Fish Audio lança Drama 3: TTS de pesos abertos MoE 35B, a partir de 48GB de VRAM
Segundo o MarkTechPost, em 14 de outubro de 2026, a Fish Audio lançou o Drama 3, um modelo de texto para fala de mistura de especialistas com 35B de parâmetros totais e cerca de 3B ativados por token. Os pesos estão disponíveis no Hugging Face sob uma licença comunitária com teto de receita de US$ 500 mil, e a auto-hospedagem em FP8 exige 48GB ou mais de VRAM NVIDIA.
O que mudou
Segundo o MarkTechPost, em 14 de outubro de 2026, a Fish Audio lançou o modelo de texto para fala Drama 3, afirmando que os pesos foram publicados no Hugging Face e que uma API hospedada da Fish Audio também está no ar. A reportagem afirma que o modelo tem 35B de parâmetros totais e cerca de 3B ativados por token (8 de 256 especialistas ativados, mais 1 especialista compartilhado), com backbone baseado no modelo de linguagem Qwen3.5-35B-A3B, 40 camadas, agrupadas em 1 camada de atenção completa com gate para cada 3 camadas Gated DeltaNet, mantendo cache KV em apenas 1 de cada 4 camadas. O modelo aceita instruções de atuação escritas em linguagem natural ou entre colchetes, e o idioma da instrução pode diferir do idioma das falas; suporta 83 idiomas e os rótulos de falante podem acomodar até 16 personagens em uma única requisição, com a API recebendo 1 voice ID por falante. O novo decodificador é o Codebook-MTP, substituindo o decodificador Fast AR quadro a quadro do S2, retroalimentando o backbone apenas com os codebooks 0 e 1. A reportagem afirma que o modelo obteve 93,2% de pontuação geral e 1º lugar no Artificial Analysis Pronunciation Robustness, ante 88,1% do antecessor S2.1 Pro; a categoria mais fraca, sequências exatas como código, caminhos e e-mails, ficou em 86,3%. Em hardware, a reportagem afirma que são necessários pelo menos 48GB de VRAM NVIDIA em FP8, sem suporte a CPU, Apple MPS ou AMD ROCm, com benchmarks oficiais usando 1 H200, tempo mediano até o primeiro áudio de 88,9 ms em fluxo único, fator de tempo real de 0,131, taxa de transferência de 927,6 quadros/s com 16 fluxos, serviço de inferência via SGLang-Omni e kernels fusionados validados apenas em GPUs Hopper. A licença é a Fish Audio Community License v1.0: gratuita para pesquisa e uso não comercial, gratuita para uso comercial com receita anual abaixo de US$ 500 mil, hospedagem de API por terceiros exige licença separada, produtos devem exibir Built with Fish Audio e é proibido clonar vozes humanas reais sem consentimento.
Impacto para desenvolvedores
Para desenvolvedores, o Drama 3 importa por colocar instruções de atuação controláveis e renderização de roteiros com múltiplos falantes em pesos abertos; segundo a fonte, uma única requisição pode acomodar 16 personagens e cobrir 83 idiomas, o que abre a possibilidade de renderizar uma cena inteira em uma chamada para pipelines de audiolivros, dublagem e diálogos roteirizados. Mas pesos abertos não equivalem a licença de código aberto: a fonte afirma que os pesos são oferecidos sob a Fish Audio Community License v1.0, que o uso comercial deixa de ser gratuito acima de US$ 500 mil de receita anual, que a hospedagem de API por terceiros exige licença separada e que o produto deve exibir atribuição. Isso significa que empacotar o Drama 3 como serviço de voz externo e usá-lo internamente são dois caminhos de licenciamento distintos, exigindo antes confirmar o próprio porte de receita e a forma de distribuição. A barreira de hardware também restringe: a fonte afirma que são necessários pelo menos 48GB de VRAM NVIDIA em FP8, sem suporte a CPU, MPS ou ROCm, e que os dados oficiais de latência se baseiam em uma única H200, de modo que equipes pequenas e médias com apenas GPUs de 24GB ou ambientes não NVIDIA não conseguem auto-hospedar diretamente. Em qualidade, a fonte afirma que o Elo de qualidade (Drama 3 Preview 1242) supera o 1190 do antecessor S2.1 Pro, mas ainda fica atrás do 1328 do Eleven v4 Turbo, indicando que controle por instruções e múltiplos falantes são seus pontos fortes, enquanto a qualidade sonora absoluta não é o item de liderança na reportagem da fonte. Além disso, a fonte afirma que esse benchmark mede pronúncia, não expressão emocional, e que a qualidade emocional tem apenas descrição qualitativa, portanto produtos cujo principal apelo seja a expressão emocional não deveriam se basear apenas nessa pontuação.
Integração e avaliação
Recomendação um (cabeçalho de modelo e proteção contra fallback, análise recomendatória): a fonte relata que a API seleciona o modelo por um cabeçalho de modelo em POST /v1/tts, e que cabeçalho ausente ou com erro de grafia recai silenciosamente para s2.1-pro. Se já houver código de chamada do S2.1 Pro, a escolha prática é antes criar constantes explícitas de cabeçalho e adicionar asserções, em vez de depender do comportamento padrão; essa escolha tem prioridade máxima em pipelines existentes que mantêm várias versões de TTS, porque o fallback silencioso distorce resultados de A/B. Critério de avaliação mensurável: em um conjunto de regressão, com texto de entrada fixo, verificar que o campo de versão de modelo realmente usado na resposta coincide com o registro local, com taxa de fallback zero, e comparar se a diferença de pronúncia antes e depois da troca é coerente com o cabeçalho. Recomendação dois (fronteira entre auto-hospedagem e API hospedada, análise condicional): a fonte afirma que a auto-hospedagem exige 48GB ou mais de VRAM NVIDIA em FP8, sem suporte a CPU/MPS/ROCm, enquanto a API hospedada tem preço de US$ 50 por 1 milhão de caracteres, com preço de lançamento de US$ 10 válido, segundo a fonte, até 12 de novembro de 2026. A escolha prática é usar primeiro a API hospedada para picos de tráfego e avaliar a auto-hospedagem apenas com carga estável e uso interno em conformidade; a premissa é ter GPU de nível Hopper e receita anual abaixo do limite de US$ 500 mil citado pela fonte, caso contrário as restrições de licença e hardware se aplicam simultaneamente. Critério de avaliação mensurável: medir a latência até o primeiro áudio e o fator de tempo real na concorrência desejada (por exemplo, os 16 fluxos citados pela fonte) e calcular o custo real por milhão de caracteres frente ao custo depreciado da auto-hospedagem, comparando o ponto de cruzamento na curva de uso mensal. Recomendação três (direção de pré-processamento de texto, análise recomendatória): a fonte afirma que a categoria mais fraca são sequências exatas como código, caminhos e e-mails, com 86,3%, enquanto marcas, locais e termos técnicos chegam a 95,9%. A escolha prática é reescrever ou anotar a pronúncia de trechos de código, caminhos e e-mails antes de enviar ao TTS, em vez de ler o texto original diretamente; essa escolha traz maior ganho em conteúdo didático e narração de documentação que inclui termos técnicos e exemplos de código. Critério de avaliação mensurável: montar um conjunto de teste com URLs, números de versão e caminhos de arquivo e comparar a taxa de erro em nível de caractere ou por audição humana antes e depois do pré-processamento.
Limites e pontos a confirmar
É preciso deixar claro: esta versão do Drama 3 não consta atualmente no catálogo de modelos em tempo real do KimiSeek, e a disponibilidade de API citada pela fonte se refere ao serviço hospedado da própria Fish Audio, não a esta plataforma. Os preços na fonte (US$ 50 por 1 milhão de caracteres e preço de lançamento de US$ 10 até 12 de novembro de 2026) fazem parte da reportagem de 14 de outubro de 2026 e podem ter mudado; consulte a página oficial de preços da Fish Audio e não faça orçamento de longo prazo com base neles. A fonte não divulgou o comprimento de contexto; detalhes de arquitetura e treinamento (decodificador Codebook-MTP, aprendizado por reforço GRPO etc.) são todos reproduzidos do veículo, sem verificação independente desta publicação. Nos benchmarks, a pontuação de robustez de pronúncia e o Elo de qualidade vêm do Artificial Analysis e de autorrelato da Fish Audio, e o Elo do Drama 3 Preview é resultado de versão de prévia, não da versão final; a qualidade emocional tem apenas descrição qualitativa, sem evidência quantitativa. Os dados de hardware e latência se baseiam em uma única H200 e os kernels fusionados foram validados apenas em Hopper, sendo desconhecido o desempenho real em outras GPUs. A interpretação final dos termos da licença depende do texto original da Fish Audio Community License v1.0, e o escopo específico do teto de receita e das exigências de hospedagem por terceiros deve se basear no texto da licença e em parecer jurídico. Além disso, o limite de 48GB de VRAM e a falta de suporte a CPU/MPS/ROCm vêm da fonte e não foram reproduzidos em ambiente local.