Fish Audio 开放 Drama 3 权重：35B MoE 语音模型"听懂导演说戏"，一句话让 AI 重录一遍
> 先讲结论：语音公司 Fish Audio 于 10 月 13 日发布新一代语音生成模型 Drama 3（预发布版），并同步在 Hugging Face 开放权重。它最大的特点是"听懂人话"——你用大白话告诉它"这句笑一点、下句小声说、整段再来一遍但更开心"，它就照做。35B 参数的混合专家架构、约 80 种语言、44.1kHz 音质，配音、播客、游戏、有声书从业者都值得看一眼。本文基于 Fish Audio 官方发布信息并经多家媒体转述整理。
这是什么？
Drama 3 是 Fish Audio 的第三代语音生成模型，定位很明确：把配音从"调参数"变成"导戏"。
上一代 S2 已经能做到高质量语音克隆和多情感合成，但控制手段偏向固定的音频标签。Drama 3 换了个思路：直接理解自然语言指令。你可以写"用耳语的语气说这句话"、"念到产品名时加重"、"［笑场，重来，更兴奋一点］"这种导演笔记式的描述，模型照单全收。
底层架构也换血了：
- 35B-A3B 混合专家（MoE）主干：256 个专家里每个 token 只激活约 3B 参数，主干用门控 DeltaNet 线性注意力（每四层配一层全注意力），从 Qwen3.5 初始化
- Codebook-MTP 音频解码器：13 层新结构替代 S2 的 Fast AR，输出 44.1kHz 音频
- 强化学习对齐：用单一人类偏好奖励模型跑 GRPO，没有人工规则奖励
训练数据规模是数千亿 token，覆盖约 80 种语言和方言。
为什么重要？
对普通用户来说，这是"AI 配音好不好用"的分水岭事件：以前的 TTS 更像高级复读机，Drama 3 更像能沟通的配音演员。
对实际干活的人，价值集中在四个场景能力上：
- 多轮返场修改：第一版不满意，下一轮直接给备注（比如"比上一版更开心"），模型会带着原始参考音频和上一版重新演绎。官方数据显示，三轮返场后情绪准确率从 55.5% 提到 58.2%，风格准确率从 76.5% 提到 81.8%
- 语音内剪辑（infill）：已经录好的音频里想改一个词、加一声咳嗽，只需重生成改动窗口，前后音频原样保留。官方称在 Ming-Freeform 编辑基准上，中英文词错率都低于 Cartesia Sonic-3 的 infill 接口
- 多角色场景：最多 16 个说话人的对话场景合成，适合广播剧、游戏 NPC 对话
- 流式与长文本：支持流式输入和长篇合成，能挂进实时语音管线
怎么用？门槛在哪？
三条路，按动手成本从低到高：
- 直接玩：fish.audio 网页、iOS 和 Android App 已上线 Drama 3
- API：官方 API 的模型名是
drama-3，OpenRouter 也已上架 - 本地部署：fish-speech 代码仓库开源了推理代码，权重在 Hugging Face（fishaudio/drama-3）。注意门槛：FP8 量化也需要 48GB 显存的 NVIDIA GPU；在 H200 上用 SGLang-Omni 单流跑到 271 帧/秒（上一代 S2 是 177）
社区已经出现 GGUF、int4 等量化版本，显存有限的玩家可以关注后续进展，但这些是第三方衍生，非官方产物。
数据速览
| 维度 | S2（上一代） | Drama 3 |
| --- | --- | --- |
| 参数规模 | 未公开（S2-Pro 提供商用 API） | 35B MoE，激活约 3B |
| 单流推理速度（H200） | 177 帧/秒 | 271 帧/秒 |
| 指令控制 | 固定音频标签为主 | 自然语言说戏 + 标签 |
| 多轮返场 | 不支持 | 支持（备注即改） |
| 句中剪辑 | 不支持 | infill，只重生成改动窗口 |
| 输出采样率 | 44.1kHz | 44.1kHz |
不适用场景与避坑
- 这是预发布版（Pre-Release），非正式版，生产环境谨慎
- 官方明确说这是 open-weight（开放权重）而非 open source：Fish Audio Community License v1.0 规定研究和非商用免费；年营收低于 50 万美元的公司可免费商用；更大的商业使用需要单独授权。想拿去商用前先看许可证
- 本地部署显存门槛高（48GB 起），消费级显卡暂时玩不了原版
- 官方未公布绝对词错率（WER）数字，与竞品的对比都来自官方基准口径，自行选型建议实测
下一步
- 想试效果：打开 fish.audio 或官方 App，输入一段带"导演笔记"的台词感受一下
- 想集成：API 模型名
drama-3，注意预发布版定价和限流可能调整 - 想自部署：GitHub 的 fishaudio/fish-speech 仓库 Release 页下载 v3.0.0-beta，权重从 Hugging Face 拉取；48GB 显存是入场券