Fish Audio 正式推出 Drama 3，是该系列情感表现力最强的文本转语音模型，相比前代 S2.1 Pro 情感层次大幅提升；在 Artificial Analysis 发音稳健性评测拿到第一名，现已在网页端、移动端App、API同步上线。
- 官方介绍：https://fish.audio/zh-CN/blog/fish-audio-drama-3/
- 模型：https://huggingface.co/fishaudio/drama-3
核心能力亮点
- 强情感指令跟随
采用方括号内的演员式指令写法，可以精准实现哭腔、隐忍愤怒、强装镇定的笑声、低语等效果，一句话中间也能切换情绪，不再抹平戏剧化的声音细节。
训练上的关键改进：改用人类偏好奖励模型做强化学习，不会因为模型输出笑声、哽咽这类戏剧声音而扣分，解决旧版TTS为了“好转录”压制情感的老问题。
- 发音准确率大幅提升
Artificial Analysis 发音稳健性基准测试：整体93.2%（S2.1 Pro为88.1%）
| 测试类别 | Drama3 | S2.1 Pro |
|---|---|---|
| 品牌名、地名、专业术语 | 95.9% | 87.3% |
| 多音歧义单词 | 95.3% | 86.1% |
| 数字、日期、单位符号 | 93.6% | 92.7% |
| 代码、路径、邮箱 | 86.3% | 79.4% |
模型架构细节
Drama3 是 35B 参数 MoE 混合专家模型，每token仅激活约3B参数，基于Qwen3.5-35B-A3B初始化：
- 40层混合注意力结构，Gated DeltaNet + 少量全注意力层，DeltaNet携带长时序历史，节约KV缓存
- Codebook-MTP全新音频解码器，替代S2的Fast AR，回溯全文+参考音频，还原声音精细纹理；采用部分码本融合，降低曝光偏差
- 音频编解码：44.1kHz，10个码本，每秒21.5帧，完全因果
- 训练流程：三阶段预训练 → 指令微调 → GRPO强化学习（人类偏好奖励模型，无KL惩罚）
- 推理性能：单张H200上单流解码271帧/秒，S2仅177帧/秒，模型规模提升7倍，推理速度反而更快；依托SGLang-Omni部署
适用场景
主打一次性生成、长期存档的剧本音频：有声书、广播剧、小说播客、游戏/动画对白、短视频故事配音。
后续还在邀测两大配套能力：交互式语音编辑（直接口述调整已有音频的情绪强弱）、音频补全Audio Inpainting（只替换修改的台词，保留前后音色节奏不变），配套编辑API也即将推出。
开源许可与商用规则
权重开源，遵循 Fish Audio Community License v1.0：
- 研究、非商业：免费
- 年收入低于50万美元的主体，可免费商用
- 年收入超过限额，或是将模型封装对外提供TTS/语音克隆推理服务，需要单独向Fish Audio申请授权
- 协议禁止未经许可克隆真人声音；S2系列沿用旧的Fish Audio Research License
上线优惠（10.13–11.12）
- API：原价$50/百万字符，活动2折，$10/百万字符
- 创作者订阅：新订阅享5折（月订阅首月/年订阅首年）
- 额外福利：发布帖48小时内评论，赠送1个月Fish Audio Plus
© 版权声明
文章版权归作者所有，未经允许请勿转载。
