Drama 3
Fish Audio 的 360 亿参数混合专家文字转语音模型,擅长“导演式”表演。支持 83 种语言,年营收 50 万美元以下可免费商用。
一句话概括. Drama 3 能把剧本变成有表演的语音。你可以在文本里写 [whispering]、[laughs] 这样的指令,它能在一个场景里演绎多个角色,也能用短音频复制声音。它是大模型,许可证只对年营收低于 50 万美元的企业免费商用。
概述
Drama 3 是 Fish Audio 面向“导演式表演”的文字转语音模型,于 2026 年 10 月 13 日发布。Fish Audio 是一家语音 AI 公司,也通过自己的应用和 API 出售这个模型。权重以 Fish Audio Community License Agreement 1.0 发布在 Hugging Face:研究和非商业用途免费,商用仅在你和关联方年营收低于 50 万美元时免费;无论规模大小,把 Drama 3 作为文字转语音或声音克隆服务提供给他人都未获许可。模型支持 83 种语言,可以用一段或多段参考音频克隆声音,并接受方括号里的指令,如 [sighs] 或 [whispering],指令的语言可以和正文不同。
它是混合专家模型,总参数 359 亿,每个 token 约激活 30 亿,使用 256 个路由专家中的 8 个,外加 1 个共享专家。骨干网络用 Qwen3.5-35B-A3B 的语言模型初始化,共 40 层,每三层 Gated DeltaNet 加一层门控全注意力。新的码本多 token 预测解码器预测十个音频码本(44.1 kHz,约每秒 21.5 帧),并对包括参考音频在内的整个序列做注意力。一段文本可以带最多 16 个说话人标签,用于多角色场景;长文本会自动分块并支持流式输出;还可以把上一条录音作为上下文送回去,让模型修改它。训练包括三个预训练阶段、指令微调,以及使用 GRPO 和单一的学习式人类偏好奖励的强化学习。专家权重是 FP8,所以主检查点为 41.5 GB。
Fish Audio 称,在 Artificial Analysis 的 Pronunciation Robustness 基准上,Drama 3 把 93.2% 的难词读对,是该榜单的最高分,其前代 S2.1 Pro 为 88.1%;我们没有核查这个榜单。模型卡报告,在一块 H200 GPU 上单路流式的首个音频为 89 ms,64 路并发时实时因子为 0.80。SGLang-Omni 和 vLLM-Omni 都可以部署它。Fish Audio 的组织下还有一个 22.1 GB 的 4 位版本,其模型卡称这是非官方量化;它能在 A100 级 GPU 上运行,在量化者自己于一块 H200 上做的测试中,词错误率为 1.63%,FP8 版本为 1.99%。Hugging Face 元数据把许可证写作“fish-audio-research-license”,但 LICENSE 文件是 Community License,较早的 S2 权重仍然采用 Research License。
适合做什么
- 每一句都需要不同情绪指令的有声书、广播剧、游戏和配音
- 一份剧本里最多 16 个声音的多角色场景
- 在年营收保持在 50 万美元以下时,为自己的内容或产品自托管语音生成
- 大型文字转语音模型的研究,因为技术报告和权重都是公开的
需要注意
- 年营收超过 50 万美元的商用需要单独许可,托管的文字转语音或声音克隆服务则无论规模都需要单独许可
- 许可证禁止未经同意克隆真人声音、移除水印,以及用它的输出训练其他语音模型或基础模型
- 体量大:权重 41.5 GB,按我们的估算,FP8 版本需要约 48 GB 的 GPU,非官方的 INT4 版本需要约 25 GB
- 发音排名来自 Fish Audio 自己的发布文章,发布时展示的编辑工具还在邀请制测试中
- Hugging Face 元数据和 LICENSE 文件对许可证的命名不一致,请阅读文件本身
性能数据来自开发方,未经独立验证。
需要多少内存?
以下是 Drama 3 各版本的内存数据。图像、视频、语音和音乐管线还要加载文本编码器和解码器,所以所需内存可能比主检查点更大。
| 版本 | 参数量 | 下载大小 | 所需内存 | 可运行于 |
|---|---|---|---|---|
| Drama 3 FP8 | 35.9B 激活 3B | 42 GB | 48 GB | 工作站 |
| Drama 3 INT4 (hybrid W4A16, unofficial quantization) INT4 | 35.9B 激活 3B | 22 GB | 25 GB | 游戏显卡 |
下载大小包含运行模型所需的全部组件,例如生成器、文本编码器和解码器。所需内存优先采用开发方声明或已公开的实测最低值;没有时按下载大小加约 15% 估算。更大的图像、更长的片段和更高的分辨率需要更多内存。
许可证,用大白话说
研究和非商业用途免费;你和关联方的年营收低于 50 万美元时,商用也免费。超过这个数额,或者无论规模大小向他人提供文字转语音、声音克隆或推理服务,都需要 Fish Audio 的单独书面授权。你必须标示“Built with Fish Audio”,不得未经同意克隆真人声音,也不得用该模型或其音频训练其他语音模型或基础模型。
- 需要署名或标明模型名称
- 仅在营收低于上限时可免费商用
- 超过一定规模销售托管服务需另行签约
- 须遵守可接受使用政策
进一步了解 Fish Audio Community 1.0
延伸阅读
- ZONOS3-Mini 与 Drama 3 对比:该选哪个新的开源文字转语音模型?
- 最佳开源语音模型:语音转文字与文字转语音
- 2026 年最佳开源文字转语音(TTS)模型
- 长大之前免费:开放许可证把线划在哪里
- 开放语音模型:转写很开放,文字转语音则参差不齐
- ZONOS3-Mini:支持 43 种语言、能在浏览器里运行的开源 TTS
- 开放许可证的新趋势:可以自由构建产品,但托管业务需要另行协商
常见问题
- Drama 3 是什么?
- Drama 3 能把剧本变成有表演的语音。你可以在文本里写 [whispering]、[laughs] 这样的指令,它能在一个场景里演绎多个角色,也能用短音频复制声音。它是大模型,许可证只对年营收低于 50 万美元的企业免费商用。
- Drama 3 可以商用吗?
- 可以,但有条件。Drama 3 采用 Fish Audio Community 1.0 发布,允许商用,但附带额外规则:需要署名或标明模型名称; 仅在营收低于上限时可免费商用; 超过一定规模销售托管服务需另行签约; 须遵守可接受使用政策。产品上线前请阅读许可证原文。
- Drama 3 是开源的吗?
- Drama 3 是开放权重模型,但不是严格意义上的开源。你可以下载模型文件,但 Fish Audio Community 1.0 附带了开源促进会的定义所不允许的条件。
- 我能在自己的电脑上运行 Drama 3 吗?
- 可以,但需要一块好显卡。最小版本 Drama 3 INT4 (hybrid W4A16, unofficial quantization) 在 4 位精度下约需 25 GB 内存,适合 24 至 32 GB 的游戏显卡,或 32 GB 及以上内存的 Mac。
- Drama 3 是什么时候发布的?
- Drama 3 由 Fish Audio 于 2026年10月13日 发布。
官方链接
来源
规格数据来自以下一手资料。文中提到的基准测试结果由开发方自报。
- Fish Audio Drama 3: The Most Emotive Text-to-Speech Model We've Built (Fish Audio blog, 13 Oct 2026) fish.audio
- Drama 3 model card (Hugging Face) huggingface.co
- Fish Audio Drama 3 Technical Report (arXiv 2610.18010) arxiv.org
- Fish Audio Community License Agreement 1.0 (Hugging Face) huggingface.co
- Drama 3 INT4 model card (Hugging Face) huggingface.co
发布时间等信息最近核实于 2026年11月11日。
相关模型
| 模型 | 发布时间 | 参数量 | 上下文 | 许可证 | 最小版本所需内存 |
|---|---|---|---|---|---|
| S2 Pro Fish Audio | 4.56B | – | Fish Audio Research (非商用) | 24 GB 游戏显卡 | |
| ZONOS3-Mini Zyphra | 800M 激活 100M | – | Apache 2.0 (宽松) | 10 GB 笔记本或手机 | |
| VibeVoice-TTS Microsoft | 1.02B – 2.7B | 64K | MIT (宽松) | 2.35 GB 笔记本或手机 | |
| Qwen3-TTS Alibaba Qwen | 910M – 1.92B | – | Apache 2.0 (宽松) | 3.68 GB 笔记本或手机 |