要点まとめ
- Drama 3はFish Audioが発表したテキスト音声合成モデルで、オープンウェイトとして公開されています。ホスティング版とAPIも公式サイトから利用できます。
- 最大の特徴は制御の粒度です。一語ごとの響きやトーンを自然言語で指定でき、文の途中で話者を切り替えられるとされています。
- 発表では5200万ドルのシード調達と1500万人超の利用者も示され、Artificial AnalysisのオープンウェイトTTS部門で1位と報じられました。
- パラメータ数・対応言語・ライセンス名は発表に含まれていません。商用利用の前にモデルカードと公式サイトの記載確認が必要です。
基本情報
| ジャンル・位置づけ | テキスト音声合成（TTS）／オープンウェイトモデル |
|---|---|
| 対応端末 | 公式サイトのWeb版・API、ローカル実行は環境次第 |
| 料金 | ホスティング版は公式サイトの料金ページで確認 |
| 対応言語 | 発表では明示なし。モデルカードで確認が必要 |
| 注目ポイント | 自然言語で一語単位の感情と話者を制御できる |
| 難易度 | 試すだけなら簡単、ローカル運用は中〜上級 |
| カテゴリ | AI・新モデル |
| 作者・提供元 | Fish Audio |
| 公式サイト | fish.audio ↗ |
| 注目度 | 🔥 注目度 1,303万 |
| 最終更新 |
Drama 3は何が新しいのか — 一語単位で演技を設計できるTTS
Fish Audioが2026年10月13日に発表したDrama 3は、書かれたテキストを自然な音声に変換するテキスト音声合成（TTS）モデルです。同社は音声生成ツールを手がけてきた企業で、発表では5200万ドルのシードラウンド調達と1500万人超の利用者という会社側の実績も合わせて示されました。それでも同社が「これまでで最も誇りに思う成果」と位置づけたのが、このDrama 3そのものです。最大の特徴は、モデルの重みがオープンウェイトとして公開されている点にあります。
従来のTTSは、話者を一人選び、全体の雰囲気をまとめて指定する使い方が一般的でした。Drama 3は制御の粒度を単語レベルまで下げ、一語一語の響きやトーンを変えたり、文の途中で話者を切り替えたりできるとされています。しかもその指示は専用の記法ではなく、自然言語の文章で書けるのが特徴です。オーディオブックやゲームの掛け合い、コミックの間合いのように演技力が価値を左右する用途では、この差は大きくなります。
発表時点で、Artificial AnalysisのオープンウェイトTTS部門で1位と報じられたことも開発者の関心を集めました。ただしパラメータ数やライセンス名、対応言語は発表文では明示されていません。商用利用を検討する場合は、必ずモデルカードと公式サイトの記載を確認する必要があります。
- 一語単位の演技設計
文全体のトーンではなく、単語ごとに感情や強弱を指定できる点が従来モデルとの最大の違いです。
- 自然言語で指示
特殊なタグを覚える必要がなく、台本に近い言葉で演技の指示を書き込めます。
- 重みとAPIの両輪
自前環境で動かす道と、Fish Audioのホスティング版・APIを使う道の二つが用意されています。
仕組みを深掘り：自然言語プロンプトで声色・話者・間を操る
Drama 3の中心にあるのは、読み上げるテキストと一緒に「どう読むか」を自然言語で渡せる仕組みです。たとえば同じ一文でも、特定の単語だけを強調したり、途中から声のトーンを落としたりといった指示を文章として与えられます。従来のTTSが話者IDと話速・ピッチといった数値パラメータの調整に寄っていたのに対し、Drama 3は演技の意図をそのまま書ける点が異なります。
文の途中で話者を切り替えられることも、地の文とセリフが混在するコンテンツと相性が良いポイントです。一人のナレーターが複数人物を演じ分けるオーディオブックや、掛け合いの多いゲームのボイス制作では、収録を分けずに一台本で完結させられる可能性があります。ただし実際の切り替え精度や声質の一貫性は、公開されている重みやAPIで自分の原稿を使って確かめるのが確実です。
モデルの内部構造について、Fish Audioは詳細なアーキテクチャを発表文では明かしていません。オープンウェイトである以上、重みとモデルカードを確認すれば入力形式や推論条件は追えます。スペックの数字を鵜呑みにするより、自分の用途の原稿で聴き比べるほうが実務的です。
- 感情の指定は文章で
「ささやくように」「怒りを込めて」といった指示を原稿に埋め込む形で演技を作れます。
- 話者切り替え
一文の中で声を変えられるため、対話劇の制作フローを大きく短縮できる可能性があります。
- オープンウェイトの意味
重みが公開されていると、自社サーバーでの運用やファインチューニング、再現性の検証がしやすくなります。
- 未公開の情報
パラメータ数・対応言語・ライセンスは発表に含まれておらず、モデルカードでの確認が必要です。
導入の流れ：Web版で試す→APIで組み込む→重みをローカルで動かす
まず試すなら、公式サイトfish.audioのDrama 3ページで短い原稿を読み上げさせるところから始めます。日本語の原稿を用意し、同じ文を「淡々と」「語尾を伸ばして」など条件を変えて生成し、聴き比べると制御の効き方がつかめます。いきなり長文を流すより、一文ずつ挙動を確認するほうが再現性の高い知見が残ります。
次にAPI連携です。Fish Audioのホスティング版とAPIを使えば、自前のサーバーを用意せずにアプリや制作パイプラインへ組み込めます。料金体系やレート制限は変更される可能性があるため、実装前に公式サイトの料金ページとドキュメントで最新条件を確認してください。音声の商用利用可否も、プランとライセンスの両面からチェックが必要です。
ローカルで動かしたい場合は、公開されている重みを取得し、推論環境を用意します。GPUの有無で速度が大きく変わるため、まずは短い文で遅延とメモリ使用量を測り、必要ならバッチ処理やキャッシュを設計します。本番投入前には、同じ原稿を複数回生成してばらつきを確認しておくと安心です。
- 比較は同じ原稿で
条件だけを変えて同じ文を生成すると、感情指定の効き方を公平に比べられます。
- 料金は事前確認
APIの従量課金や無料枠の範囲は変わりやすいため、実装直前に公式情報を確認します。
- ローカルは計測から
遅延とメモリ使用量を先に測り、必要なら量子化やバッチ処理で調整します。
向き不向きと比較：どんな案件で選ぶべきか、注意点は何か
Drama 3が向くのは、ナレーションやキャラクターボイスに演技の指示が必要な案件です。逆に、定型的な読み上げや短い通知音声を大量に作るだけなら、より安価で軽量なモデルのほうが合理的な場合があります。オープンウェイトの音声合成モデルは他社からも複数公開されており、日本語の自然さやライセンス条件で比較検討する価値があります。
比較の軸は三つあります。一つは感情制御の粒度、二つ目は日本語を含む言語の品質、三つ目はライセンスと運用コストです。Drama 3は一つ目の粒度で差別化していますが、二つ目と三つ目は公開情報だけでは判断できません。実際の原稿での試聴と、モデルカードの記載確認をセットで行うのが現実的です。
制約もはっきりしています。発表ではパラメータ数や対応言語、ライセンス名が示されておらず、商用利用の条件は未確認です。また、感情を細かく指定できるほど原稿側の設計コストは増えるため、制作フローの見直しも必要になります。まず小規模な検証で効果を測り、効果が見えた範囲から本番へ広げる進め方が安全です。
- 向く用途
オーディオブック、ゲームの掛け合い、コミック動画など、間合いや感情の起伏が価値になるコンテンツです。
- 向かない用途
定型的なアナウンスや大量の短尺音声など、コストと速度が最優先の処理では過剰になりがちです。
- 比較の観点
感情制御の粒度、日本語品質、ライセンスと運用コストの3点で並べると判断しやすいです。
- 導入の進め方
まず小規模に試し、効果測定後にAPIかローカル運用かを選ぶのが現実的です。
ステップ別ガイド
公式サイトでDrama 3のページを開く
fish.audioにアクセスし、Drama 3の紹介ページとモデルカードを確認します。ライセンスや対応言語、利用条件の記載を先に読んでおくと後の判断が早くなります。
短い日本語原稿で読み上げを試す
一文だけの原稿を用意し、感情や話者を変えた複数パターンを生成します。聴き比べると、どの程度まで指示が効くのかがつかめます。
APIキーを取得して組み込む
ホスティング版を使う場合はAPIキーを発行し、公式ドキュメントの手順でリクエストを送ります。料金とレート制限は実装前に最新の公式情報を確認してください。
ローカル実行を検証する
重みを取得して推論環境を構築し、遅延とメモリ使用量を測ります。GPUがない環境では処理時間が大きく伸びるため、短い文から試します。
本番前にばらつきと権利を確認する
同じ原稿を複数回生成して品質のばらつきを確認し、商用利用の可否をライセンスで確認します。問題がなければパイプラインへ段階的に組み込みます。
よくある質問
Drama 3は無料で使えますか？
オープンウェイトとして公開されているため、重みを取得して自前環境で動かす場合はモデル側の利用条件に従う形になります。ホスティング版やAPIはFish Audioの料金体系に沿った課金があり、発表時には期間限定の無料利用キャンペーンも案内されていました。最新の条件は公式サイトで確認してください。
日本語には対応していますか？
発表文では対応言語が明示されていないため、日本語の品質は現時点では断言できません。モデルカードの記載を確認したうえで、実際に日本語の原稿を読み上げさせて聴き比べるのが確実です。アクセントや間の自然さは原稿の書き方でも変わるため、複数パターンで試すことをおすすめします。
スマートフォンだけでも試せますか？
公式サイトのWeb版であれば、ブラウザから原稿を入力して生成を試せます。一方、ローカル実行はGPU環境が必要になる場合が多く、スマートフォン単体での運用には向きません。端末ごとの対応状況は公式サイトの案内を確認してください。
商用利用は可能ですか？
ライセンス名が発表に含まれていないため、現時点では明確に答えられません。モデルカードと公式サイトの利用規約を確認し、必要であればFish Audioへ直接問い合わせるのが安全です。生成した音声の権利やクレジット表記の要否も合わせて確認しておきましょう。
他の音声合成モデルと何が違いますか？
最大の違いは、一語単位で感情やトーンを自然言語で指定できる制御の細かさです。加えてオープンウェイトとAPIの両方が用意されているため、検証目的と本番運用で導入経路を選べます。日本語品質やライセンス条件は他モデルと並べて比較する価値があります。
