Fish Audio publie Drama 3 : un TTS à poids ouverts MoE de 35B, à partir de 48 Go de VRAM
Selon un article de MarkTechPost du 14 octobre 2026, Fish Audio a publié Drama 3, un modèle texte-parole à mélange d'experts de 35B de paramètres totaux avec environ 3B activés par token, dont les poids sont ouverts sur Hugging Face sous une licence communautaire plafonnée à 500 000 dollars de chiffre d'affaires, l'auto-hébergement en FP8 nécessitant plus de 48 Go de VRAM NVIDIA.
Ce qui change
Selon un article de MarkTechPost du 14 octobre 2026, Fish Audio a publié le modèle texte-parole Drama 3 et indiqué que les poids ont été mis en ligne sur Hugging Face, en parallèle du lancement de l'API hébergée de Fish Audio. L'article rapporte que le modèle compte 35B de paramètres totaux et environ 3B activés par token (8 experts activés sur 256, plus 1 expert partagé), avec un squelette fondé sur le modèle de langage Qwen3.5-35B-A3B, 40 couches, groupées selon 1 couche d'attention complète à portail pour 3 couches Gated DeltaNet, ne conservant qu'une couche de cache KV sur 4. Le modèle permet d'écrire des instructions de jeu en langage naturel ou entre crochets, la langue des instructions pouvant différer de celle des répliques lues ; il prend en charge 83 langues, les étiquettes de locuteur pouvant accueillir jusqu'à 16 personnages dans une même requête, l'API recevant 1 identifiant de voix par locuteur. Le nouveau décodeur est Codebook-MTP, remplaçant le décodeur Fast AR image par image de S2, seuls les codebooks 0 et 1 étant renvoyés au squelette. L'article rapporte un score global de 93,2 % et un classement n° 1 sur Artificial Analysis Pronunciation Robustness, contre 88,1 % pour la génération précédente S2.1 Pro ; la catégorie la plus faible est celle des séquences exactes comme le code, les chemins et les e-mails, à 86,3 %. Côté matériel, l'article rapporte qu'au moins 48 Go de VRAM NVIDIA sont nécessaires en FP8, que le CPU, Apple MPS et AMD ROCm ne sont pas pris en charge, que les benchmarks officiels utilisent 1 H200, avec un temps médian jusqu'au premier audio de 88,9 ms en flux unique, un facteur temps réel de 0,131, un débit de 927,6 images/s sur 16 flux, une inférence servie via SGLang-Omni, les noyaux fusionnés n'étant validés que sur GPU Hopper. La licence est la Fish Audio Community License v1.0 : gratuite pour la recherche et les usages commerciaux non commerciaux, gratuite pour les usages commerciaux sous 500 000 dollars de revenus annuels, l'hébergement d'API tierces nécessitant une licence distincte, le produit devant afficher Built with Fish Audio, et le clonage de voix humaines réelles sans consentement étant interdit.
Conséquences pour les développeurs
Pour les développeurs, l'intérêt de Drama 3 est de placer des instructions de jeu contrôlables et le rendu de scripts multi-locuteurs dans des poids ouverts ; selon la source, une seule requête peut accueillir 16 personnages et couvrir 83 langues, ce qui ouvre la possibilité, pour les pipelines de livres audio, de doublage et de dialogues scénarisés, de rendre une scène entière en un seul appel. Mais des poids ouverts ne valent pas licence open source : la source indique que les poids sont fournis sous Fish Audio Community License v1.0, que l'usage commercial au-delà de 500 000 dollars de chiffre d'affaires annuel n'est plus gratuit, que l'hébergement d'API tierces exige une licence distincte et que le produit doit afficher une mention d'attribution. Cela signifie que transformer Drama 3 en service vocal externe et l'utiliser en interne relèvent de deux parcours de licence différents, et qu'il faut d'abord vérifier son niveau de revenus et sa forme de distribution. Le seuil matériel constitue lui aussi une contrainte : la source indique qu'au moins 48 Go de VRAM NVIDIA sont requis en FP8, sans prise en charge du CPU, de MPS ni de ROCm, et que les données officielles de latence reposent sur un seul H200 ; pour une petite équipe ne disposant que d'une carte de 24 Go ou d'un environnement non NVIDIA, l'auto-hébergement n'est donc pas directement envisageable. Sur la qualité, la source indique que son Elo de qualité (Drama 3 Preview 1242) dépasse les 1190 de la génération précédente S2.1 Pro, mais reste derrière les 1328 d'Eleven v4 Turbo, ce qui suggère que le contrôle par instructions et le multi-locuteurs sont ses points forts, la qualité audio absolue n'étant pas, selon la source, un point de supériorité. En outre, la source précise que ce benchmark mesure la prononciation et non l'expression émotionnelle, la qualité émotionnelle n'étant décrite que qualitativement ; un produit dont l'argument central est l'expression émotionnelle ne devrait donc pas se fonder sur ce seul score.
Intégration et évaluation
Recommandation 1 (en-tête de modèle et protection contre le repli, analyse indicative) : la source rapporte que l'API sélectionne le modèle via l'en-tête model de POST /v1/tts, et qu'un en-tête absent ou mal orthographié provoque un repli silencieux vers s2.1-pro. Si du code d'appel à S2.1 Pro existe déjà, le choix concret est de définir d'abord une constante d'en-tête explicite avec assertion, plutôt que de dépendre du comportement par défaut ; ce choix est prioritaire dans les pipelines existants qui maintiennent plusieurs versions de TTS, car un repli silencieux fausserait les résultats A/B. Critère d'évaluation mesurable : sur un ensemble de régression à texte d'entrée figé, vérifier que le champ de version de modèle réellement utilisé dans la réponse correspond à l'enregistrement local, avec un taux de repli de 0, et comparer si l'écart de prononciation avant/après changement est cohérent avec l'en-tête. Recommandation 2 (frontière entre auto-hébergement et API hébergée, analyse conditionnelle) : la source indique que l'auto-hébergement nécessite plus de 48 Go de VRAM NVIDIA en FP8, sans prise en charge de CPU/MPS/ROCm, tandis que l'API hébergée est affichée à 50 dollars par million de caractères, avec un tarif de lancement à 10 dollars selon la source, valable jusqu'au 12 novembre 2026. Le choix concret est de confier d'abord les pics de trafic à l'API hébergée, et de n'évaluer l'auto-hébergement qu'avec une charge stable et un usage interne conforme ; ce choix suppose de disposer d'un GPU de classe Hopper et un chiffre d'affaires annuel inférieur au seuil de 500 000 dollars cité par la source, faute de quoi les contraintes de licence et de matériel s'appliqueraient simultanément. Critère d'évaluation mesurable : mesurer la latence jusqu'au premier audio et le facteur temps réel à la concurrence visée (par exemple les 16 flux cités par la source), calculer le coût réel par million de caractères et le coût d'amortissement de l'auto-hébergement, et comparer le point de croisement des deux sur la courbe d'usage mensuel. Recommandation 3 (orientation du prétraitement de texte, analyse indicative) : la source indique que la catégorie la plus faible est celle des séquences exactes comme le code, les chemins et les e-mails, à 86,3 %, tandis que les marques, lieux et termes techniques atteignent 95,9 %. Le choix concret est de réécrire ou d'annoter la prononciation des fragments de code, de chemins et d'e-mails avant l'envoi au TTS, plutôt que de lire le texte brut ; ce choix est le plus rentable pour les contenus pédagogiques et les narrations de documentation contenant des termes techniques et des exemples de code. Critère d'évaluation mesurable : construire un jeu de test contenant des URL, des numéros de version et des chemins de fichiers, et comparer le taux d'erreur au niveau des caractères ou en écoute humaine avant et après prétraitement.
Limites et points à confirmer
À préciser : la version Drama 3 n'est actuellement pas inscrite au catalogue de modèles en temps réel de KimiSeek ; la disponibilité d'API évoquée par la source concerne le service hébergé de Fish Audio lui-même, et non cette plateforme. Les tarifs cités (50 dollars par million de caractères, tarif de lancement à 10 dollars jusqu'au 12 novembre 2026) relèvent du contenu publié le 14 octobre 2026 ; les prix peuvent avoir changé, il convient de se référer à la page tarifaire officielle de Fish Audio et de ne pas établir de budget à long terme sur cette base. La source ne précise pas la longueur de contexte ; les détails d'architecture et d'entraînement (décodeur Codebook-MTP, apprentissage par renforcement GRPO, etc.) sont rapportés depuis la partie émettrice et n'ont pas été vérifiés indépendamment par nos soins. Concernant les benchmarks, le score de robustesse de prononciation et l'Elo de qualité proviennent d'Artificial Analysis et d'auto-déclarations de Fish Audio, l'Elo de Drama 3 Preview étant un résultat de version préliminaire qui ne représente pas la version finale ; la qualité émotionnelle n'est décrite que qualitativement, sans preuve quantifiée. Les données matérielles et de latence reposent sur un seul H200, et les noyaux fusionnés n'ont été validés que sur Hopper ; les performances réelles sur d'autres GPU sont inconnues. L'interprétation finale des clauses de licence dépend du texte original de la Fish Audio Community License v1.0 ; le champ d'application précis du plafond de revenus et des exigences d'hébergement tiers doit être fondé sur le texte de la licence et un avis juridique. Enfin, le seuil de 48 Go de VRAM et l'absence de prise en charge de CPU/MPS/ROCm proviennent de la source et n'ont pas été reproduits dans un environnement local.