Fish Audio 开源 35.9B MoE 语音模型 Drama 3，登顶 TTS 榜单
kastnerkyle · x · 2026-10-19
Fish Audio 发布开源权重语音生成模型 Drama 3：35.9B 参数 MoE 架构（由 Qwen3.5-35B-A3B 初始化），骨干每 token 仅激活约 3B，号称参数总量最大的开源语音生成模型，登上 TTS 排行榜第一。
架构要点（vs 上一代 S2）
- 骨干换成混合线性注意力 MoE（Gated DeltaNet + MoE），替代 S2 的稠密 Qwen3
- 仅每帧 code 0 和 1 反馈回骨干（S2 是十条全反馈）
- 新的 codebook-MTP 音频解码器：每个声学 codebook 独占一层、沿时间做因果注意力，替代 S2 的逐帧 Fast AR
- RL 仅用一个学习得到的人类偏好奖励，不再用 ASR/说话人相似度/质量奖励
性能：虽然参数是 S2 的 7.8 倍（4.6B），单 H200 上解码速度反而更快（271 vs 177 frames/s），原因是每帧权重读取从 15.6 GB 降到 6.0 GB、骨干后串行层从 40 降到 13。官方同步发布技术报告，并上线 SGLang-Omni 首日推理支持。新增任务包括输出编辑、场景配音、infill 编辑与流式文本输入。
「模型」频道最新
- Ingot 上线 4 天：社区量化 Qwen3.8-27B 超官方 FP8 版 — const_reborn · 2026-10-19
- Cohere 宣布旗下新模型架构全部兼容 llama.cpp — nick_frosst · 2026-10-19
- Liquid AI 谈端侧 LFM 预训练:参数更少,靠架构与数据补质量 — JosephJacks_ · 2026-10-19
- 曝 The Information 称本月发 Fable 5.5、Gemini 4 Carbon 与 GPT-6.1 Terra — Angaisb_ · 2026-10-19
- 模型饱和度数据并不可靠：harness 与部署方式都在污染结论 — matt_slotnick · 2026-10-19
- Claude 帮用户修好硬盘，却拒找他自己的加密钱包助记词 — MoonL88537 · 2026-10-19