专题 · FULL STORY

Fish Audio Drama 3:从开源发布到实测接入

Fish Audio 于10月中旬开源 Drama 3 Preview 语音模型，以「导演表演」理念登顶开源 TTS 榜并超越 Eleven v4。随后 audio.cpp 宣布接入支持，多位博主实测给出评价，事件线从发布走向生态落地。

2026-10-14 ~ 2026-10-17 · 3 集 · 39 条

第 1 集 · Fish Audio 开源 Drama 3：登顶开源 TTS 榜、超越 Eleven v4(2026-10-14,30 条)

Fish Audio 于 10 月 14 日发布开放权重语音合成模型 Drama 3 Preview，核心理念是「导演表演，而不只是念词」；同日 Artificial Analysis 榜单即显示其成为 Text to Speech 总榜第一的开源权重模型并超越 Eleven v4，独立数据快速验证了官方宣称。公司同时披露已完成 5200 万美元种子轮融资、用户超 1500 万。

已确认

  • 开放权重发布：Drama 3 以 open-weight 形式开源，权重以 safetensors 形式登上 Hugging Face 趋势榜（@fishaudio、@LexSokolin、@rohanpaulai 等多篇帖子一致）
  • 自然语言「导演」语音：可用自然语言指定一句话的情绪、节奏、停顿，甚至插入音效，并精确控制只改变哪些词；官网演示了同一句台词的 5 种导演方式（@rohanpaulai、@lmoroney）
  • 单词级编辑与局部修复：可在不破坏周围韵律和转场的情况下替换长音频中的单个词，支持局部音频修复；可在句中切换音色与情绪，一次生成多角色对手戏，适合多角色对话与长文本配音（@LexSokolin、@lmoroney、@ying11231）
  • 架构与性能：基于 fishomni 架构，35B 参数 MoE 文本骨干，每 token 激活 3B，覆盖中、英、日三种语言，单卡 H200 解码速度达 271 帧/秒，支持多参考音色克隆、下一轮给意见即改录（@fishaudio、@ying11231）
  • 榜单表现：据 Artificial Analysis，Drama 3 Preview 成为 TTS 总榜第一的开源权重模型，发音鲁棒性评测中获两项第一、一项第二，并超越 Eleven v4；该评测衡量模型对困难文本的发音正确率，分四个类别，由人类评审对照预定标准逐条判定。官方还放出金融财报播报（资本市场业务营收环比增长 7.1% 至 8.922 亿美元）与 gut-brain axis 科普文本等实测样例，展示术语与数字发音稳定性
  • 竞技场数据：在 Provider Voice Arena 中，Drama 3 Preview 于 1,857 次出场获得 Elo 1243，排名第 10，仅次于 Speechify Simba 3.2，Elo 较自家上代上涨 101 分
  • 本地部署：akhaliq 在 Hugging Face 发布 int4 量化版，35B 参数模型量化后仅约 22.1GB（另一帖称显存从 37GB 降至 20.8GB），单张 GPU 即可运行；@futterneid 称模型可在 DGX Spark 上流畅运行，4bit 量化版效果接近原版
  • 公司数据：官方称拥有 1500 万以上用户，种子轮融资 5200 万美元（@LexSokolin、@bigaiguy 转述）

尚未确认

  • 有转发帖称 Drama 3 支持 83 种语言，与官方中、英、日三语的说法不一致，以官方口径为准

为什么重要

  • Drama 3 把 TTS 的交互范式从「写文字」推进到「导表演」，情绪与可控性成为开源语音模型的新竞争维度
  • 开放权重加上单词级编辑、局部修复与多角色能力，有望降低有声书、播客、配音等多角色长文本场景的门槛；@LexSokolin 等作者认为其情感表现力与可控性在当前 TTS 中处于领先位置
  • 独立评测快速验证了官方宣称：登顶开源权重 TTS 榜并超越 Eleven v4，显示开源模型在语音合成上正快速逼近甚至超越头部闭源商业服务
  • 5200 万美元种子轮融资显示语音合成赛道仍获资本重点押注

还有 10 条相关讨论 →

第 2 集 · Fish Audio Drama3 语音模型接入 audio.cpp(2026-10-16,2 条)

audio.cpp 宣布支持 Fish Audio 的 Drama3 语音合成模型，该支持由 JarodMica 贡献。性能方面表现亮眼：在 RTX 5090 上全速运行最高可达 5 倍实时速度，为本地高性能语音合成提供了新的开源选择。

第 3 集 · Fish Audio 开源 Drama 3 语音模型：自然语言导演式控制(2026-10-16,7 条)

Fish Audio 于 10 月 16 日发布语音模型 Drama 3 预览版，多家博主同期报道并给出实测评价。该模型完全开放权重，覆盖 83 种语言，权重已托管于 Hugging Face（fishaudio/drama-3），被描述为目前排名第一的开源 TTS 模型。

已确认

  • 核心特性：支持自然语言「导演式」表演指令——在台词中用纯文本描述情绪、意图、节奏、停顿，甚至指定哪些词发生变化，即可精确控制每句的演绎方式，而非仅照稿朗读
  • 支持在转录文本中嵌入 meta 标签，直接控制语音的情绪、语气方向和音效
  • 支持音频 inpainting（局部重绘/修音）
  • 覆盖 83 种语言，完全开放权重，发布形态为 Preview 预览版，权重托管于 Hugging Face

为什么重要

  • 自称测试过数百个语音模型的博主 mhdfaran 评价称，Drama 3 是目前情感表现力最强的语音模型，且开放权重降低了使用门槛
  • VibeMarketer 认为其价值不只是逼真度，而是可控性——用指令驱动语气与情感表达，相当于把「念稿」变成「表演」，并以「借它说日语」为例说明其跨语言应用潜力
  • 自然语言控制情绪、内嵌 meta 标签与音频 inpainting 的组合，使语音内容的后期调整更精细，对配音、多语言内容制作等场景有实际意义