Fish Audio 发布 Drama 3：一款 35B 开放权重的 MoE 文本转语音模型
内容提要
Fish Audio 发布文本转语音模型 Drama 3，采用 35B 混合专家架构，每 token 激活约 3B 参数，权重开放。支持 83 种语言、16 个说话人及自然语言表演指令。发音鲁棒性测试得分 93.2%，精确序列为 86.3%。自托管需 48GB 以上 NVIDIA 显存，API 定价每百万字符 50 美元，年营收 50 万美元以下可免费商用。
延伸解读
硬件门槛与部署限制
Drama 3 自托管需至少 48GB 显存的 NVIDIA GPU，并采用 FP8 精度，不支持 CPU、Apple MPS 或 AMD ROCm。官方基准测试使用单块 H200，推理依赖 SGLang-Omni，其融合内核仅在 Hopper 架构 GPU 上验证。这意味着普通消费级显卡或非 NVIDIA 平台无法直接运行，部署前需确认硬件兼容性。
许可证的商业使用边界
权重采用 Fish Audio 社区许可证 v1.0，研究与非商业用途免费，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 托管，需单独获得许可。产品必须标注“Built with Fish Audio”，且禁止未经同意克隆真实人声。企业需根据营收规模评估合规成本。
性能表现与竞品对比
在 Artificial Analysis 发音鲁棒性测试中，Drama 3 总体得分 93.2%，品牌、地名和技术术语达 95.9%，但精确序列（代码、路径、邮箱）仅 86.3%，为最弱项。质量 Elo 为 1242，高于 S2.1 Pro 的 1190，但落后于 Eleven v4 Turbo 的 1328。API 标价每百万字符 50 美元，发布优惠价 10 美元。
Q&A
Fish Audio Drama 3 是什么？它有什么主要特点？
Fish Audio Drama 3 是一款文本转语音（TTS）模型，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。它支持 83 种语言、16 个说话人，适用于剧本对白、有声书和配音。
Drama 3 的架构是怎样的？
骨干网络起始于 Qwen3.5-35B-A3B 语言模型，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。音频 tokenizer 与 S2 相同，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。
Drama 3 在基准测试中的表现如何？
在 Artificial Analysis 发音鲁棒性测试中总体得分 93.2%，排名第一。具体类别：品牌、地名与技术术语 95.9%；依赖上下文的读法 95.3%；数字、日期、单位等简写 93.6%；代码、路径、邮箱等精确序列 86.3%。在质量排行榜上，Elo 为 1242，高于 S2.1 Pro 的 1190，但落后于 Eleven v4 Turbo 的 1328。
自托管 Drama 3 需要什么硬件？
需要至少 48 GB 显存的 NVIDIA GPU，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。官方基准测试使用 1 块 H200。
如何访问 Drama 3？费用是多少？
可以通过 Fish Audio API 访问，将 POST /v1/tts 请求的 model 头设为 drama-3。标价为每 100 万字符 50 美元，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。
Drama 3 与竞品相比有什么优势和劣势？
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。在质量 Elo 上落后于 Eleven v4 Turbo 等闭源 API。
