Fish Audio 开源 Drama 3：35B MoE 语音模型单卡 H200 解码 271 帧/秒

fishaudio · hf · 2026-10-14

Fish Audio 发布开源语音生成模型 Drama 3：基于 35B 参数 MoE 骨干（每 token 激活 3B），可将文本转化为「有导演感的表演」。模型支持多参考音色克隆、自然语言表演指令、下一轮给意见即改录、多角色场景配音、infilling 语音编辑及长文本与流式合成——多轮修改、场景配音、infilling 编辑与流式输入均为 Drama 3 新增。技术上采用混合线性注意力骨干与新的 codebook 多 token 预测音频解码器，训练经三阶段预训练、指令微调与仅以人类偏好模型为奖励的大批量 RL。单张 H200 解码速度 271 帧/秒，是参数量仅其七分之一的 Fish Audio S2（177 帧/秒）的 1.5 倍。权重已开源在 GitHub 与 Hugging Face。