Fish Audio, Drama 3 공개: 35B MoE 오픈 웨이트 TTS, 48GB VRAM부터
MarkTechPost가 2026년 10월 14일 보도한 바에 따르면, Fish Audio는 총 파라미터 35B, 토큰당 약 3B를 활성화하는 전문가 혼합(MoE) 텍스트 음성 변환 모델 Drama 3를 공개했으며, 가중치는 Hugging Face에 공개되고 연 매출 50만 달러 상한이 있는 커뮤니티 라이선스를 채택했으며, FP8 자체 호스팅에는 48GB 이상의 NVIDIA VRAM이 필요하다.
주요 변화
MarkTechPost가 2026년 10월 14일 보도한 바에 따르면, Fish Audio는 텍스트 음성 변환 모델 Drama 3를 공개했으며 가중치를 Hugging Face에 게시했다고 밝히고, 동시에 Fish Audio 호스팅 API도 출시했다. 보도에 따르면 이 모델은 총 파라미터 35B, 토큰당 약 3B를 활성화하며(256개 전문가 중 8개 활성화, 추가로 공유 전문가 1개), 백본은 Qwen3.5-35B-A3B 언어 모델 기반으로 40개 층이며, 1개 게이트 전체 어텐션 층에 3개 Gated DeltaNet 층을 그룹으로 묶어 4개 층마다 KV 캐시를 1개 층만 유지한다. 모델은 자연어 또는 대괄호 프롬프트로 연기 지시를 작성할 수 있으며, 지시 언어와 낭독 대사 언어가 다를 수 있다. 83개 언어를 지원하고, 화자 태그는 단일 요청에서 최대 16개 캐릭터를 수용할 수 있으며, API는 화자마다 음성 ID 1개를 받는다. 새 디코더는 Codebook-MTP로 S2의 프레임별 Fast AR 디코더를 대체하며, 코드북 0과 1만 백본으로 피드백된다. 보도에 따르면 Artificial Analysis Pronunciation Robustness에서 전체 점수 93.2%, 순위 1위를 기록했고, 전작 S2.1 Pro는 88.1%였다. 가장 약한 범주는 코드, 경로, 이메일 등 정밀 시퀀스로 86.3%였다. 하드웨어 측면에서 보도에 따르면 FP8 기준 최소 48GB NVIDIA VRAM이 필요하고, CPU, Apple MPS, AMD ROCm을 지원하지 않으며, 공식 벤치마크는 H200 1장을 사용해 단일 스트림 첫 오디오 중앙값 88.9ms, 실시간 계수 0.131, 16개 스트림 처리량 927.6프레임/초를 기록했고, 추론 서빙은 SGLang-Omni를 거치며 융합 커널은 Hopper GPU에서만 검증되었다. 라이선스는 Fish Audio Community License v1.0으로, 연구 및 비상업적 용도는 무료, 연 매출 50만 달러 미만의 상업적 용도는 무료, 제3자 API 호스팅은 별도 라이선스가 필요하며, 제품에는 Built with Fish Audio를 표시해야 하고, 동의 없는 실제 사람 목소리 복제는 금지된다.
개발자에게 미치는 영향
개발자에게 Drama 3의 의의는 제어 가능한 연기 지시와 다화자 스크립트 렌더링을 오픈 웨이트에 담았다는 점이다. 출처 보도에 따르면 단일 요청에서 16개 캐릭터를 수용하고 83개 언어를 지원하므로, 오디오북, 더빙, 대본 대화형 파이프라인에서 한 번의 호출로 한 장면 전체를 렌더링할 가능성이 있다. 그러나 오픈 웨이트는 오픈소스 라이선스와 같지 않다. 출처는 가중치가 Fish Audio Community License v1.0으로 제공되며, 연 매출 50만 달러를 초과하는 상업적 사용은 더 이상 무료가 아니고, 제3자 API 호스팅은 별도 라이선스가 필요하며, 제품에 출처 표시를 해야 한다고 밝혔다. 이는 Drama 3를 외부 음성 서비스로 포장하는 것과 내부 자체 사용이 두 가지 라이선스 경로임을 뜻하며, 먼저 자사 매출 규모와 배포 형태를 확인해야 한다. 하드웨어 장벽도 제약이 된다. 출처는 FP8 기준 최소 48GB NVIDIA VRAM이 필요하고 CPU, MPS, ROCm을 지원하지 않으며, 공식 지연 데이터는 H200 1장 기반이라고 밝혔으므로, 중소 팀이 24GB급 그래픽카드나 비 NVIDIA 환경만 보유했다면 자체 호스팅은 바로 실행 가능하지 않다. 품질 면에서 출처는 품질 Elo(Drama 3 Preview 1242)가 전작 S2.1 Pro의 1190을 넘지만 Eleven v4 Turbo의 1328에는 여전히 뒤진다고 밝혔는데, 이는 지시 제어와 다화자가 강점 방향이며 절대 음질은 출처 보도에서 앞선 항목이 아님을 보여준다. 또한 출처는 해당 벤치마크가 감정 표현이 아니라 발음을 측정한 것이라 밝혔고, 감정 품질은 정성적 설명만 있으므로, 감정 표현을 핵심 판매점으로 삼는 제품은 이 점수만으로 판단해서는 안 된다.
연동 및 평가 제안
권고 1(모델 헤더와 폴백 방지, 권장 분석): 출처는 API가 POST /v1/tts의 모델 헤더로 모델을 선택하며, 헤더가 없거나 오타가 있으면 s2.1-pro로 조용히 폴백한다고 보도했다. 기존에 S2.1 Pro 호출 코드가 있었다면 실제 선택은 기본 동작에 의존하는 대신 명시적 헤더 상수를 만들고 어설션을 추가하는 것이다. 이 선택은 여러 버전의 TTS를 함께 유지하는 기존 파이프라인에서 우선순위가 가장 높은데, 조용한 폴백이 A/B 결과를 왜곡하기 때문이다. 측정 가능한 평가 기준은 회귀 세트에서 입력 텍스트를 고정하고, 응답이 실제 사용한 모델 버전 필드가 로컬 기록과 일치하는지 검증하며, 폴백률이 0이고, 전환 전후 출력의 발음 차이가 헤더와 일치하는지 비교하는 것이다. 권고 2(자체 호스팅과 호스팅 API의 경계, 조건부 분석): 출처는 자체 호스팅에 FP8 기준 48GB 이상 NVIDIA VRAM이 필요하고 CPU/MPS/ROCm을 지원하지 않는다고 밝혔으며, 호스팅 API는 100만 자당 50달러로 책정되고 출처에 따르면 10달러 출시 가격이 2026년 11월 12일까지 지속된다. 실제 선택은 우선 호스팅 API로 피크 시간대의 급증 트래픽을 감당하고, 부하가 안정적이고 규정상 자체 사용에 해당할 때만 자체 호스팅을 평가하는 것이다. 이 선택의 전제는 Hopper급 GPU를 보유하고 연 매출이 출처가 말한 50만 달러 임계값 미만이라는 것이며, 그렇지 않으면 라이선스와 하드웨어의 이중 제약이 동시에 적용된다. 측정 가능한 평가 기준은 목표 동시성(예: 출처가 언급한 16개 스트림)에서 첫 오디오 지연과 실시간 계수를 측정하고, 100만 자당 실비용과 자체 호스팅 감가상각 비용을 산정해 월간 사용량 곡선에서 두 비용의 교차점을 비교하는 것이다. 권고 3(텍스트 전처리 방향, 권장 분석): 출처는 가장 약한 범주가 코드, 경로, 이메일 등 정밀 시퀀스로 86.3%이고, 브랜드, 장소, 기술 용어는 95.9%라고 밝혔다. 실제 선택은 TTS에 넣기 전에 코드, 경로, 이메일 조각을 바꿔 쓰거나 읽는 법을 표기하는 것이지 원문을 그대로 낭독하는 것이 아니다. 이 선택은 기술 용어와 코드 예시가 포함된 교육, 문서 내레이션 콘텐츠에서 이득이 가장 크다. 측정 가능한 평가 기준은 URL, 버전 번호, 파일 경로를 포함한 테스트 세트를 만들어 전처리 전후의 문자 단위 또는 인간 청취 오류율을 비교하는 것이다.
제한과 확인할 사항
분명히 해야 할 점: Drama 3 버전은 현재 KimiSeek의 실시간 모델 카탈로그에 포함되어 있지 않으며, 출처가 말한 API 가용성은 이 플랫폼이 아니라 Fish Audio 자체의 호스팅 서비스를 가리킨다. 출처의 가격(100만 자당 50달러 정가, 2026년 11월 12일까지의 10달러 출시 가격)은 2026년 10월 14일 보도 내용이며, 가격은 이미 변경되었을 수 있으므로 Fish Audio 공식 가격 페이지를 기준으로 삼고 이를 근거로 장기 예산을 잡지 말아야 한다. 출처는 컨텍스트 길이를 공개하지 않았고, 아키텍처와 학습 세부 사항(Codebook-MTP 디코더, GRPO 강화 학습 등)은 모두 발표 측에서 인용한 것으로 본지가 독립적으로 검증하지 않았다. 벤치마크 면에서 발음 견고성 점수와 품질 Elo는 Artificial Analysis 및 Fish Audio 자체 보고에서 나온 것이며, 그중 Drama 3 Preview의 Elo는 프리뷰 버전 성적으로 정식 버전을 대표하지 않는다. 감정 품질은 정성적 설명만 있고 정량적 증거가 없다. 하드웨어와 지연 데이터는 H200 1장 기반이며 융합 커널은 Hopper에서만 검증되었으므로, 다른 GPU의 실제 성능은 알 수 없다. 라이선스 조항의 최종 해석은 Fish Audio Community License v1.0 원문에 달려 있으며, 매출 상한과 제3자 호스팅 요건의 구체적 적용 범위는 라이선스 텍스트와 법률 의견을 기준으로 해야 한다. 또한 48GB VRAM 임계값, CPU/MPS/ROCm 미지원 등의 제한은 모두 출처에서 나온 것으로 로컬 환경에서 재현되지 않았다.