Fish Audio 开源权重 Drama 3：35B-A3B 可导演 TTS，Artificial Analysis 发音稳健度 93.2% 榜首，支持 83 种语言

这件事意味着什么

【要点】

Fish Audio 于 2026-10-13 发布并开放权重 Drama 3：面向有声书、广播剧、游戏/动画对白与短视频的可导演文本转语音模型。架构为 35B 参数 MoE（每 token 约激活 3B，8/256 专家 + 1 共享），骨干初始化自 Qwen3.5-35B-A3B 语言模型；混合注意力（Gated DeltaNet + 全注意力）与新的 codebook-MTP 音频解码器，支持自然语言方括号导演指令、局部标签、多角色与 83 种语言。权重在 Hugging Face（fishaudio/drama-3），代码在 GitHub（fishaudio/fish-speech）；许可证为 Fish Audio Community License v1.0（研究/非商用免费；关联方年收入低于 50 万美元可商用；更高收入或对外提供 TTS/克隆/推理服务需另购许可；禁止未经同意克隆真人声音）。

独立榜：Artificial Analysis Pronunciation Robustness 总分 93.2%（S2.1 Pro 88.1%），官方称其为榜上第一。产品侧已上线 fish.audio 网页、iOS/Android App 与 API（model 头设 drama-3）；至 11 月 12 日 API 促销约 $10/百万字符。单卡 H200 上官方称解码约 271 帧/秒。交互式改稿与音频局部重绘仍在小范围测试。

【可核验】

官方博客：https://fish.audio/blog/fish-audio-drama-3/

产品页：https://fish.audio/drama-3/

Hugging Face 权重：https://huggingface.co/fishaudio/drama-3

GitHub：https://github.com/fishaudio/fish-speech

技术报告 PDF：https://github.com/fishaudio/fish-speech/blob/main/docs/assets/Fish_Audio_Drama_3_Technical_Report.pdf

【我们的判断】

一、开源语音正从「能念」走向「能被导演」：Drama 3 把自然语言情绪指令写进训练目标（用人偏好奖励），比单纯堆发音准确更贴近创作工作流。

二、93.2% 发音稳健度来自第三方 Artificial Analysis，比纯厂商自测更有参考价值；情感表现仍缺统一公开评测。

三、开放权重不等于宽松商用：50 万美元营收门槛与「不得对外提供 TTS 服务」条款会卡住不少创业场景，落地前先读许可证。

四、本地推理门槛不低（文档写 Drama 3 FP8 约需 ≥48GB NVIDIA GPU），多数创作者会先走 API。