Was Fish Audio für Drama 3 berechnet
Drama 3 ist Fish Audios steuerbares Text-to-Speech-Modell, am 13. Oktober 2026 als Open Weights, in den Web- und Mobile-Apps und über die API veröffentlicht. Wenn Sie das Modell selbst interessiert, behandeln meine Drama-3-Übersicht und das Drama-3-Review es. Dieser Beitrag dreht sich nur um die Rechnung.
Ich baue die Integrationen von eesel, daher verbringe ich einen Großteil meiner Woche damit, die API-Abrechnungsdokumente anderer Firmen so genau zu lesen, dass ich die Rechnung vorhersagen kann, bevor sie eintrifft. eesel hat dieses Jahr die eigenen Preise auf Credit-Pläne umgestellt, ich saß also auf beiden Seiten der Debatte „Credits oder nutzungsbasiert?“. Fish Audio verkauft Drama 3 gleichzeitig auf beide Arten, und die beiden Preislisten stimmen nicht immer überein.
Hier ist alles, was Fish Audio veröffentlicht, geprüft am 14. Oktober 2026:
| Zahlungsweg | Preis | Abrechnungseinheit | Quelle |
|---|---|---|---|
| API, Drama-3-Einführungsangebot (13. Okt. bis 12. Nov.) | $10 | pro 1 Mio. Zeichen | Launch-Beitrag |
| API, Drama-3-Listenpreis | $50 | pro 1 Mio. Zeichen | Launch-Beitrag |
| API, S2.1 Pro | $15 | pro 1 Mio. UTF-8-Bytes | API-Preisdokumentation |
| API, S2.1 Pro Free | $0 | pro 1 Mio. UTF-8-Bytes | API-Preisdokumentation |
| Web-App-Pläne | $0 / $15 / $100 / $999 im Monat | Credits, gleicher Satz wie S2.1 Pro | Planseite |
| Selbst gehostete Open Weights | Kostenlos unter 500.000 US-Dollar Jahresumsatz | Lizenz | Launch-Beitrag |
Zuerst eine Merkwürdigkeit: Die offizielle API-Preistabelle führt drama-3 immer noch nicht auf. Stand heute zeigt sie s2.1-pro, s2.1-pro-free, s2-pro und das veraltete s1, alle pro UTF-8-Byte bepreist. Der Launch-Beitrag ist die einzige Stelle, an der Fish Audio den Drama-3-Preis nennt.
Die API selbst ist Pay-as-you-go: „no subscription fees or monthly minimums“, laut Dokumentation. Sie laden ein Guthaben auf, und Anfragen verbrauchen es.
Was eine Stunde Audio wirklich kostet
Preise pro Million Zeichen sind schwer greifbar. Fish Audio nennt in seiner Dokumentation eine Umrechnung: 1 Mio. UTF-8-Bytes sind etwa 180.000 englische Wörter oder rund 12 Stunden Sprache. Bei Englisch entspricht ein Zeichen einem Byte, also ergeben 1 Mio. Zeichen etwa 83.000 Zeichen pro Stunde Audio. Mit diesem Verhältnis kostet jeder Zahlungsweg pro Stunde so viel:
Zwei Dinge fallen auf. Im Einführungszeitraum ist Drama 3 über die API pro Stunde günstiger als jeder Plan und sogar günstiger als S2.1 Pro, das ältere Modell, das es ersetzt. Nach dem 12. November liegt die API zum Listenpreis genau zwischen dem Pro- und dem Plus-Plan, und der Instinkt „die API ist immer günstiger“ stimmt nicht mehr.
Ein Hinweis zum Anbietervergleich nach Stunden: Jeder Anbieter geht von seiner eigenen Sprechgeschwindigkeit aus. Die API-Seite von ElevenLabs rechnet 1.000 Zeichen auf etwa eine Minute um, also 60.000 Zeichen pro Stunde, während Fish Audios Zahl auf etwa 83.000 hinausläuft. Vergleichen Sie pro Zeichen, wie es der Rechner unten tut, und betrachten Sie jede Pro-Stunde-Zahl als Richtwert.
Die Preisklippe am 12. November
Fish Audios Launch-Beitrag beschreibt zwei getrennte Aktionen bis zum 12. November, und sie verhalten sich sehr unterschiedlich.
- Für Entwickler: Die API kostet vom 13. Oktober bis 12. November $10 pro Million Zeichen, 80 % unter dem Listenpreis von $50. Fish Audio beschreibt dies als Datumsfenster, daher würde ich annehmen, dass jede Anfrage nach dem 12. November mit $50 abgerechnet wird, egal wann Sie Ihr Guthaben aufgeladen haben.
- Für Creator: Ein neuer Plus-, Pro- oder Max-Plan kostet bei monatlicher Zahlung im ersten Monat 50 % weniger, bei jährlicher Zahlung im ersten Jahr. Das bleibt bestehen: Kaufen Sie vor der Frist einen jährlichen Pro-Plan, zahlen Sie $450 statt $900 für zwölf Monate.
Fish Audio sagt außerdem in seiner Pressemitteilung zum Launch, dass Unternehmen, die von einem anderen Sprachanbieter wechseln, die ersten drei Monate kostenlos erhalten. Wenn Sie ein großer Kunde von ElevenLabs oder Cartesia sind, lohnt sich ein Gespräch mit dem Vertrieb, bevor Sie selbst rechnen.
Mein praktisches Fazit: Wenn Sie einen Berg an Skripten zu vertonen haben, sind die nächsten vier Wochen die günstigsten, die Drama 3 je sein wird. Rendern Sie jetzt den Altbestand; planen Sie den Dauerbetrieb mit $50.
Eigene Zahlen einsetzen
Der Rechner unten verwendet Fish Audios veröffentlichte Preise und lässt Sie die zwei Kosten ergänzen, die die meisten vergessen: Klammer-Anweisungen und Wiederholungen. Wählen Sie auch Ihre Skriptart, denn sie ändert den Preis von S2.1 Pro (mehr dazu im nächsten Abschnitt).
Drei Rechenbeispiele, alle Englisch, eine Aufnahme, keine Anweisungen:
| Anwendungsfall | Zeichen pro Monat | Audio | Drama 3 Einführung | Drama 3 Liste | S2.1 Pro | Eleven v4 API |
|---|---|---|---|---|---|---|
| Ein Hörbuch mit 90.000 Wörtern, einmalig | 500.000 | etwa 6 Stunden | $5 | $25 | $7,50 | $40 |
| Ein YouTube-Kanal, 20 Videos mit je 1.500 Wörtern | etwa 167.000 | etwa 2 Stunden | $1,67 | $8,33 | $2,50 | $13,33 |
| Eine Plattform, die 50 Mio. Zeichen vertont | 50.000.000 | etwa 600 Stunden | $500 | $2.500 | $750 | $4.000 |
In der Hörbuch-Zeile schlagen Wiederholungen zu. Fish Audios eigener Rat lautet „takes vary, so render a few and keep the one that plays“, und jede Aufnahme wird berechnet. Drei Aufnahmen pro Kapitel plus 20 % Text in Anweisungen machen aus dem Hörbuch zum Listenpreis von $25 ganze $90. Wenn Sie KI-Videoskripte oder lange Erzähltexte in großem Umfang produzieren, planen Sie nach Aufnahmen, nicht nach Wortzahl.
Zeichen vs. Bytes: die Falle bei nicht-englischen Schriften
Das ist das Detail, das ein Produktmanager meiner Meinung nach kennen sollte, bevor er ein Sprachbudget freigibt. Fish Audio bepreist S2.1 Pro pro Million UTF-8-Bytes und Drama 3 pro Million Zeichen. Bei englischem Text sind beide identisch. Bei anderen Schriften nicht, denn UTF-8 speichert die meisten lateinischen Buchstaben in 1 Byte, Kyrillisch, Arabisch, Hebräisch und Griechisch in 2 und Chinesisch, Japanisch, Koreanisch, Hindi und Thai in 3.
Die Aussage „Drama 3 kostet 3,3x mehr als S2.1 Pro“, die Sie in englischsprachiger Berichterstattung finden, auch in meinem eigenen Review, gilt also nur für Englisch. Bei einem japanischen oder koreanischen Skript kostet Drama 3 zum Listenpreis nur das 1,1-Fache von S2.1 Pro, und im Einführungszeitraum weniger als ein Viertel.
Zwei ehrliche Einschränkungen. Fish Audio hat seiner Dokumentationstabelle keine drama-3-Zeile hinzugefügt, daher ist nicht dokumentiert, wie das Abrechnungssystem ein „Zeichen“ zählt. Und ein chinesisches Zeichen trägt mehr Sprache als ein englischer Buchstabe, daher sind Kosten pro Stunde zwischen Sprachen nicht vergleichbar. Wenn Sie lokalisierte Inhalte vertonen, senden Sie in jeder Sprache eine Testanfrage und lesen Sie Ihre Nutzungsseite, bevor Sie hochskalieren. Dieselbe Disziplin pro Sprache, die ich für mehrsprachige QA empfehle, gilt auch für Sprachbudgets.
Die anderen Posten: Anweisungen, Sprecher-Tags und Zusatzleistungen
Drama 3s Hauptfunktion ist, dass Sie den Vortrag in einfachen Worten steuern. Fish Audios Dokumentation sagt, die TTS-Preise seien „based on the size of input text“, und die Anweisungen sind Eingabetext. Soweit die Dokumentation es beschreibt, werden sie berechnet.
| Zeile | Zeichen | Wofür Sie zahlen |
|---|---|---|
I'm fine. | 9 | Die Wörter |
[barely holding it together] I'm fine. | 38 | Die Wörter plus eine Anweisung mit 28 Zeichen |
<|speaker:0|> | 13 | Ein Sprecher-Tag, einmal pro Redebeitrag in einer Szene mit mehreren Stimmen |
Das Beispiel ist extrem, denn eine kurze Zeile mit einer langen Anweisung vervierfacht ihre Kosten. Über ein echtes Skript hinweg kostet leichte Regie etwa 10 bis 25 % extra. Eine kleine Steuer, aber der Grund, warum ich Anweisungen kurz halten würde („[tired]“ statt „[sounding tired after a long day]“), sobald eine Pipeline im großen Stil läuft.
Die weiteren API-Preise, die Fish Audio in der Preisdokumentation veröffentlicht:
- Speech to Text:
transcribe-1-proundtranscribe-1zu $0,36 pro Audiostunde, sekundengenau abgerechnet, Stille eingeschlossen. - Voice Design:
voice-design-1zu $0,01 pro erfolgreicher Anfrage, auch wenn mehrere Kandidaten zurückkommen. - Parallelität hängt von den Ausgaben ab: 5 gleichzeitige Anfragen bei unter $100 Zahlung, 15 ab $100, 50 ab $1.000. Vorauszahlung schaltet die Stufe sofort frei, ein Produktivstart kann also bedeuten, $1.000 nur für den Durchsatz aufzuladen.
Und eine Abrechnungsfalle aus der Drama-3-Dokumentation: Fehlt der model-Header oder ist er falsch geschrieben, schlägt die Anfrage nicht fehl. Sie fällt stillschweigend auf s2.1-pro zurück, und Sie zahlen für S2.1-Pro-Audio, das nie Drama 3s Schauspiel hatte. Im Einführungszeitraum ist das auf Englisch sogar das teurere Modell, ein Tippfehler kostet Sie also doppelt.
Fish-Audio-Pläne: Credits, Minuten und welcher sich lohnt
Wenn Sie lieber in der Web-App von fish.audio arbeiten, statt die API aufzurufen, zahlen Sie einen Monatsplan in Credits. Fish Audio sagt, Drama 3 koste dieselben Credits wie S2.1 Pro.
| Plan | Monatlich | Jährlich, Standard | Jährlich, erstes Jahr vor 12. Nov. | Credits pro Monat | Minuten laut Plankarte | Kosten pro Stunde, monatlich | Gut zu wissen |
|---|---|---|---|---|---|---|---|
| Free | $0 | $0 | $0 | 8.000 | Bis zu 7 | n. z. | 500 Zeichen pro Generierung, kein Voice Cloning, keine kommerzielle Nutzung |
| Plus | $15 | $132 | $66 | 250.000 | Bis zu 200 | $4,50 | 15.000 Zeichen pro Generierung, kommerzielle Nutzung, Voice Design, 1 professioneller Stimmplatz |
| Pro | $100 | $900 | $450 | 2.000.000 | Bis zu 1.620 | $3,70 | 3 Team-Plätze, 30.000 Zeichen pro Generierung, 5 professionelle Stimmplätze, 7 Tage Geld-zurück-Garantie |
| Max | $999 | $8.988 | $4.494 | 25.000.000 | Bis zu 6.250 | $9,59 | 10 Team-Plätze, 15 professionelle Stimmplätze |
| Enterprise | Individuell | Mengenpreis, jährliche Abrechnung | n. z. | Individuell | Individuell | n. z. | Zero Data Retention, On-Premise-Bereitstellung, SOC 2 |
Nicht genutzte Credits werden laut Plan-FAQ nicht übertragen.
Hier der Teil, bei dem ich die Seite dreimal lesen musste. Dieselbe FAQ sagt, jede Minute Generierung koste „roughly 600 to 625 credits“. Bei 625 Credits pro Minute würde Plus 400 Minuten kaufen, Pro 3.200 und Max 40.000. Die Plankarten nennen 200, 1.620 und 6.250. Die beiden stimmen nicht überein, und die Lücke ist bei Max am größten: Nach Credits ist es der günstigste Plan pro Stunde (etwa $1,50), nach den gedruckten Minuten der teuerste ($9,59).
Ich kann von außen nicht sagen, welche Zahl für Drama 3 stimmt. Mein Rat: Planen Sie mit den auf der Karte gedruckten Minuten, sehen Sie die FAQ als Bonus und lassen Sie sich vom Fish-Audio-Vertrieb bestätigen, bevor Sie sich auf Max festlegen. Nach den Karten wie gedruckt ist Pro der Sweet Spot, und ein vor dem 12. November gekaufter Jahresplan Pro senkt ihn im ersten Jahr auf etwa $1,39 pro Stunde.
Self-Hosting: kostenlose Weights, mit Umsatzgrenze
Der dritte Weg ist, nicht zu zahlen. Drama 3 erscheint als Open Weights auf Hugging Face unter der Fish Audio Community License v1.0. Laut Launch-Beitrag ist es für Forschung und nicht-kommerzielle Nutzung kostenlos und für kommerzielle Nutzung kostenlos, wenn Sie und Ihre verbundenen Unternehmen unter 500.000 US-Dollar Jahresumsatz liegen. Fertiges Audio für Kunden zu erstellen ist ausdrücklich erlaubt. Oberhalb der Grenze oder um Drama 3 anderen als TTS-, Voice-Cloning- oder Inferenz-API anzubieten, brauchen Sie eine Lizenz von Fish Audio.
Fish Audio hat nicht veröffentlicht, was diese Lizenz für Drama 3 kostet. Für frühere offene Modelle führt die Entwicklerseite Self-Hosting als Enterprise-Vereinbarung für $10.000 im Monat auf, mit einer „effective floor“ von $120.000 bis $150.000 im Jahr. Ich würde nicht davon ausgehen, dass Drama 3 genauso bepreist ist, aber es zeigt die Größenordnung.
Die Reaktion der Community auf die Lizenz war gemischt, aber pragmatisch:
"License is a bit lame but I understand they need to make money too lol"
Die andere Hälfte der Self-Hosting-Kosten ist Hardware. Drama 3 ist ein Mixture-of-Experts-Modell mit 35 Mrd. Parametern und etwa 3 Mrd. aktiven pro Token. Ein Reddit-Nutzer ließ es mit Hilfe von Claude Opus 5.5 auf zwei RTX 3090 mit etwa 39 GB VRAM laufen, und andere erwarten, dass quantisierte Versionen auf kleinere Karten passen:
"it's a 35A3B, it will probably run on way smaller cards at the cost of some quality (quants)"
Meine Faustregel: Zum Einführungspreis von $10 kaufen $100 10 Mio. Zeichen, etwa 120 Stunden englisches Audio, und kein Self-Hosting-Setup schlägt das für einen Monat. Zum Listenpreis von $50 lohnt sich Self-Hosting, sobald Sie Hunderte Stunden im Monat vertonen, die GPUs schon besitzen oder das Audio auf eigenen Servern bleiben muss. Wenn Sie neu im Betrieb offener Modelle sind, zeigt mein Leitfaden zu Hugging-Face-Preisen, was gehostete Inferenz stattdessen kostet.
Wie sich die Drama-3-Preise vergleichen
Hier steht Drama 3 neben den Sprach-APIs, mit denen man es am ehesten vergleicht, nur mit Preisen von der jeweiligen Anbieterseite.
| Modell | Preis pro 1 Mio. Zeichen (Englisch) | Open Weights | Kostenlose API-Option | Mehr Details |
|---|---|---|---|---|
| Fish Audio Drama 3, Einführung (bis 12. Nov.) | $10 | Ja, umsatzbegrenzt | Nein | Drama-3-Review |
| Fish Audio Drama 3, Liste | $50 | Ja, umsatzbegrenzt | Nein | Drama-3-Übersicht |
| Fish Audio S2.1 Pro | $15 (pro 1 Mio. Bytes) | S2-Familie, Forschungslizenz | Ja, S2.1 Pro Free | Dieser Beitrag |
| Eleven v4 | $80 | Nein | Credits im Free-Plan | Eleven-v4-Preise |
| Eleven v4 Turbo | $40 | Nein | Credits im Free-Plan | ElevenLabs-Preise |
Zum Listenpreis ist Drama 3 pro Zeichen immer noch etwa 38 % günstiger als Eleven v4, und es ist das einzige in der Tabelle, das Sie herunterladen können. Im Aussprachetest von Artificial Analysis erzielte es außerdem mehr (93,2 % vs. 91,7 %), landete aber bei der Stimmpräferenz auf Platz 10, was zählt, wenn Ihre Hörer Stimmen nach Gehör wählen. Eine X-Antwort fasste die Überraschung bei Preis und Qualität zusammen:
"open weights beating eleven on pronunciation is wild"
Für den Rest des Feldes habe ich Gemini 3.8 Flash TTS Preise, Hume AI Preise und Cartesia Sonic 3 separat aufgeschlüsselt.
Wenn Sie auf OpenAIs Stack setzen, sind die OpenAI Speech API und der breitere Leitfaden zu OpenAI-API-Preisen die Basis.
Meine Übersicht zu ElevenLabs-Alternativen und die Liste der KI-Sprachanbieter decken die Anbieter ab, die ich hier nicht bepreist habe.
Wie man für Drama 3 am besten zahlt
Zusammengefasst würde ich in jeder Situation so vorgehen:
- Sie haben einen Berg an Skripten zu vertonen: Nutzen Sie die API vor dem 12. November. Mit etwa $0,83 pro Stunde ist es das günstigste Drama 3, das es je geben wird.
- Sie sind Solo-Creator in der Web-App: Kaufen Sie vor der Frist einen jährlichen Plus- oder Pro-Plan. Die 50 % Rabatt im ersten Jahr sind der einzige Rabatt, der den 12. November überlebt.
- Sie vertonen englische, schlichte Erzählung in großem Umfang: S2.1 Pro zu $15 pro Million Bytes bleibt auch nach dem 12. November der bessere Kauf. Sie würden 3,3x für Schauspiel zahlen, das Sie nicht nutzen.
- Sie vertonen Chinesisch, Japanisch oder Koreanisch: Drama 3 zum Listenpreis kostet pro Zeichen nur etwa 11 % mehr als S2.1 Pro, das Upgrade ist also fast kostenlos. Testen Sie vorher die Abrechnung.
- Sie liegen unter 500.000 US-Dollar Umsatz und haben GPUs: Hosten Sie die Open Weights selbst und nutzen Sie die API als Überlauf.
- Sie bauen Live-Sprachsupport: Das ist das falsche Modell und die falsche Preisfrage. Fish Audio sagt, Drama 3 leiste am meisten bei geskripteten Zeilen, die Sie einmal rendern und behalten. Schauen Sie sich stattdessen spezialisierte KI-Sprachagenten und die Preisübersicht zu Grok Voice Think Fast 2 an, und denken Sie von der Support-Seite daran, dass das Schwierige eine richtige Antwort ist, nicht eine schöne Stimme. Meine Übersicht zu Sprach-Support geht tiefer.
Wenn Sie noch klären, wie Text-to-Speech- und Speech-to-Text-Modelle zusammenpassen, ist Whisper vs. TTS API eine gute Einführung.
eesel für das Skript vor der Stimme
Jede Zahl in diesem Beitrag ist ein Preis pro Zeichen Skript. Drama 3 liest, was Sie ihm geben, und Sie zahlen für jedes Wort, jede Anweisung und jede Wiederholung. Der günstigste Weg, die Sprachrechnung zu senken, ist ein strafferes, besseres Skript, das weniger Aufnahmen braucht.
Genau dafür ist eesels KI-Blog-Writer da. Es ist ein KI-Teammitglied, das ein Thema aus Primärquellen recherchiert, den langen Beitrag in Ihrer Markenstimme schreibt, die Bilder erzeugt und Ihnen einen Entwurf übergibt, bereit zur Veröffentlichung oder zur Umwandlung in Audio und Podcast-Skripte. eesel betreibt es seit Monaten als eigene Content-Engine, und der SEO-Content-Lead eines Kunden, bei einem KI-Telefonsupport-Startup, sagte es schlicht:
"this is definitely the best seo tool I've used so far"
Wenn Sie gleich ein Einführungsbudget für die Vertonung eines Content-Rückstands ausgeben, schreiben Sie den Rückstand zuerst gut. Sehen Sie auf der Preisseite, was es kostet, lesen Sie meinen KI-Blog-Writer-Review für die ehrliche Version, dann testen Sie eesel.