本周，Fish Audio 发布了 Fish Audio Drama 3。Drama 3 是 Fish Audio 的一款文本转语音模型，可接受自然语言表演指令。它是一个 35B 的混合专家模型，每个 token 约激活 3B 参数。权重已发布在 Hugging Face 上，该模型也已在 Fish Audio API 中上线。对开发者而言，它是一个可自托管的选项，适用于脚本化对白、有声书和配音。
TL;DR
规模：总参数 35B，每个 token 约激活 3B（256 个专家中的 8 个，外加 1 个共享专家）。上下文长度：未披露。
运行环境：1 块 NVIDIA GPU，FP8 下至少 48 GB。不支持 CPU、Apple MPS 或 AMD ROCm。官方基准测试使用 1 块 H200。
性能：Fish Audio 在 Artificial Analysis 上得分最高的模型，但在质量 Elo 上仍落后于多个闭源 API。
最佳：在 Artificial Analysis Pronunciation Robustness 的品牌、地名和技术术语上达到 95.9%。
最差：在精确序列（代码、路径、电子邮件）上为 86.3%，是其最弱的发音类别。
总结：
最佳：可导演、多说话人的语音，且权重开源。
最差：48 GB GPU 门槛，以及收入上限许可。
什么是 Fish Audio Drama 3？
Drama 3 将脚本连同方括号中的指令转化为带表演的语音。作者在台词前放置诸如 [barely holding it together] 的提示。根据 Drama 3 文档，诸如 <whisper> 这样的成对标签只改变被包裹的词语。指令可以用任何语言书写，与所说台词无关。
该模型支持 83 种语言。说话人标签 <|speaker:0|> 到 <|speaker:15|> 允许在 1 次请求中最多 16 个角色。API 为每个说话人接收 1 个语音 ID，因此整个场景可在单次调用中渲染。
Drama 3 的架构如何工作？
根据发布文章，其主干从 Qwen3.5-35B-A3B 语言模型开始。它有 40 层，按每 1 层门控全注意力层配 3 层 Gated DeltaNet 层分组。每 4 层中只有 1 层保留 KV 缓存。DeltaNet 层则以恒定大小的状态存储历史。
新的 Codebook-MTP 解码器取代了 S2 中使用的逐帧 Fast AR 解码器。它有 4 个共享层，馈入 9 层，每个声学码本 1 层。只有码本 0 和 1 反馈到主干；S2 则反馈全部 10 个。
音频分词器与 S2 相比未变。它基于 Descript Audio Codec 构建，输出 44.1 kHz 音频。它以约 21.5 帧/秒的速度运行。
训练经历了 3 个预训练阶段，然后是指令微调，然后是强化学习。强化学习使用了不带 KL 惩罚的 GRPO 以及单个学习到的人类偏好奖励模型。
Drama 3 在基准测试上表现如何？
Fish Audio 报告 Drama 3 在 Artificial Analysis Pronunciation Robustness 上总体达到 93.2%，排名第 1。其前代 S2.1 Pro 得分为 88.1%。人类听众对 4 个类别中的难读英文单词进行评判：
品牌、地名、技术术语：95.9%（S2.1 Pro：87.3%）
依赖上下文的读音：95.3%（86.1%）
数字、日期和单位等简写：93.6%（92.7%）
代码、路径和电子邮件等精确序列：86.3%（79.4%）
该基准测试考察的是发音，而非情感表达。Fish Audio 仅定性地描述情感质量。在 Artificial Analysis 质量排行榜上，‘Drama 3 Preview’ 的 Elo 为 1242。这超过了 S2.1 Pro 的 1190，但落后于 Eleven v4 Turbo 的 1328。
Drama 3 需要什么硬件？
Fish Speech 安装指南列出在 FP8 下至少需要 48 GB 的 NVIDIA GPU 显存。不支持 CPU、Apple MPS 和 AMD ROCm。MoE 专家以 FP8 提供，其余权重为 bf16。
模型卡报告了在 1 块 H200 上的流式结果。在 1 路流下，首音频中位时间为 88.9 ms，实时因子为 0.131。在 16 路流下，吞吐量达到 927.6 帧/秒。服务通过 SGLang-Omni 运行，其融合内核仅在 Hopper GPU 上经过验证。
如何访问 Drama 3，费用是多少？
在托管 API 中，在 POST /v1/tts 上将模型标头设置为 drama-3。文档警告说，标头缺失或拼写错误会静默回退到 s2.1-pro。标价为每 1M 字符 50 美元。根据发布文章，10 美元的发布价持续到 2026 年 11 月 12 日。
权重使用 Fish Audio Community License v1.0。研究和非商业用途免费。年收入低于 500,000 美元的商业用途免费。将 Drama 3 作为第三方 API 托管需要单独的许可证。产品必须显示“Built with Fish Audio.”。禁止未经同意克隆真实声音。
Drama 3 与最接近的竞品对比
功能Fish Audio Drama 3Fish Audio S2 ProElevenLabs Eleven v4 TurboQwen-Audio-3.0-TTS-Plus总规模35B (MoE)5B (4B Slow AR + 400M Fast AR)未披露未披露激活参数~3B非 MoE未披露未披露权重开放，Community License v1.0开放，Research LicenseAPI 和应用API (Model Studio)语言8380+90+列出 8 种，外加方言自托管硬件48 GB+ NVIDIA，FP8 24 GB+ NVIDIA，或 CPU仅托管仅托管延迟88.9 ms TTFA p50，H200~100 ms TTFA，H200~150 ms 首个语音中位时间未披露AA 质量 Elo（来源）1242 (Preview)111613281266API 价格每 1M 字符$50 标价，11 月 12 日前 $10$15$40$20，新加坡
关键要点
Drama 3 是一个 35B MoE TTS 模型，激活参数约 3B。
通俗语言指令和每次请求 16 个说话人面向脚本化音频。
AA Pronunciation Robustness 上为 93.2%；精确序列落后，为 86.3%。
自托管在 FP8 下需要 48 GB+ 的 NVIDIA 显存。
免费商业用途在年收入 500,000 美元处停止。
在 Hugging Face 上查看权重、技术报告、GitHub 仓库和发布文章。所有功劳归于该项目的研究者。另外，欢迎在 Twitter 上关注我们，别忘了加入我们的 150k+ ML SubReddit 并订阅我们的 Newsletter。等等！你在 Telegram 上吗？现在你也可以在 Telegram 上加入我们。
文章 Fish Audio Releases Drama 3, a 35B Open-Weight MoE Text-to-Speech Model 首次出现在 MarkTechPost 上。