Fish Audio 发布 Drama 3：一款 35B 开放权重的 MoE 文本转语音模型

本周，Fish Audio 发布了 Fish Audio Drama 3。Drama 3 是 Fish Audio 推出的一款文本转语音（TTS）模型，它接受用普通语言书写的表演指令。它是一个 35B 的混合专家（MoE）模型，每个 token 激活约 3B 参数。权重已在 Hugging Face 上开放，模型也已上线 Fish Audio API。对开发者而言，它是一个可自托管的选项，适用于剧本对白、有声书和配音。

要点

• 规模： 总计 35B 参数，每个 token 激活约 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 块至少 48 GB 显存的 NVIDIA GPU，需使用 FP8。不支持 CPU、Apple MPS 或 AMD ROCm。官方基准测试使用 1 块 H200。
• 性能： 在 Artificial Analysis 上是 Fish Audio 得分最高的模型，但在质量 Elo 上仍落后于若干闭源 API。
• 最佳项： 在 Artificial Analysis 发音鲁棒性测试中，品牌、地名和技术术语达到 95.9%。
• 最弱项： 精确序列（代码、路径、邮箱）仅 86.3%，这是它发音表现最弱的类别。
• 结论：
  • 优势：可指令控制、支持多说话人的语音，且权重开放。
  • 劣势：48 GB GPU 的硬件门槛，以及一份设有营收上限的许可证。

Fish Audio Drama 3 是什么？

Drama 3 把一份剧本连同括号内的表演指令，转换成有表演力的语音。编剧可以在某句台词前加上 [勉强撑住情绪] 这样的提示。按 Drama 3 文档说明，像 <whisper> 这样的配对标签只改变其包裹的词语。指令可以用任意语言书写，与实际说出的台词相互独立。

该模型支持 83 种语言。说话人标签 <|speaker:0|> 至 <|speaker:15|> 允许在单次请求中处理最多 16 个角色。API 每个说话人接受 1 个 voice ID，因此一整场戏只需一次调用即可渲染完成。

Drama 3 的架构是怎样的？

据发布公告，骨干网络起始于 Qwen3.5-35B-A3B 语言模型。它有 40 层，按每 1 层门控全注意力层配 3 层 Gated DeltaNet 层的方式分组。每 4 层中只有 1 层保留 KV cache；DeltaNet 层则把历史存储在一个固定大小的状态里。

一个新的 Codebook-MTP 解码器取代了 S2 中逐帧的 Fast AR 解码器。它有 4 个共享层馈入 9 个层，每层对应一个声学码本。只有码本 0 和 1 会反馈回骨干网络；而 S2 会把全部 10 个都反馈回去。

音频 tokenizer 与 S2 相同。它基于 Descript Audio Codec 构建，输出 44.1 kHz 音频，运行速率约为每秒 21.5 帧。

训练流程包含 3 个预训练阶段，之后是指令微调，再之后是强化学习。RL 使用不带 KL 惩罚的 GRPO，以及一个单独学习得到的、基于人类偏好的奖励模型。

Drama 3 在基准测试中的表现如何？

Fish Audio 称 Drama 3 在 Artificial Analysis 发音鲁棒性测试中总体得分 93.2%，排名第一。其前代 S2.1 Pro 得分88.1%。该测试由人类听者对 4 类英语难词进行评判：

• 品牌、地名与技术术语：95.9%（S2.1 Pro：87.3%）
• 依赖上下文的读法：95.3%（86.1%）
• 数字、日期、单位等简写：93.6%（92.7%）
• 代码、路径、邮箱等精确序列：86.3%（79.4%）

这项基准测试考察的是发音，而非情感表达。Fish Audio 仅定性描述了情感表现的质量。在 Artificial Analysis 质量排行榜上，”Drama 3 Preview”的 Elo 为 1242，高于 S2.1 Pro 的 1190，但落后于 Eleven v4 Turbo 的 1328。

Drama 3 需要什么硬件？

Fish Speech 安装指南要求至少 48 GB 的 NVIDIA GPU 显存，并使用 FP8。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 1 块 H200 上的流式结果。单路流时，首段音频的中位延迟为 88.9 毫秒，实时因子为 0.131；16 路流时，吞吐达到每秒 927.6 帧。推理通过 SGLang-Omni 运行，其融合内核仅在 Hopper 架构 GPU 上做过验证。

如何访问 Drama 3，费用是多少？

在托管 API 中，把 POST /v1/tts 请求的 model 头设为 drama-3。文档警告，缺失或拼写错误的请求头会静默回退到 s2.1-pro。标价为每 100 万字符 50 美元。据发布公告，10 美元的发布优惠价持续至 2026 年 11 月 12 日。

权重采用 Fish Audio 社区许可证 v1.0。研究用途和非商业用途免费。商业用途在年营收低于 50 万美元时免费。若将 Drama 3 作为第三方 API 进行托管，需要单独获得许可。产品必须标注”Built with Fish Audio”。禁止在未经同意的情况下克隆真实人声。

Drama 3 与最接近的竞品对比

核心要点

• Drama 3 是一款 35B 的 MoE TTS 模型，激活参数约 3B。
• 用普通语言书写指令，加上每次请求支持 16 个说话人，定位于剧本类音频制作。
• 在 AA 发音鲁棒性测试中得分 93.2%；精确序列项偏弱，仅 86.3%。
• 自托管需要 48 GB 以上 NVIDIA 显存（FP8）。
• 免费商业使用的上限为年营收 50 万美元。