2026 年 10 月 14 日——Fish Audio 于 10 月 13 日发布新一代文本转语音（TTS）模型 Drama 3 并开放权重：模型总参数 35B、每 token 激活 3B，支持 83 种语言与逐词情感控制，自部署遵循 Community License v1.0（用户及关联实体年收入低于 50 万美元可免费商用），API 折后价每百万字符 10 美元（优惠至 11 月 12 日）。权重已上架 Hugging Face（fishaudio/drama-3），技术报告以 arXiv 2610.18010 同步发布。

导演式语音控制与逐词编辑

据官方公告与模型卡，Drama 3 面向多角色场景与长篇内容，延续 S2 系列的自然语言控制能力，并在可编辑性上新增多项能力：

  • 多轮导演修订：对上一次生成结果直接下指令（如"更温柔一点、再悲伤一点"），模型带着上下文重新演绎，而非从头生成。
  • 逐词标签控制：方括号内可放置指令、拟声与停顿，成对标签可将耳语、强调、放慢等效果限定到选定的单个词或短语；官方还提供 Auto Tag 功能，为脚本自动建议初始标签。
  • 句内语气切换：同一段话可从平静转为惊慌，无需按情绪分段多次生成。
  • 音频修补（audio inpainting）：像改文本一样改语音，替换单个词（如 Wednesday 改为 Thursday）而保持周围音色与过渡自然，支持多轮连续编辑。
  • 场景式多角色：单条文本内最多 16 个说话人标签（<|speaker:0|> 至 <|speaker:15|>），一次生成完整对话场景。
  • 强情绪表现：官方称笑声、哭腔、耳语等表现不再被参考音频抹平。

Fish Audio 联合创始人兼 CEO Rissa Cao 在发布公告中表示："语音 AI 生成语音已经做得很好，下一步是导演一场表演。"官方另称，Drama 3 在 Artificial Analysis 的发音鲁棒性评测中位列第一。

模型规格与推理性能

模型采用 MoE（混合专家）文本骨干与混合注意力（全注意力加线性注意力），音频侧为新设计的 Codebook-MTP 解码器，对 10 组 codebooks 沿全序列因果解码；MoE 专家采用 FP8 量化，其余权重为 bf16。据模型卡，权重共 8 个 safetensors 分片，约 41.5 GB。

项目 数据
总参数量 35B（safetensors 计 35,899,643,008）
每 token 激活参数 3B
支持语言 83 种
单文本说话人上限 16 个
权重体积 8 个分片，约 41.5 GB
训练方法 三阶段预训练、指令微调、大批量强化学习（唯一奖励为单一习得的人类偏好模型）
单流解码速度 271 帧/秒（单张 H200），上一代 S2 为 177 帧/秒
首音频延迟（TTFA） 并发 1 时 p50 为 88.9 毫秒
并发 64 吞吐 1,687.3 帧/秒，平均 RTF 0.801

据 arXiv 技术报告，尽管 Drama 3 参数量为上一代 S2 的七倍以上，单流解码速度仍从 S2 的 177 帧/秒提升至 271 帧/秒（H200 实测）。模型卡显示，官方推荐通过 SGLang-Omni 引擎部署，发布首日即提供适配与流式部署文档。

权重与相关仓库地址：

  • HuggingFace 模型仓库（权重与许可文件）：https://huggingface.co/fishaudio/drama-3
  • fish-speech 代码仓库（推理代码与文档）：https://github.com/fishaudio/fish-speech
  • 技术报告（arXiv 2610.18010）：https://arxiv.org/abs/2610.18010
  • SGLang-Omni 部署文档（Drama 3 Cookbook）：https://sgl-project.github.io/sglang-omni/cookbook/fishaudio_drama3.html

Community License v1.0：分级商用许可

模型权重与 fish-speech 代码库均按 Fish Audio Community License v1.0（2026 年 10 月 13 日更新）发布，版权主体为 39 AI, INC.。许可条款分三级：

使用场景 条款
研究与非商业用途 免费，可使用、修改与再分发
商业用途（年收入低于 50 万美元） 免费；年收入按用户与关联实体合计计算
年收入达到或超过 50 万美元 需在 30 天内书面告知 Fish Audio，有 90 天过渡期，之后需另行签订商业许可
对外提供托管服务 无论年收入多少，均需另行书面许可

托管服务（Hosted Service）指让第三方以其提供的文本、音频或声音样本生成语音的对外服务，包括 API、模型托管及以 TTS、配音、语音克隆为主要功能的网站或应用。为自有产品生成语音（如应用内角色配音、旁白）不属于托管服务。

许可同时要求：再分发时保留版权声明，并在网站或文档显著位置标注"Built with Fish Audio"；模型输出归用户所有；未经本人同意不得克隆可识别的真人声音；不得用该模型训练或蒸馏其他基础生成式模型或语音模型。上一代旗舰 S2-Pro（4B 参数）权重仍按原 Fish Audio Research License 发布，不随本次许可变更。

平台上线与限时定价

官方公告称，Drama 3 已在 Fish Audio 应用（网页端与 iOS、Android 移动端）及 API 同步上线，API 模型标识为 drama-3-preview，支持 WAV、PCM、MP3、Opus 输出格式。价格方面：

项目 数据
API 标准价 每百万字符 50 美元
限时折扣价 每百万字符 10 美元（较标准价优惠 80%，据官方公告为上线首 30 天 API 用量优惠）
优惠截止 2026 年 11 月 12 日
换供应商激励 合格企业从其他语音服务商切换可获 3 个月免费使用

Fish Audio 同时披露，公司现服务超过 1500 万用户，年经常性收入达 2100 万美元（公司口径）。需要注意的是，官方产品页与 API 文档目前仍将 Drama 3 标注为 preview 预览版，官方提示不同批次生成结果存在差异，模型仍将持续调整。