Dans un entretien publié le 25 octobre 2026, INT21 affirme que son essaim d’agents a produit en environ une heure, après l’accès public à Drama 3 et sans accès anticipé, un runtime d’inférence en Rust pour le modèle vocal de Fish Audio. L’entreprise rapporte aussi de meilleurs résultats que SGLang-Omni dans un test portant sur trois prompts et deux NVIDIA B200.
Le runtime est le logiciel qui exécute un modèle entraîné. INT21 décrit donc la création d’un moteur d’inférence pour le modèle de génération vocale Drama 3, et non l’entraînement d’un nouveau modèle.
Le processus de développement décrit par INT21
INT21 explique que ses agents génèrent des versions candidates du code, les testent sur le matériel visé face à une référence, puis conservent les changements qui fonctionnent et recommencent. Selon l’entreprise, les ingénieurs définissent les contraintes, le matériel cible et les critères d’acceptation.
Le runtime Rust d’INT21 ne contient pas d’interpréteur Python sur le chemin de service, selon l’entreprise. Les résultats rapportés comparent toutefois deux runtimes complets : ils ne mesurent pas séparément l’effet du retrait de Python.
Les résultats rapportés pour les trois prompts
INT21 a comparé son runtime à SGLang-Omni avec deux NVIDIA B200 par configuration, l’un consacré à la génération et l’autre au codec. Le test portait sur un flux vocal, un premier fragment d’une image et 20 essais à chaud par prompt.
Le délai avant le premier audio mesure l’attente jusqu’au premier fragment vocal. Le débit correspond au nombre d’images audio générées par seconde. Le facteur temps réel rapporte le temps de génération à la durée de l’audio produit : une valeur plus faible indique un résultat plus rapide dans cette mesure.
| Prompt | Runtime | Délai avant le premier audio (ms) | Débit (images audio/s) | Facteur temps réel |
| Hello | INT21 Rust | 15,11 | 223,4 | 0,0964 |
| Hello | SGLang-Omni | 37,79 | 136,9 | 0,1573 |
| Multiple sentences | INT21 Rust | 17,55 | 249,2 | 0,0864 |
| Multiple sentences | SGLang-Omni | 38,61 | 154,9 | 0,1390 |
| Voice reference | INT21 Rust | 23,58 | 231,0 | 0,0932 |
| Voice reference | SGLang-Omni | 38,03 | 145,4 | 0,1481 |
Pour chacun des trois prompts, les mesures publiées par INT21 donnent à son runtime Rust un délai plus court avant le premier audio, un débit supérieur et un facteur temps réel plus bas que ceux de SGLang-Omni. Ces résultats concernent le test à un seul flux vocal sur deux B200 par configuration; ils ne décrivent pas les performances d’autres matériels, modèles ou charges de travail.
