Fish Audio 发布 Drama 3 语音 AI 模型

Fish Audio 将 Drama 3 宣传为开放权重模型，模型卡片也支持这一说法，并在 Hugging Face 上发布了权重 ^[1]，采用新的 Fish Audio Community License v1.0。但该许可证并非无条件开放：研究和非商业用途免费，商业用途仅限年收入低于 50 万美元时免费——超过此门槛的用户，包括大型工作室或计划转售推理服务的平台，必须另行协商商业协议。独立基准测试机构 Artificial Analysis 在将 Drama 3 列为顶级开源语音模型的同时，也指出该安排属于“开放权重但无商业使用权”，而非完全开放源代码 ^[2]。该许可证还应对了技术本身更直接的风险：Fish Audio 的官方条款明确禁止未经说话人同意克隆其声音，这表明随着语音模型变得越来越可控和逼真，未经授权的声音复制风险也在同步上升 ^[3]。这一区别决定了谁真正受益：独立开发者、独立游戏工作室和小型音频剧制作人可以获得免费的先进语音引擎，而开放权重的标题对资金充足的平台几乎没有开放其技术，因为真正无限制的发布会对其利润空间造成压力。

Drama 3 与此前 TTS 模型真正的区别不在于发音得分，而在于 Fish Audio 所称的“音频修复”（audio inpainting）：能够在已生成的音频文件中重新合成单个词或短语，模型会聆听编辑前后两侧的音频，并使新词的语音、情绪和节奏与上下文保持一致 ^[3]。联合创始人兼首席科学家、前 Nvidia 研究员Shijia Liao将底层架构变革视为实现这种控制的关键：“Drama 3 采用了新架构，实现了更好的控制和指令遵循能力。当你更改一个词时，Drama 3 会聆听该词两侧的音频。” ^[4]从技术角度看，该功能建立在一个 350 亿参数的混合专家模型之上，每个 token 激活约 30 亿参数，基于 Qwen3.5-35B-A3B 架构，并配备新的 Codebook-MTP 音频解码器，因果式解码 10 个码本 ^[1]。对于有声书、配音和多角色游戏对白等生产流程而言，过去一个单词读错意味着整段重录并希望新版本能匹配旧风格，而现在这一功能彻底改变了工作流本身，而不仅仅是音质的渐进提升。

在 Artificial Analysis 的发音鲁棒性排行榜上，Drama 3 预览版得分为 93.2%，领先于该公司追踪的所有模型（无论开源或闭源），包括 ElevenLabs 的 v4（91.7%）和 v4 Turbo（90.1%），远超 Fish Audio 自身此前的旗舰模型 S2.1 Pro（88.1%）^[3]。这是一个经过第三方验证的重要成果。然而，开发者社区的反应却不尽一致：一些评论提出了如今常见的批评，即排行榜第一并不自动意味着语音在实际听感上的优越性，也有质疑指出在非主打语言中的表现可能不佳 ^[2]。但实际使用者的反馈更为积极：一位 AI 影人表示，语音长期是他生成视频作品中的薄弱环节，而 Drama 3 是首个能让自然语言指导（如句中情绪转变）真正实现的模型。这种分歧在 AI 模型发布中屡见不鲜：无论自动化排行榜指标测量得多严谨，它本身无法解决人类耳朵在 83 种语言和广泛现实场景下对语音听感的主观判断之争。

Fish Audio 成立约一年，由前 Nvidia 研究员Shijia Liao创立，并于 2026 年 7 月 28 日完成 5200 万美元种子轮融资，由 Coreline Ventures 和 Capital Today 联合领投 ^[6]，当时公司年经常性收入达 2100 万美元，用户超 800 万 ^[5]。Drama 3 发布约两个半月后，用户数已突破 1500 万 ^[4]。Fish Audio 的 2100 万美元 ARR 仅约为 ElevenLabs 报道的约 5 亿美元年化收入的 4% ^[5]，但 Drama 3 现已超越 ElevenLabs 旗舰模型所在的独立排行榜。发布一个开放权重且基准领先的模型，既是研究成果，也是一种分发策略：它能将开发者的好感和 GitHub/Hugging Face 上的曝光度更快转化为付费 API 和订阅客户，使规模小得多的公司能够凭借成本效率，而非仅靠营销支出，挑战规模更大的现有巨头。