Fish Audio开源35B语音模型Drama 3：可导演级TTS登场

Fish Audio本周正式发布了新一代文本转语音模型Drama 3。这款总参数规模达350亿（35B）的混合专家（MoE）模型，每个token仅激活约30亿参数，最大亮点是能够理解以自然语言写成的「表演指导」：编剧只需在台词前加上诸如[barely holding it together]（勉强撑住情绪）这样的方括号提示，模型就能按指定情绪演绎台词。模型权重已上架Hugging Face，同时上线Fish Audio官方API，为有声书、配音和剧本对话等场景提供了可自托管的开源选项。

「会看剧本的」语音模型：自然语言导演与多角色

与以往只接受干巴巴文本输入的TTS不同，Drama 3将剧本和括号内的指令一起作为输入，输出带有表演感的语音。除整句级别的情绪提示外，文档还支持成对标签，例如用包裹的词句会以耳语方式呈现，且只影响被包裹的部分。指令语言与台词语言相互独立，也就是说可以用中文写下表演指示来驱动英文台词。

在多角色场景上，模型通过<|speaker:0|>到<|speaker:15|>的说话人标签，支持单次请求中最多16个角色，API端为每个说话人分配一个voice ID，因此一整段对话场景可以在一次调用中渲染完成。语言覆盖方面，Drama 3支持83种语言，较上一代产品进一步扩展。

架构解析：基于Qwen3.5-35B-A3B的混合专家骨干

根据官方发布说明，Drama 3的骨干网络始于Qwen3.5-35B-A3B语言模型，共40层，每1层门控全注意力层搭配3层Gated DeltaNet层，仅四分之一的层保留KV缓存，DeltaNet层则以固定大小的状态存储历史信息，从而降低长序列的开销。解码器方面，新的Codebook-MTP解码器取代了S2使用的逐帧Fast AR解码器，由4个共享层 feeding 9个独立层（每个声学codebook对应一层），且只有codebook 0和1回传到骨干网络，而S2是将全部10个codebook回传。

音频分词器与S2保持一致，基于Descript Audio Codec构建，输出44.1 kHz音频，运行速率约每秒21.5帧。训练流程分为三个预训练阶段，随后进行指令微调，最后是强化学习：RL采用GRPO算法，不使用KL惩罚，仅依赖单一学习得到的人类偏好奖励模型。

评测成绩：发音鲁棒性登顶，Elo仍落后闭源竞品

在Artificial Analysis发音鲁棒性基准上，Drama 3以93.2%的综合得分排名第一，前代S2.1 Pro为88.1%。分项来看：品牌、地名与技术术语类达95.9%（S2.1 Pro为87.3%）；依赖上下文的多音字读法为95.3%（86.1%）；数字、日期、单位等简写为93.6%（92.7%）；而代码、路径、邮箱等精确序列是其最弱项，为86.3%（79.4%）。需要注意的是，该基准只考察发音准确性，情绪表现力官方仅做了定性描述。

在Artificial Analysis质量排行榜上，「Drama 3 Preview」的Elo为1242，超过S2.1 Pro的1190，但仍落后于Eleven v4 Turbo的1328。也就是说，Drama 3是Fish Audio在该榜单上得分最高的模型，但在整体音质上尚未超越多家闭源API。

硬件门槛与推理性能：48GB显存起步

根据Fish Speech安装指南，自托管Drama 3至少需要一块配备48GB显存的NVIDIA GPU（FP8精度），不支持CPU、Apple MPS和AMD ROCm；官方基准测试使用单张H200。MoE专家权重以FP8发布，其余权重为bf16。推理服务通过SGLang-Omni运行，其融合内核目前仅在Hopper架构GPU上验证过。

模型卡报告的流式性能显示：单路流时，首音频延迟中位数为88.9毫秒，实时因子0.131；16路并发流时吞吐可达每秒927.6帧。相比之下，上一代S2 Pro的24GB级方案门槛更低，还支持CPU部署，而Drama 3在硬件要求上明显上探。

定价与许可：10美元推广价，50万美元商免线

托管API方面，开发者需在POST /v1/tts请求中将model头部设为drama-3；文档特别警告，头部缺失或拼写错误会静默回退到s2.1-pro。官方标价为每百万字符50美元，2026年11月12日前提供10美元的发布特惠价。

权重采用Fish Audio Community License v1.0：研究和非商业用途免费；年收入不超过50万美元的商业使用同样免费；将Drama 3托管为第三方API则需单独授权。此外，产品必须标注「Built with Fish Audio」，且禁止在未获同意的情况下克隆真实人声。

与竞品的正面较量

与最接近的对手相比：Fish Audio自家的S2 Pro为5B规模（4B Slow AR + 400M Fast AR），非MoE架构，需24GB以上NVIDIA显存或CPU，API价格每百万字符15美元，质量Elo为1116；ElevenLabs的Eleven v4 Turbo仅提供托管服务，支持90多种语言，首语音中位延迟约150毫秒，Elo 1328，每百万字符40美元；Qwen-Audio-3.0-TTS-Plus同样仅托管，Elo 1266，每百万字符20美元（新加坡区）。Drama 3以开源权重、83种语言和88.9毫秒的首音频延迟形成差异化，但48GB显存门槛和Elo差距是其短板。

整体来看，Drama 3把「可导演、多说话人」的剧本化语音能力首次以开放权重形式带给开发者，对有声书、播客和游戏配音等自托管场景极具吸引力；不过高昂的GPU门槛、按收入分层限制的社区许可，以及在质量Elo上与ElevenLabs等闭源头部产品的差距，意味着它在追赶之路上仍有硬仗要打。对于想以低成本快速验证效果的团队，11月12日前的10美元特惠价和托管API或许是最现实的切入点。