Fish Audio Drama 3 hay Breeze TTS 2: Chất lượng hay phần cứng?

Chọn chất lượng đầu ra hay khả năng triển khai?

Mô hình giọng nói mở là mô hình chuyển văn bản thành giọng nói cung cấp trọng số để người dùng tự triển khai, nhưng giấy phép và phần cứng quyết định bạn có thể dùng chúng trong sản phẩm ra sao. Fish Audio Drama 3 phù hợp với đội ngũ ưu tiên thứ hạng chất lượng và có GPU đủ lớn; Breeze TTS 2 hợp hơn với thử nghiệm tiết kiệm tài nguyên hoặc hệ thống tương tác thời gian thực. Trên Provider Voice Arena, Drama 3 đạt 1.278 Elo, hơn Breeze TTS 2 đúng 50 điểm; ở đấu trường giọng nói có kiểm soát, Drama 3 cũng dẫn với 1.085 so với 1.021. Vì vậy, nếu chỉ xét chất lượng trong nhóm trọng số mở, Drama 3 là lựa chọn rõ ràng. Nhưng khoảng cách hiệu năng không xóa được khác biệt triển khai: yêu cầu khoảng 48 GB VRAM chạy TTS của Drama 3 là một ngưỡng phần cứng hoàn toàn khác mức 6 GB của Breeze.

Thông số phần cứng và kết quả xếp hạng

Bảng dưới đây cho thấy vì sao không nên quyết định chỉ theo Elo. Drama 3 dùng kiến trúc hỗn hợp chuyên gia 35 tỷ tham số, nhưng khoảng 3 tỷ tham số hoạt động trên mỗi token; suy luận FP8 vẫn cần khoảng 48 GB VRAM. Breeze TTS 2 là mô hình dense 3 tỷ tham số, với checkpoint BF16 khoảng 6 GB. Một nhóm có GPU 24 GB có thể chạy Breeze ngay, còn Drama 3 đòi hỏi card lớn hơn hoặc cách chia mô hình mà nhà phát triển chưa tài liệu hóa. Breeze có mã suy luận PyTorch công bố, trong khi Drama 3 không có hướng dẫn chính thức cho CPU, Apple Silicon hay ROCm. Lợi thế tốc độ được Fish Audio nêu trên một H200 chưa được kiểm chứng độc lập, nên không nên lấy con số đó làm cơ sở duy nhất để lập kế hoạch.

Giấy phép và trải nghiệm triển khai mới là khác biệt lớn

Drama 3 đứng đầu trong nhóm trọng số mở ở cả đấu trường giọng nhà cung cấp lẫn giọng có kiểm soát; đây là lợi thế chất lượng đáng kể, nhưng không đồng nghĩa nó dẫn đầu toàn bộ bảng. Breeze TTS 2 nhẹ hơn và dễ thử nghiệm hơn, song giấy phép của nó chỉ dành cho nghiên cứu và phi thương mại, nên đưa vào sản phẩm thương mại cần có thỏa thuận riêng. Drama 3 dùng giấy phép cộng đồng: cho phép sử dụng thương mại miễn phí khi doanh thu hằng năm của đơn vị và bên liên kết dưới ngưỡng quy định; vượt ngưỡng hoặc vận hành dịch vụ TTS, sao chép giọng hay suy luận thì cần giấy phép từ Fish Audio. Giấy phép cũng cấm sao chép giọng người thật khi chưa có sự đồng ý. Nói gọn, Breeze thuận tiện cho nguyên mẫu nội bộ nhưng khó thương mại hóa hơn; Drama 3 khó chạy hơn nhưng có lối sử dụng thương mại rõ hơn trong giới hạn giấy phép. Cả hai đều không phải phần mềm nguồn mở.

Breeze TTS 2 được thiết kế cho phương tiện tương tác thời gian thực, nhưng chưa có số liệu độ trễ công bố ở cấp một luồng đơn. Drama 3 hướng đến đầu ra tường thuật chất lượng cao và có lợi thế về điểm phát âm, song điểm tổng hợp không nói hết mọi tình huống: nhận diện mã, đường dẫn và địa chỉ email là điểm yếu tương đối. Nếu sản phẩm thường đọc chuỗi ký tự chính xác, hãy thử trực tiếp với dữ liệu thực tế thay vì quyết định theo Elo. Tương tự, kiểm tra điều kiện giấy phép trước khi tích hợp, bởi “trọng số mở” không có nghĩa hai mô hình cho quyền sử dụng giống nhau.

Buy if / Skip if

• Buy the Fish Audio Drama 3 if bạn ưu tiên thứ hạng chất lượng trong nhóm trọng số mở, có GPU khoảng 48 GB VRAM và điều khoản giấy phép phù hợp với cách triển khai.
• Skip the Fish Audio Drama 3 if phần cứng hiện có chỉ ở mức 6–24 GB VRAM hoặc bạn cần một đường triển khai được tài liệu hóa cho CPU, Apple Silicon hay ROCm.
• Buy the Breeze TTS 2 if bạn cần thử nghiệm nội bộ tiết kiệm tài nguyên, có GPU hạn chế hoặc đang xây dựng ứng dụng giọng nói tương tác.
• Skip the Breeze TTS 2 if bạn cần triển khai thương mại ngay mà chưa có thỏa thuận riêng cho quyền sử dụng ngoài mục đích nghiên cứu và phi thương mại.