Fish Audio、Drama 3を発表：35B MoEのオープンウェイトTTS、48GB VRAMから
MarkTechPostの2026年10月14日の報道によると、Fish AudioはDrama 3を発表した。総パラメータ35B、トークンあたり約3Bを活性化するMixture-of-Experts型テキスト読み上げモデルで、重みはHugging Faceで公開され、年間売上50万ドル上限付きのコミュニティライセンスを採用し、FP8でのセルフホストには48GB以上のNVIDIA VRAMが必要とされる。
主な変更
MarkTechPostの2026年10月14日の報道によると、Fish Audioはテキスト読み上げモデルDrama 3を発表し、重みをHugging Faceで公開するとともに、Fish Audioのホスト型APIも提供開始したとされる。報道によれば、総パラメータ35B、トークンあたり約3Bを活性化（256個のエキスパートのうち8個を活性化し、さらに共有エキスパート1個を加える）し、バックボーンはQwen3.5-35B-A3B言語モデルを基盤とし、40層で、ゲート付き全注意層1層に対してGated DeltaNet層3層を組み合わせる構成であり、4層ごとにKVキャッシュを1層のみ保持する。自然言語または角括弧プロンプトで演技指示を記述でき、指示の言語と読み上げる台詞の言語は異なってもよい。83言語をサポートし、話者タグは1回のリクエストで最大16キャラクターまで扱え、APIは話者ごとに1つの音声IDを受け取る。新しいデコーダはCodebook-MTPで、S2のフレーム単位Fast ARデコーダを置き換え、コードブック0と1のみをバックボーンにフィードバックする。報道ではArtificial AnalysisのPronunciation Robustnessで総合スコア93.2%、1位とされ、前世代のS2.1 Proは88.1%だった。最も弱いカテゴリはコード、パス、メールなどの正確なシーケンスで86.3%だった。ハードウェア面では、FP8で少なくとも48GBのNVIDIA VRAMが必要とされ、CPU、Apple MPS、AMD ROCmは非対応とされる。公式ベンチマークはH200を1基使用し、単一ストリームの初回音声までの時間の中央値88.9ms、リアルタイム係数0.131、16ストリームのスループット927.6フレーム/秒で、推論サービングはSGLang-Omniを経由し、融合カーネルはHopper GPU上でのみ検証されている。ライセンスはFish Audio Community License v1.0で、研究・非商用は無料、年間収益50万ドル未満の商用利用は無料、第三者によるAPIホスティングは別途ライセンスが必要で、製品にはBuilt with Fish Audioの表示が求められ、同意なく実在人物の声をクローンすることは禁止されている。
開発者への影響
開発者にとってDrama 3の意義は、制御可能な演技指示とマルチ話者スクリプトのレンダリングをオープンウェイトに置いた点にある。ソースの報道によれば1回のリクエストで16キャラクター、83言語をカバーでき、オーディオブック、吹き替え、脚本対話のパイプラインでは、1回の呼び出しでシーン全体をレンダリングできる可能性がある。ただしオープンウェイトはオープンソースライセンスではない。ソースは重みがFish Audio Community License v1.0で提供され、年間収益50万ドルを超える商用利用は無料ではなくなり、第三者によるAPIホスティングには別途ライセンスが必要で、製品には帰属表示も必要としている。つまりDrama 3を対外的な音声サービスとして包む場合と内部利用ではライセンスの経路が2つあり、まず自社の収益規模と配布形態を確認する必要がある。ハードウェアの敷居も制約になる。ソースはFP8で少なくとも48GBのNVIDIA VRAMが必要でCPU、MPS、ROCmは非対応とし、公式の遅延データはH200 1基に基づくため、24GB級のGPUしか持たない、あるいは非NVIDIA環境の中小チームにとってセルフホストは直ちに実行可能とは言えない。品質面では、ソースは品質Elo（Drama 3 Preview 1242）が前世代S2.1 Proの1190を上回る一方、Eleven v4 Turboの1328には及ばないとしている。指示による制御とマルチ話者が強みの方向であり、絶対的な音質はソース報道の中でリードしている項目ではない。さらにソースはこのベンチマークが発音を測るもので感情表現ではないとし、感情品質は定性的な記述のみであるため、感情表現を中心的な売りとする製品はこのスコアだけで判断すべきではない。
導入と評価の提案
提案1（モデルヘッダとフォールバック防止、推奨的分析）：ソースの報道ではAPIはPOST /v1/ttsのモデルヘッダでモデルを選択し、ヘッダの欠落や綴り誤りはs2.1-proへ暗黙にフォールバックする。既存のS2.1 Pro呼び出しコードがある場合、実際の選択はデフォルト動作に依存するのではなく、明示的なヘッダ定数を定義しアサーションを加えることである。この選択は複数バージョンのTTSを同時に保守する既存パイプラインで優先度が最も高い。暗黙のフォールバックがA/B結果を歪めるためである。計測可能な評価基準は、回帰セットで入力テキストを固定し、応答が実際に使用したモデルバージョンのフィールドとローカル記録が一致すること、フォールバック率が0であること、切替前後の出力の発音差がヘッダと整合するかを比較することである。提案2（セルフホストとホスト型APIの分界、条件付き分析）：ソースはセルフホストにはFP8で48GB以上のNVIDIA VRAMが必要でCPU/MPS/ROCm非対応とする一方、ホスト型APIは100万文字あたり50ドル、ソースによれば10ドルのリリース価格が2026年11月12日まで続くとしている。実際の選択は、ピーク時の突発トラフィックをまずホスト型APIで担い、負荷が安定しコンプライアンス上自用に限られる場合にのみセルフホストを検討することである。この選択の前提は、Hopper級GPUを保有し、年間収益がソースの言う50万ドルのしきい値を下回ることである。そうでなければライセンスとハードウェアの二重の制約が同時に作用する。計測可能な評価基準は、目標並行数（例えばソースが挙げる16ストリーム）で初回音声遅延とリアルタイム係数を測定し、100万文字あたりの実コストとセルフホストの減価償却コストを算定し、月次利用曲線での交点を比較することである。提案3（テキスト前処理の方向、推奨的分析）：ソースは最も弱いカテゴリがコード、パス、メールなどの正確なシーケンスで86.3%、一方でブランド、地名、技術用語は95.9%に達するとしている。実際の選択は、TTSに送る前にコード、パス、メールの断片を書き換えるか読み方注釈を付すことであり、生テキストをそのまま読み上げることではない。この選択は技術用語やコード例を含む教材、ドキュメントのナレーション系コンテンツで効果が最大になる。計測可能な評価基準は、URL、バージョン番号、ファイルパスを含むテストセットを構築し、前処理前後の文字レベルまたは人手聴取による誤り率を比較することである。
制限と未確認事項
明確にすべき点として、Drama 3のこのバージョンは現在KimiSeekのリアルタイムモデルカタログに掲載されていない。ソースが述べるAPI可用性はFish Audio自身のホスト型サービスを指し、本プラットフォームではない。ソース中の価格（100万文字あたり50ドルの定価、2026年11月12日までの10ドルのリリース価格）は2026年10月14日の報道内容であり、価格は変更されている可能性があるため、Fish Audio公式の価格ページを基準とし、これに基づく長期予算は立てないこと。ソースはコンテキスト長を開示していない。アーキテクチャと学習の詳細（Codebook-MTPデコーダ、GRPO強化学習など）はいずれも発信元からの引用であり、本誌による独立検証は経ていない。ベンチマーク面では、発音ロバスト性スコアと品質EloはArtificial AnalysisおよびFish Audioの自己報告によるもので、うちDrama 3 PreviewのEloはプレビュー版の成績であり正式版を代表しない。感情品質は定性的記述のみで定量的証拠はない。ハードウェアと遅延のデータはH200 1基に基づき、融合カーネルはHopper上でのみ検証されており、他のGPUでの実際の挙動は不明である。ライセンス条項の最終的な解釈はFish Audio Community License v1.0の条文に依存し、収益上限と第三者ホスティング要件の具体的な適用範囲はライセンス条文と法的意見に基づくべきである。さらに、48GBのVRAM要件、CPU/MPS/ROCm非対応といった制限はいずれもソースによるもので、ローカル環境での再現は行っていない。