Fish Audio این هفته مدل متن‌به‌گفتار Drama 3 را منتشر کرد. این مدل یک معماری mixture-of-experts با 35 میلیارد پارامتر کل و حدود 3 میلیارد پارامتر فعال در هر توکن دارد. وزن‌های مدل روی Hugging Face قرار گرفته و از طریق Fish Audio API نیز در دسترس است.

دستورهای کارگردانی و چندگویی#

Drama 3 برخلاف مدل‌های معمول متن‌به‌گفتار، دستورهای زبان طبیعی برای بازیگری را می‌پذیرد. نویسنده می‌تواند قبل از یک جمله برچسب‌هایی مثل [barely holding it together] قرار دهد و برچسب‌های جفت‌شده فقط کلمات داخلشان را تغییر می‌دهند. این دستور‌ها می‌توانند به هر زبانی نوشته شوند، مستقل از زبان گفتار مدل.

مدل 83 زبان را پشتیبانی می‌کند و در هر درخواست تا 16 گوینده مجاز است. API برای هر گوینده یک voice ID می‌گیرد، بنابراین یک صحنه کامل در یک فراخوانی رندر می‌شود.

معماری و عملکرد#

ستون فقرات مدل از Qwen3.5-35B-A3B ساخته شده و شامل 40 لایه است. یک Codebook-MTP decoder جدید جایگزین decoder قبلی شده. آموزش در سه مرحله پیش‌آموزش، سپس instruction tuning و در نهایت یادگیری تقویتی با GRPO انجام شده است.

در معیار Artificial Analysis Pronunciation Robustness، Drama 3 با 93.2 درصد رتبه اول را کسب کرده. در دسته برندها و اصطلاحات فنی به 95.9 درصد رسیده، اما در دسته توالی‌های دقیق مثل کدها و ایمیل‌ها فقط 86.3 درصد است. در جدول کیفیت Artificial Analysis با Elo 1242 (نسخه Preview) پشت ElevenLabs Eleven v4 Turbo با 1328 قرار دارد.

سخت‌افزار و قیمت#

  • حداقل 48 گیگابایت حافظه NVIDIA در حالت FP8؛ CPU، Apple MPS و AMD ROCm پشتیبانی نمی‌شوند.
  • در یک H200، زمان تا اولین صوت 88.9 میلی‌ثانیه (میانه) و RTF برابر 0.131 است.
  • قیمت API: 50 دلار به ازای هر 1 میلیون کاراکتر؛ قیمت معرفی 10 دلار تا 12 نوامبر 2026.
  • مجوز Fish Audio Community License v1.0: استفاده تجاری رایگان تا سقف 500 هزار دلار درآمد سالانه. میزبانی به‌عنوان API شخص ثالث مجوز جداگانه می‌خواهد.

این خبر برای سازندگان ایجنت صوتی یعنی چه#

Drama 3 اولین مدل متن‌به‌گفتار با وزن‌های باز است که دستورهای کارگردانی احساسی را به‌صورت native می‌پذیرد. اگر روی تولید گفتار چندشخصیتی با لحن‌های مشخص کار می‌کنید، این مدل گزینه‌ای است که قبلاً فقط در API‌های بسته وجود داشت. اما دو مانع عملی باقی است: حداقل 48 گیگابایت حافظه NVIDIA، که مدل را از دسترس اکثر استودیوهای کوچک خارج می‌کند؛ و سقف درآمد 500 هزار دلار، که یعنی اگر محصول شما رشد کند، باید مجوز جداگانه بگیرید. در کیفیت صدای خالص، هنوز پشت ElevenLabs است. این خبر بیشتر برای تیم‌هایی مفید است که مقیاس دارند و به کنترل روی وزن‌ها نیاز دارند، نه برای کسی که با یک کارت گرافیک مصرفی کار می‌کند.

منبع: MarkTechPost