Fish Audio lanza Drama 3: TTS MoE de pesos abiertos con 35B y 48 GB de VRAM como mínimo
Según un reporte de MarkTechPost del 14 de octubre de 2026, Fish Audio lanzó Drama 3, un modelo de texto a voz de mezcla de expertos con 35B de parámetros totales y unos 3B activados por token, cuyos pesos se publican en Hugging Face bajo una licencia comunitaria con un límite de ingresos de 500 000 dólares, y cuya autohospedaje en FP8 requiere más de 48 GB de memoria de video NVIDIA.
Qué ha cambiado
Según un reporte de MarkTechPost del 14 de octubre de 2026, Fish Audio lanzó el modelo de texto a voz Drama 3, y afirma que los pesos ya se publicaron en Hugging Face, junto con el lanzamiento de la API alojada de Fish Audio. El reporte indica que el modelo tiene 35B de parámetros totales y activa aproximadamente 3B por token (8 de 256 expertos, más 1 experto compartido), con una columna vertebral basada en el modelo de lenguaje Qwen3.5-35B-A3B, 40 capas, agrupadas en 1 capa de atención completa con compuerta por cada 3 capas Gated DeltaNet, conservando solo 1 capa de caché KV cada 4 capas. El modelo admite instrucciones de actuación escritas en lenguaje natural o con corchetes, y el idioma de las instrucciones puede diferir del idioma de las líneas leídas; admite 83 idiomas, las etiquetas de hablante pueden alojar hasta 16 personajes en una sola solicitud, y la API recibe 1 ID de voz por hablante. El nuevo decodificador es Codebook-MTP, que reemplaza al decodificador Fast AR por fotograma de S2, y solo los codebooks 0 y 1 retroalimentan a la columna vertebral. El reporte afirma que obtuvo una puntuación general de 93,2 % y el puesto 1 en Artificial Analysis Pronunciation Robustness, frente al 88,1 % de la generación anterior S2.1 Pro; la categoría más débil son las secuencias exactas como código, rutas y correos electrónicos, con 86,3 %. En cuanto al hardware, el reporte indica que en FP8 se necesitan al menos 48 GB de memoria de video NVIDIA, que no admite CPU, Apple MPS ni AMD ROCm, y que el benchmark oficial usó 1 H200, con un tiempo mediano hasta el primer audio de 88,9 ms en un solo flujo, un factor de tiempo real de 0,131, un rendimiento de 927,6 fotogramas por segundo en 16 flujos, servicio de inferencia mediante SGLang-Omni, y núcleos fusionados validados solo en GPU Hopper. La licencia es Fish Audio Community License v1.0: gratis para investigación y para uso no comercial; el uso comercial es gratis por debajo de 500 000 dólares de ingresos anuales; el alojamiento de API de terceros requiere licencia aparte; el producto debe mostrar Built with Fish Audio; y se prohíbe clonar voces reales sin consentimiento.
Impacto para desarrolladores
Para los desarrolladores, el significado de Drama 3 radica en poner instrucciones de actuación controlables y renderizado de guiones multihablante dentro de pesos abiertos; según la fuente, una sola solicitud puede alojar 16 personajes y cubrir 83 idiomas, lo que abre la posibilidad de renderizar una escena completa en una llamada para pipelines de audiolibros, doblaje y diálogos de guion. Pero pesos abiertos no equivalen a licencia de código abierto: la fuente afirma que los pesos se ofrecen bajo Fish Audio Community License v1.0, que el uso comercial deja de ser gratis por encima de 500 000 dólares de ingresos anuales, que el alojamiento de API de terceros requiere licencia aparte y que el producto debe mostrar un sello de atribución. Esto significa que empaquetar Drama 3 como servicio de voz externo y usarlo internamente son dos rutas de licencia distintas, y hay que confirmar primero la escala de ingresos y la forma de distribución. El umbral de hardware también impone restricciones: la fuente afirma que en FP8 se necesitan al menos 48 GB de memoria de video NVIDIA y que no admite CPU, MPS ni ROCm, y los datos oficiales de latencia se basan en una sola H200, por lo que para equipos pequeños y medianos que solo tienen GPU de nivel 24 GB o entornos no NVIDIA, el autohospedaje no es directamente viable. En calidad, la fuente afirma que su Elo de calidad (Drama 3 Preview 1242) supera el 1190 de la generación anterior S2.1 Pro, pero sigue por detrás del 1328 de Eleven v4 Turbo, lo que indica que el control por instrucciones y los múltiples hablantes son su dirección de fortaleza, mientras que la calidad de audio absoluta no es un punto de liderazgo según el reporte de la fuente. Además, la fuente afirma que ese benchmark mide pronunciación, no expresión emocional, y la calidad emocional solo tiene descripción cualitativa, por lo que los productos cuyo principal argumento de venta sea la expresión emocional no deberían decidir solo con esa puntuación.
Integración y evaluación
Recomendación 1 (encabezado de modelo y protección contra retroceso, análisis recomendatorio): la fuente reporta que la API selecciona el modelo mediante el encabezado de modelo de POST /v1/tts, y que si falta el encabezado o está mal escrito, se retrocede silenciosamente a s2.1-pro. Si ya existe código de llamada a S2.1 Pro, la elección real es establecer primero una constante de encabezado explícita y añadir aserciones, en lugar de depender del comportamiento predeterminado; esta elección tiene la prioridad más alta en pipelines existentes que mantienen varias versiones de TTS a la vez, porque el retroceso silencioso distorsiona los resultados de A/B. El criterio de evaluación medible es: fijar el texto de entrada en un conjunto de regresión, verificar que el campo de versión de modelo realmente usado en la respuesta coincida con el registro local, que la tasa de retroceso sea 0, y comparar si las diferencias de pronunciación de la salida antes y después del cambio son coherentes con el encabezado. Recomendación 2 (frontera entre autohospedaje y API alojada, análisis condicional): la fuente afirma que el autohospedaje requiere más de 48 GB de memoria de video NVIDIA en FP8 y no admite CPU/MPS/ROCm, mientras que la API alojada tiene un precio de 50 dólares por millón de caracteres, y la fuente afirma que el precio de lanzamiento de 10 dólares se mantiene hasta el 12 de noviembre de 2026. La elección real es usar primero la API alojada para absorber picos de tráfico y evaluar el autohospedaje solo cuando la carga sea estable y el uso propio cumpla las condiciones; la premisa de esta elección es disponer de GPU de nivel Hopper e ingresos anuales por debajo del umbral de 500 000 dólares indicado por la fuente, de lo contrario las restricciones de licencia y hardware se aplican a la vez. El criterio de evaluación medible es: medir la latencia hasta el primer audio y el factor de tiempo real en la concurrencia objetivo (por ejemplo, los 16 flujos mencionados por la fuente), y calcular el costo real por millón de caracteres frente al costo de depreciación del autohospedaje, comparando el punto de cruce de ambos en la curva de uso mensual. Recomendación 3 (dirección de preprocesamiento de texto, análisis recomendatorio): la fuente afirma que la categoría más débil son las secuencias exactas como código, rutas y correos electrónicos, con 86,3 %, mientras que marcas, lugares y términos técnicos alcanzan 95,9 %. La elección real es reescribir o anotar la pronunciación de fragmentos de código, rutas y correos antes de enviarlos al TTS, en lugar de leer directamente el texto original; esta elección aporta el mayor beneficio en contenidos de enseñanza y narración de documentación que incluyen términos técnicos y ejemplos de código. El criterio de evaluación medible es: construir un conjunto de pruebas con URL, números de versión y rutas de archivo, y comparar la tasa de error a nivel de carácter o de audición humana antes y después del preprocesamiento.
Límites y cuestiones pendientes
Debe quedar claro: esta versión de Drama 3 no figura actualmente en el catálogo de modelos en tiempo real de KimiSeek; la disponibilidad de API mencionada por la fuente se refiere al servicio alojado de Fish Audio, no a esta plataforma. Los precios de la fuente (50 dólares por millón de caracteres y precio de lanzamiento de 10 dólares hasta el 12 de noviembre de 2026) forman parte del reporte del 14 de octubre de 2026, los precios pueden haber cambiado; consulte la página oficial de precios de Fish Audio y no haga presupuestos a largo plazo con base en ellos. La fuente no revela la longitud de contexto; los detalles de arquitectura y entrenamiento (decodificador Codebook-MTP, aprendizaje por refuerzo GRPO, etc.) se reproducen del emisor y no fueron verificados de forma independiente por esta publicación. En cuanto a benchmarks, la puntuación de robustez de pronunciación y el Elo de calidad provienen de Artificial Analysis y de autoinformes de Fish Audio, y el Elo de Drama 3 Preview corresponde a una versión preliminar, no a la versión oficial; la calidad emocional solo tiene descripción cualitativa, sin evidencia cuantitativa. Los datos de hardware y latencia se basan en una sola H200 y los núcleos fusionados solo se validaron en Hopper; el rendimiento real en otras GPU es desconocido. La interpretación final de los términos de licencia depende del texto original de Fish Audio Community License v1.0; el alcance concreto del límite de ingresos y los requisitos de alojamiento de terceros deben regirse por el texto de la licencia y una opinión legal. Además, el umbral de 48 GB de memoria de video y la falta de soporte para CPU/MPS/ROCm provienen de la fuente y no se reprodujeron en un entorno local.