Fish Audio veröffentlicht Drama 3: 35B-MoE-TTS mit offenen Gewichten, Selbsthosting ab 48 GB VRAM
Laut MarkTechPost vom 14. Oktober 2026 hat Fish Audio Drama 3 veröffentlicht, ein Text-to-Speech-Modell mit Mixture-of-Experts-Architektur, 35B Gesamtparametern und rund 3B aktivierten Parametern pro Token. Die Gewichte sind auf Hugging Face offen verfügbar, es gilt eine Community-Lizenz mit 500.000 USD Umsatzobergrenze; für FP8-Selbsthosting sind mehr als 48 GB NVIDIA-VRAM nötig.
Was sich geändert hat
Laut einem Bericht von MarkTechPost vom 14. Oktober 2026 hat Fish Audio das Text-to-Speech-Modell Drama 3 veröffentlicht. Der Bericht gibt an, die Gewichte seien auf Hugging Face veröffentlicht worden, und nennt zugleich eine gehostete API von Fish Audio, die ebenfalls an den Start gegangen sei. Dem Bericht zufolge hat das Modell 35B Gesamtparameter und aktiviert pro Token rund 3B Parameter (8 von 256 Experten plus 1 geteilter Experte); der Backbone basiert auf dem Sprachmodell Qwen3.5-35B-A3B mit 40 Schichten, gruppiert als 1 gated Full-Attention-Schicht plus 3 Gated-DeltaNet-Schichten, wobei nur jede vierte Schicht den KV-Cache behält. Das Modell unterstützt Performance-Anweisungen in natürlicher Sprache oder in eckigen Klammern, wobei die Sprache der Anweisung von der Sprache des gesprochenen Textes abweichen kann; es unterstützt 83 Sprachen, Sprecher-Tags fassen in einer Anfrage bis zu 16 Rollen, und die API nimmt pro Sprecher eine Voice-ID entgegen. Der neue Decoder Codebook-MTP ersetzt den Frame-für-Frame-Fast-AR-Decoder von S2, wobei nur die Codebooks 0 und 1 an den Backbone zurückgemeldet werden. Der Bericht nennt einen Gesamtwert von 93,2 % und Rang 1 bei der Artificial Analysis Pronunciation Robustness, gegenüber 88,1 % beim Vorgänger S2.1 Pro; die schwächste Kategorie sind exakte Sequenzen wie Code, Pfade und E-Mail-Adressen mit 86,3 %. Zur Hardware heißt es im Bericht, unter FP8 seien mindestens 48 GB NVIDIA-VRAM erforderlich, CPU, Apple MPS und AMD ROCm würden nicht unterstützt, die offiziellen Benchmarks nutzten eine einzelne H200, die mediane Zeit bis zum ersten Audio bei einem Stream betrage 88,9 ms bei einem Echtzeitfaktor von 0,131, der Durchsatz bei 16 parallelen Streams liege bei 927,6 Frames/s, die Inferenz laufe über SGLang-Omni, und die fusionierten Kernel seien nur auf Hopper-GPUs validiert. Die Lizenz ist die Fish Audio Community License v1.0: kostenlos für Forschung und nichtkommerzielle Nutzung, kostenlos für kommerzielle Nutzung unter 500.000 USD Jahresumsatz, separates Lizenzierungserfordernis für API-Hosting durch Dritte, Produkte müssen den Hinweis Built with Fish Audio zeigen, und das Klonen echter Stimmen ohne Einwilligung ist untersagt.
Auswirkungen für Entwickler
Für Entwickler liegt die Bedeutung von Drama 3 darin, dass steuerbare Performance-Anweisungen und das Rendern von Skripten mit mehreren Sprechern in offenen Gewichten verfügbar werden. Dem Bericht zufolge passen in eine Anfrage bis zu 16 Rollen bei 83 Sprachen, was für Hörbuch-, Synchron- und Dialog-Pipelines die Möglichkeit eröffnet, eine ganze Szene in einem Aufruf zu rendern. Offene Gewichte sind jedoch nicht gleichbedeutend mit einer Open-Source-Lizenz: Der Bericht nennt die Fish Audio Community License v1.0, nach der kommerzielle Nutzung ab 500.000 USD Jahresumsatz nicht mehr kostenlos ist, API-Hosting durch Dritte eine separate Lizenz erfordert und Produkte einen Attributionshinweis tragen müssen. Das bedeutet, dass das Verpacken von Drama 3 als externer Sprachdienst und die interne Eigennutzung zwei verschiedene Lizenzpfade sind; zuerst müssen die eigene Umsatzgröße und die Vertriebsform geklärt werden. Auch die Hardwarehürde ist eine Einschränkung: Dem Bericht zufolge sind unter FP8 mindestens 48 GB NVIDIA-VRAM nötig und CPU, MPS sowie ROCm werden nicht unterstützt; die offiziellen Latenzdaten beruhen auf einer einzelnen H200. Für kleinere Teams mit nur 24-GB-Grafikkarten oder Nicht-NVIDIA-Umgebungen ist Selbsthosting daher nicht ohne Weiteres machbar. Zur Qualität nennt der Bericht einen Quality-Elo von 1242 für Drama 3 Preview gegenüber 1190 für den Vorgänger S2.1 Pro, aber noch hinter 1328 für Eleven v4 Turbo; dies deutet darauf hin, dass instruktionsbasierte Steuerung und mehrere Sprecher die Stärkerichtung sind, die absolute Audioqualität laut dem Bericht aber nicht der führende Punkt ist. Außerdem misst der genannte Benchmark laut Bericht die Aussprache und nicht den emotionalen Ausdruck; die emotionale Qualität wird nur qualitativ beschrieben, sodass Produkte, deren Kernversprechen emotionaler Ausdruck ist, sich nicht allein auf diesen Wert stützen sollten.
Integration und Bewertung
Empfehlung eins (Modell-Header und Fallback-Absicherung, als analytische Empfehlung): Dem Bericht zufolge erfolgt die Modellauswahl über den Modell-Header von POST /v1/tts; ein fehlender oder falsch geschriebener Header fällt still auf s2.1-pro zurück. Wer bereits Aufrufcode für S2.1 Pro hat, sollte zuerst explizite Header-Konstanten anlegen und mit Assertions absichern, statt sich auf das Standardverhalten zu verlassen; in bestehenden Pipelines, die mehrere TTS-Versionen parallel pflegen, hat diese Entscheidung höchste Priorität, da ein stiller Fallback A/B-Ergebnisse verfälscht. Ein messbares Bewertungskriterium: bei festem Eingabetext im Regressionsset prüfen, ob das im Antwortfeld angegebene Modellversionsfeld mit der lokalen Aufzeichnung übereinstimmt, eine Fallback-Rate von 0 erreichen und vergleichen, ob die Ausspracheunterschiede vor und nach der Umstellung zum Header passen. Empfehlung zwei (Grenze zwischen Selbsthosting und gehosteter API, als bedingte Analyse): Dem Bericht zufolge erfordert Selbsthosting unter FP8 mehr als 48 GB NVIDIA-VRAM und unterstützt CPU, MPS sowie ROCm nicht, während die gehostete API mit 50 USD pro 1 Million Zeichen bepreist ist und der genannte Einführungspreis von 10 USD bis zum 12. November 2026 gilt. Die Entscheidung sollte sein, Spitzenlast zunächst über die gehostete API abzufangen und Selbsthosting erst bei stabiler Last und lizenzkonformer Eigennutzung zu prüfen; Voraussetzung sind eine GPU der Hopper-Klasse und ein Jahresumsatz unter der im Bericht genannten Schwelle von 500.000 USD, sonst greifen Lizenz- und Hardwarebeschränkungen gleichzeitig. Ein messbares Bewertungskriterium: bei der angepeilten Nebenläufigkeit (etwa den im Bericht genannten 16 Streams) die Latenz bis zum ersten Audio und den Echtzeitfaktor messen, die tatsächlichen Kosten pro Million Zeichen den Abschreibungskosten für Selbsthosting gegenüberstellen und den Schnittpunkt beider auf der monatlichen Nutzungskurve bestimmen. Empfehlung drei (Textvorverarbeitung, als analytische Empfehlung): Dem Bericht zufolge ist die schwächste Kategorie mit 86,3 % exakte Sequenzen wie Code, Pfade und E-Mail-Adressen, während Marken, Orte und Fachbegriffe 95,9 % erreichen. Die praktische Entscheidung ist, Code-, Pfad- und E-Mail-Fragmente vor der Übergabe an die TTS umzuschreiben oder mit Aussprachehinweisen zu versehen, statt den Rohtext direkt vorlesen zu lassen; den größten Nutzen bringt das bei Lehr- und Dokumentationsinhalten mit Fachbegriffen und Codebeispielen. Ein messbares Bewertungskriterium: ein Testset mit URLs, Versionsnummern und Dateipfaden erstellen und die zeichengenaue oder manuell gehörte Fehlerrate vor und nach der Vorverarbeitung vergleichen.
Grenzen und offene Fragen
Klarzustellen ist: Die Version Drama 3 ist derzeit nicht im Echtzeit-Modellkatalog von KimiSeek aufgeführt; die im Bericht genannte API-Verfügbarkeit bezieht sich auf den eigenen gehosteten Dienst von Fish Audio, nicht auf diese Plattform. Die im Bericht genannten Preise (50 USD pro 1 Million Zeichen sowie ein Einführungspreis von 10 USD bis zum 12. November 2026) stammen aus dem Bericht vom 14. Oktober 2026, können sich geändert haben und sollten der offiziellen Preisseite von Fish Audio entnommen werden; darauf sollte keine langfristige Budgetplanung gestützt werden. Der Bericht nennt keine Kontextlänge; Architektur- und Trainingsdetails (Codebook-MTP-Decoder, GRPO-Reinforcement-Learning und Weiteres) sind aus der Quelle übernommen und nicht unabhängig von dieser Redaktion verifiziert. Bei den Benchmarks stammen der Wert zur Aussprache-Robustheit und das Quality-Elo von Artificial Analysis sowie von Fish Audio selbst; das Elo von Drama 3 Preview ist ein Ergebnis der Vorschauversion und repräsentiert nicht die finale Version; zur emotionalen Qualität gibt es nur qualitative Beschreibungen, keine quantitativen Belege. Hardware- und Latenzdaten beruhen auf einer einzelnen H200, und die fusionierten Kernel sind nur auf Hopper validiert; die tatsächliche Leistung auf anderen GPUs ist unbekannt. Die endgültige Auslegung der Lizenzbedingungen hängt vom Wortlaut der Fish Audio Community License v1.0 ab; der genaue Anwendungsbereich der Umsatzobergrenze und der Anforderungen an Drittanbieter-Hosting sollte dem Lizenztext und juristischer Beratung entnommen werden. Zudem stammen die 48-GB-VRAM-Hürde und die Einschränkungen bei CPU, MPS und ROCm aus der Quelle und wurden nicht in einer lokalen Umgebung reproduziert.