元。十分鐘的 Drama 3 旁白，按記錄的牌價大約是 0.135 美元。不同的工作、不同的計價方式，而其中一種的固定成本是可以攤提的。

租賃仍然勝出的地方

合規是託管模式低調的論據。Drama 3 的權重可以被複製、微調進競爭對手的產品，或留在你的法務團隊有意見的司法管轄區持續運行。GPT-Live-1 給你一個端點、一張發票，以及一個承擔模型端風險的供應商。對受監管的企業而言，這不是偷懶；這是保費。

延遲策略是第二點。全雙工輪流發言是一種行為，而不是一個檢查點：0.8 秒的輪次和 87% 的工具呼叫準確率，是 OpenAI 對此模型所報告的數字，而這兩者都是廠商數據，並非獨立測量。你無法用 Drama 3 下載那種行為，因為 Drama 3 並不想聽你說話。

而故障處理是第三點。可下載模型會在你的 GPU 故障時失效。託管模型則會在別人的 GPU 故障時失效——這是不同的風險，未必明顯更糟，而且是可以避險的風險。

要把樹籬種在哪裡

這層備援應該放在語音層之後，而不是語音層之內。這兩款模型都不是由 OrcaRouter 提供：Drama 3 的權重不在我們的目錄中，而 GPT-Live-1 只有一個端點，且沒有相容的介面。可路由的是對話式代理所依賴的推理環節——GPT-6 Astra，GPT-5.6 Terra、Claude、Gemini、Qwen——可透過單一金鑰，並具備自動容錯移轉，且以 0% 加成原樣反映供應商牌價。

這正是值得投入備援預算的地方。語音輸出故障是明顯而張揚的；但它背後文字模型的故障，才是那種會默默毀掉一整週通話品質的故障。把耳朵固定在你所選的模型上。把大腦保持在可替換的狀態。

決策，各以一段說明。

選擇 Drama 3，如果你製作的是音訊而非對話：場景、播客、配音、多角色訓練內容，而且如果你未達收益門檻，或已準備好就此進行協商。35B MoE、十六位講者的上限，以及 1240 Elo，是真正強大的組合，而權重意味著沒有人能把它從你手上奪走。

如果產品是即時對話，且價值在於打斷處理，請選擇 GPT-Live-1。它每交付一分鐘都更昂貴，不會給你任何可擁有的東西，而且它做到了 Drama 3 在結構上無法做到的一件事：邊說邊聽。

這兩者在規格表上相鄰，實際使用時卻天差地遠。任何人買了其中一個、期待它承担另一個的工作，都會斷定這個型號很糟，而其實這個型號從來就沒被要求做那件事。