概览
Fish Audio 新一代「可导演」语音合成模型：在台本里用方括号写表演指示（哽咽、压低声音、忍不住笑），情绪能在一句话中途转折，一段文本最多 16 个角色，支持 83 种语言和声音克隆；开放权重，API 标价 $50 / 百万字符（11 月 12 日前 $10）。 Fish Audio Drama 3 是 Fish Audio 于 2026 年 10 月 13 日发布的语音合成模型，官方称是其「最有情绪表现力」的模型。它的核心思路是把文字转语音变成「导演表演」：用户在台本里像给演员说戏一样，用方括号写下语气和动作，比如强忍眼泪、压低声音、忍不住笑出来，模型会在指定位置执行，情绪还能在一句话中间转折；也可以用成对标签只改几个词、插入音效和停顿。一段文本最多可以安排 16 个角色，整段对话一起生成，适合有声书、广播剧、多语言配音和短视频。它支持 83 种语言，表演指示可以直接用中文写。在 Artificial Analysis 的独立发音稳健性评测中，它以 93.2% 的困难词正确率排名第一。模型为 35B 参数的 MoE（每 token 约激活 3B），权重已在 Hugging Face 开放，采用新的 Fish Audio Community License：非商用免费，年收入低于 50 万美元可免费商用，向他人提供 TTS 或克隆服务需单独授权，且禁止未经同意克隆真人声音。开发者只需在现有 /v1/tts 请求里把 model 请求头改成 drama-3。来源：https://fish.audio/blog/fish-audio-drama-3/ 、https://docs.fish.audio/features/text-to-speech/drama-3 、https://huggingface.co/fishaudio/drama-3 （2026-10-22 核对）。 定价：API 标价 $50 / 百万字符，2026 年 11 月 12 日前推广价 $10 / 百万字符；fish.audio 网页与 App 按订阅套餐使用；权重免费下载，商用受 Fish Audio Community License 限制。
- 模态
- 音频
- 参数量
- 35B 总参 / 约 3B 激活（MoE）
- 许可说明
- 开源 · Fish Audio Community License v1.0
