Fish Audio Drama TTS模型

Drama 3是一个350亿参数的混合专家模型，每个token仅激活约30亿参数^[1][5]，支持83种语言。其主打功能“音频修复”（audio inpainting）允许用户仅重新生成句子中的单个词，模型会聆听编辑前后两侧的音频，并匹配周围的语音、情绪和节奏^[3][5]，而无需重新渲染整句话。它还能在一次推理中生成完整的多角色场景，保持每个角色声音的独特性，并对前一句对话做出响应^[3]。Fish Audio联合创始人兼首席科学家廖世佳表示，该模型“采用了一种新架构，实现了更好的控制和指令遵循能力”，并将可控性的跃升归功于此次架构重构^[2]。

Fish Audio和Artificial Analysis均称Drama 3 Preview为文本转语音排行榜上新的第一名开源权重模型，并在发音稳健性排行榜上领先于ElevenLabs的Eleven v4和v4 Turbo^[4]。在这一特定指标上，Drama 3得分为93.2%，高于Eleven v4的91.7%和Eleven v4 Turbo的90.1%^[1]。但这一说法比营销宣传更为局限：在Artificial Analysis更广泛的Provider Voice Arena排行榜中，该榜单基于数千次两两对比的Elo评分，Drama 3 Preview仅排名第10位，Elo得分为1243——仍落后于Eleven v4 Turbo（1330）和Eleven v4（1328），尽管这已是Fish Audio此前S2.1 Pro模型提升了101分的结果^[4]。Fish Audio将Drama 3的API定价为每百万字符15美元，而Eleven v4为80美元，Eleven v4 Turbo为40美元^[4]——这一成本优势对买家而言可能与榜单排名同等重要。

Fish Audio在Hugging Face上以许可证形式发布了Drama 3的权重，年收入低于50万美元的公司及其关联方均可免费用于商业用途^[1]，明确吸引在VPC、本地部署、主权云或空气隔离环境中进行自托管部署^[1]——这是ElevenLabs这类封闭式API服务商无法提供的模式。这种定位与外部分析师对竞争格局的解读一致：相关报道指出，Drama 3填补了专业长文本语音制作领域的空白——如有声书、游戏、多语言配音——通过音频修复实现的逐词编辑可避免重新渲染整段音频的成本^[7]。然而，这种在单字编辑中高度保留语音、情绪和节奏的模型，也同时抬高了合成音频操控的保真度上限，这一风险已在对Fish Audio融资轮的广泛报道中被指出^[6]。

Fish Audio于2026年7月底完成5200万美元种子轮融资，由Coreline Ventures和Capital Today联合领投，当时公司报告年经常性收入达2100万美元，用户数超过800万^[6]。到2026年10月Drama 3发布时，公司称其用户基数已突破1500万^[2]，品牌搜索量同比增长740%^[2]。市场反应积极：Fish Audio自身的公告获得了超预期的互动，一名X平台上的独立评测者表示Drama 3是首个真正听起来自然的开源TTS模型。唯一的手动评测视频认为Drama 3比Fish Audio此前的S2和S2.1 Pro模型更具表现力和情感，但也指出测试时该版本仍标记为“预览版”。Reddit上的讨论则聚焦于本地运行该模型的实际操作问题。