Drama3 换了新版权重：那些「停顿卡半天」和「情绪出不来」被修掉了，T8 的 V24 整合包整套换模型

2026年11月10日3 次阅读

> 先讲结论：Fish Audio 的 35B 语音模型 Drama3 在 10 月底放出了新版权重，主打修掉「说话长时间卡顿」和「强情绪演不出来」这两个老毛病；B 站 UP 主 T8star-Aix 在 11 月 9 日发了新老模型对比实测，同时把本地整合包更新到 V24——但模型整套换新，旧包不能原地升级。

这次更新到底动了什么

Drama3 是 Fish Audio 面向多角色场景、长文本和配音工作流做的语音合成（TTS）模型：35B 参数、MoE 结构，每个 token 只激活约 3B，支持最多 16 个说话人标签、83 种语言，以及用自然语言给你「说戏」。它在 10 月 13 日首次开放，模型卡在 10 月 29 日又更新了一版权重（仓库里那次提交写的是清理旧分片、更新说明）。

T8 在视频里讲的正是这一版。他说之前做 ComfyUI 节点和整合包时就发现两个对不上的地方：

有些句子中间会停非常长，明显不像正常人换气；
该爆发的强情绪被抹平了，和官方演示的效果有差距。

按他的说法，官方这次的新模型让音效和音色克隆都往上提了一截，并且在语音竞技场的榜单上排到了第一。这一点属于作者转述榜单结论，本文没法独立复核具体名次，只能确认官方模型卡确实把「多说话人 + 情绪化语音 + 音频编辑」列为核心能力。

视频是怎么对比的

整段测评没有堆参数，用的是同一批「打工人 vs 老板 vs 猫总监」的短剧台词，做新老模型 A/B：

中文段：AI 替人上班、自动回复消息、拒绝没必要的会，最后反手给自己申请年假；
英文段：同一套设定的英文版，用来听跨语言时的口音和重音；
日文段：「猫が社長になりました、会議は昼寝の後です」这种带画面感的短句；
方言段：一句四川话「老板，莫催嘛，猫都下班了，你还开啥子会哦」。

听完这批对比，T8 自己的总结是：不自然的停顿基本修好了，情感饱和度、配音感、去噪感都更好；但仍然有需要抽卡的地方——也就是同一条台词可能要生成几次才满意。

这种测法其实比跑 WER 数字更贴近使用者。做短剧、有声书、游戏配音的人，真正卡住进度的不是字错率，而是「一句话里的情绪对不对」和「有没有奇怪的停顿」。

T8 整合包 V24 改了什么

这次整合包不是一个补丁，而是一次大版本：

模型整套换新：主模型和两个配套文本头一起同步到官方 10 月 29 日的权重。T8 在视频里反复强调「方便的话重新下载」，因为旧包里的模型不能直接替换成新效果。
节点与工作流一起更新：ComfyUI 节点和画布工作流此前很久没动，这次同步更新；整合包支持一次生成多条台词，方便挑。
老显卡适配：不少人反馈旧卡架构不同、编译阶段就报错、直接起不来，这次做了兼容处理；如果还不行，他的建议是让 AI agent 帮你读日志排查。
转写依赖重做：配音转文字那一段涉及 Confucius（R2T2）这套本地转写，运行库随之调整，需要按新版本重装原生依赖。
加速仍不算快：作者明确说还没到「特别快」，后续会继续更。

一个细节值得记：他在 RunningHub 上挂的两个在线工作流还是老模型版本，新模型最快次日才更新。想直接在线试新版的人，别拿线上的结果当新版效果。

怎么用：想自己跑，需要准备什么

按 T8 的模型仓说明，本地生成至少需要三样东西：一个主模型、音频 Codec、以及选定或回退的文本头。主模型有两种规格：

FP8 主模型约 38.6 GB，走 models/diffusion_models/；
W4A8 主模型约 24.6 GB，是体积更小的备选；
Codec 约 1.57 GB，放 models/vae/；
文本头分精简版（8 KB）和完整版（1.03 GB）。

另外还有可选的 Qwen3-ASR 转写、强制对齐、VAD 和说话人模型——手填准确台词的话，这些可以不装。官方也给了 SGLang-Omni 和 vLLM-Omni 的部署方式，适合有卡、有运维能力的人自己起服务。

如果显卡不大，社区还有另一条路：第三方 ComfyUI 端口把 90% 的专家权重放在系统内存里、GPU 只缓存正在用的部分，标称 8GB 显存起，代价是需要 32–48GB 内存，速度也依赖内存带宽。这条路和 T8 的原生整合包不是同一套东西，别混着装。

适用场景与不适用场景：谁该升级，谁可以先等等

适合现在就动的人：

已经在用 T8 整合包做短剧、有声书、口播配音，且对停顿和情绪一向不满意；
有 24GB 以上显存、或愿意接受内存换显存方案的本地玩家；
需要多角色同场景、多语言切换的内容团队。

可以先不折腾的人：

只用在线 API 的：官方托管服务本来就会跟着模型走，不需要本地部署；
只想「听个响」的：先看 T8 视频里的对比片段，比下载 40GB 权重划算；
显存 8GB 以下、内存 32GB 以下的机器：就算跑起来，生成速度和抽卡成本也会很难受。

避坑：几个容易踩的坑

旧包不能原地换模型：V24 是整套权重替换，直接覆盖文件容易版本对不上，建议按发布说明更新代码、再单独拉模型。
文本头要一起换：主模型和两个文本头是配套的，只换主模型会出现奇怪的表现。
线上工作流是旧的：RunningHub 上那两个版本还是老模型，别拿它判断新版效果。
抽卡依然存在：作者自己承认仍有需要重生成的句子，别期待一次成型。
授权要看清楚：官方权重用的是 Fish Audio 研究授权，不是随便商用的 Apache 类协议；第三方端口另有 GPL-3.0 的代码授权。

顺带一提：平台那摊事

视频后半段 T8 花了不小篇幅讲算力价格：这段时间平台改了计费，很多人反馈积分不够用、部分定价不合理；他的说法是之前长期靠补贴压价，现在回到相对正常的价格，涨价没办法，但一些明显不合理的设定他已经在跟平台各部门沟通，部分已改；客服态度出问题的人员当天被处理。这部分属于平台运营信息，和模型能力无关，但如果你正在用他推荐的平台，值得知道。

行动建议

第一步，先看视频里那四组对比（中文、英文、日文、方言），确认新版在你关心的语种上确实变好；第二步，如果决定上手，去 T8 的模型仓按「主模型 + Codec + 文本头」三件套下载，代码用 0.3.3 或更新版本；第三步，用你自己的一段真实台词做小样，别用官方示例句，因为停顿问题往往只在长句和情绪转折处暴露。

参考来源见文末。