Fish Audio 发布 Drama 3：35B MoE 开源权重 TTS，48GB 显存起步
据 MarkTechPost 2026 年 10 月 14 日报道，Fish Audio 发布 Drama 3，一款 35B 总参数、每 token 约激活 3B 的混合专家文本转语音模型，权重在 Hugging Face 开放，采用带 50 万美元营收上限的社区许可，FP8 自托管需 48GB 以上 NVIDIA 显存。
发生了什么
据 MarkTechPost 2026 年 10 月 14 日报道，Fish Audio 发布 Drama 3 文本转语音模型，并称权重已发布于 Hugging Face，同时上线 Fish Audio 托管 API。报道称该模型总参数 35B、每 token 约激活 3B（256 个专家中激活 8 个，另加 1 个共享专家），骨干基于 Qwen3.5-35B-A3B 语言模型，40 层，按 1 层门控全注意力层配 3 层 Gated DeltaNet 层分组，每 4 层只保留 1 层 KV 缓存。模型支持用自然语言或方括号提示书写表演指令，指令语言与朗读台词语言可不同；支持 83 种语言，说话人标签可在单次请求中最多容纳 16 个角色，API 为每个说话人接收 1 个声音 ID。新解码器为 Codebook-MTP，取代 S2 的逐帧 Fast AR 解码器，仅码本 0 和 1 反馈回骨干。报道称其在 Artificial Analysis Pronunciation Robustness 上总体得分 93.2%、排名第 1，前代 S2.1 Pro 为 88.1%；最弱类别为代码、路径、邮箱等精确序列，86.3%。硬件方面，报道称 FP8 下至少需 48GB NVIDIA 显存，不支持 CPU、Apple MPS 与 AMD ROCm，官方基准使用 1 块 H200，单流首音频中位时间 88.9 ms、实时因子 0.131，16 路流吞吐 927.6 帧/秒，推理服务经 SGLang-Omni，融合内核仅在 Hopper GPU 上验证。许可为 Fish Audio Community License v1.0：研究与商用非商业免费，年收入低于 50 万美元的商业用途免费，第三方 API 托管需单独许可，产品须展示 Built with Fish Audio，禁止未经同意克隆真实人声。
对开发者的影响
对开发者而言，Drama 3 的意义在于把可控表演指令与多说话人脚本渲染放在开放权重里，据来源报道单次请求可容纳 16 个角色、覆盖 83 种语言，这使有声书、配音与剧本对话类管线存在一次调用渲染整场场景的可能。但开放权重不等于开源许可：来源称权重以 Fish Audio Community License v1.0 提供，年营收超过 50 万美元的商业使用不再免费，第三方 API 托管需单独许可，产品还须显示归因标识。这意味着把 Drama 3 包装成对外语音服务与内部自用是两种许可路径，需要先确认自身营收规模与分发形态。硬件门槛同样构成约束：来源称 FP8 下至少 48GB NVIDIA 显存且不支持 CPU、MPS 与 ROCm，官方延迟数据基于单块 H200，因此中小团队若只有 24GB 级显卡或非 NVIDIA 环境，自托管并不直接可行。质量上来源称其质量 Elo（Drama 3 Preview 1242）超过前代 S2.1 Pro 的 1190，但仍落后于 Eleven v4 Turbo 的 1328，说明可指令控制与多说话人是其优势方向，而绝对音质并非来源报道中的领先项。此外来源称该基准测的是发音而非情感表达，情感质量仅有定性描述，因此以情感表现为核心卖点的产品不宜仅凭该分数做判断。
接入与评估建议
建议一（模型标头与回退防护，属推荐性分析）：来源报道 API 通过 POST /v1/tts 的模型标头选型，标头缺失或拼写错误会静默回退到 s2.1-pro。若此前已有 S2.1 Pro 的调用代码，实际选择是先建立显式标头常量并加断言，而非依赖默认行为；该选择在同时维护多版本 TTS 的存量管线中改变优先级最高，因为静默回退会让 A/B 结果失真。可测量的评估标准是：在回归集上固定输入文本，校验响应实际使用的模型版本字段与本地记录一致，回退率为 0，并比较输出在切换前后的发音差异是否与标头一致。建议二（自托管与托管 API 的分界，属条件性分析）：来源称自托管需 FP8 下 48GB 以上 NVIDIA 显存、不支持 CPU/MPS/ROCm，而托管 API 标价每 100 万字符 50 美元、来源称 10 美元发布价持续到 2026 年 11 月 12 日。实际选择是先以托管 API 承担高峰期突发流量、仅在负载稳定且合规自用时评估自托管；该选择的前提是手头具备 Hopper 级 GPU 且年营收低于来源所述 50 万美元阈值，否则许可与硬件双重约束会同时生效。可测量的评估标准是：在目标并发（例如来源提到的 16 路流）下测量首音频延迟与实时因子，并核算按每百万字符计的实际成本与自托管折旧成本，比较两者在月度用量曲线上的交叉点。建议三（文本预处理方向，属推荐性分析）：来源称最弱类别为代码、路径、邮箱等精确序列，86.3%，而品牌、地点、技术术语达 95.9%。实际选择是在送入 TTS 前对代码、路径与邮箱片段做改写或读法标注，而非直接朗读原始文本；该选择在包含技术术语与代码示例的教学、文档旁白类内容中改变收益最大。可测量的评估标准是：构造包含 URL、版本号与文件路径的测试集，比较预处理前后的字符级或人工听审错误率。
限制与待确认事项
需要明确：Drama 3 这一版本目前未列入 KimiSeek 的实时模型目录，来源所述 API 可用性指的是 Fish Audio 自身的托管服务，而非本平台。来源中的定价（每 100 万字符 50 美元标价、至 2026 年 11 月 12 日的 10 美元发布价）属于 2026 年 10 月 14 日的报道内容，价格可能已变动，请以 Fish Audio 官方定价页为准，不要据此长期预算。来源未披露上下文长度；架构与训练细节（Codebook-MTP 解码器、GRPO 强化学习等）均转述自发文方，未经本刊独立验证。基准方面，发音鲁棒性得分与质量 Elo 来自 Artificial Analysis 及 Fish Audio 自报告，其中 Drama 3 Preview 的 Elo 属预览版本成绩，不代表正式版本；情感质量仅有定性描述，无量化证据。硬件与延迟数据基于单块 H200 且融合内核仅在 Hopper 上验证，其他 GPU 的实际表现未知。许可条款的最终解释取决于 Fish Audio Community License v1.0 原文，营收上限与第三方托管要求的具体适用范围应以许可文本和法律意见为准。此外，48GB 显存门槛、不支持 CPU/MPS/ROCm 等限制均来自来源，未在本地环境复现。