首页 > 教程资讯 > 教程详情

Fish Audio 发布 Drama 3：开放权重语音合成模型，一段文本最多可演 16 个角色

AI 与前沿老K说软件 2026-10-15

文章分享

Fish Audio 于 2026 年 10 月 13 日发布新一代文本转语音模型 Drama 3，同步上线 fish.audio 网页端、iOS 和 Android 移动端应用以及 API，权重同时公开到 Hugging Face。官方称这是其迄今情感表现力最强的模型，并在 Artificial Analysis 的发音稳健性基准测试中排名第一。

发布与优惠

据 Fish Audio 官方博客，Drama 3 在网页端、移动端应用和 API 同步可用。截至 11 月 12 日，API 享 2 折优惠，价格为每百万字符 10 美元（原价 50 美元）；新订阅创作者计划享 5 折优惠。

发音准确率：第三方基准排名第一

官方博客引用 Artificial Analysis 的发音稳健性（Pronunciation Robustness）基准测试：该测试把生僻词放进英语句子，由人类听众逐词检查。Drama 3 总体准确率为 93.2%，排名第一；Fish Audio 自家的 S2.1 Pro 为 88.1%。

分项对比如下（Drama 3 对 S2.1 Pro）：

品牌名、地名和专业术语：95.9% 对 87.3%
读音取决于语境的单词：95.3% 对 86.1%
数字、日期、单位、符号：93.6% 对 92.7%
代码、路径、电子邮件：86.3% 对 79.4%

模型结构与推理速度

据官方博客，Drama 3 的骨干网络是 35B 参数的混合专家模型，每个 token 激活约 3B 参数（256 个路由专家中的 8 个，加 1 个共享专家），基于 Qwen3.5-35B-A3B 初始化。模型共 40 层，以 3:1 的比例混合 Gated DeltaNet 与 Gated 全注意力。

音频分词器为 44.1 kHz、十个码本、约每秒 21.5 帧。Fish Audio 称，在单块 H200 上单流解码速度为每秒 271 帧，S2 为 177 帧。

训练上，官方称 Drama 3 采用 GRPO 强化学习，奖励来自单一的人类偏好模型，没有基于规则的奖励，也没有 KL 惩罚。GitHub 发布说明还给出一组发布方自测数据：在 Step-Audio-Edit 上，经三轮修订，情感准确率从 55.5% 升至 58.2%，风格准确率从 76.5% 升至 81.8%。

多角色与长文本

据 GitHub 发布说明，Drama 3 支持用 <|speaker:i|> 标记多角色场景，最多 16 个说话人。长文本会按约 300 UTF-8 字节分块，每块最多三个说话人。官方博客称模型支持 83 种语言；GitHub 发布说明则写预训练覆盖约 80 种语言和方言、数千亿 token。