核心要点速览
- Fish Audio 于 2026 年 10 月 13 日发布 Drama 3，一款开放权重的文本转语音模型，官方称其为目前最具情绪表现力与可控性的语音合成模型。
- 它把控制粒度降到单个词：可以用自然语言指定某个词怎么念、语气如何变化，还能在一句话中间切换音色。
- 使用方式有两种：在官方站点 fish.audio 上直接体验或调用接口，或下载开放权重自行部署，后者更适合对数据流向与成本有要求的团队。
- 官方公告未列出参数量、支持语言与许可证名称，商用前需查阅模型卡；据 Artificial Analysis 的开放权重语音合成榜，Drama 3 位列第一。
项目速览
| 类型/定位 | 开放权重文本转语音模型，强调情绪与逐词控制 |
|---|---|
| 适用设备 | 官方网页与接口任意设备可用；本地部署需自备算力 |
| 费用说明 | 开放权重可自行部署；托管与接口价格以 fish.audio 为准 |
| 语言支持 | 公告未列出支持语言，需查阅模型卡确认 |
| 核心亮点 | 自然语言逐词控制语气，可在句内切换音色 |
| 使用门槛 | 托管版开箱即用；本地运行需一定部署经验 |
| 分类 | AI 与新模型 |
| 作者 / 发布方 | Fish Audio |
| 官方网站 | fish.audio ↗ |
| 热度 | 🔥 热度 1303万 |
| 最后更新 |
从整句朗读到逐词表演：Drama 3 想补上哪一段差距
Drama 3 是语音技术公司 Fish Audio 在 2026 年 10 月 13 日发布的新一代文本转语音模型，输入文字、输出可直接使用的语音音频。它属于该公司既有的语音产品线，但被官方称为目前最引以为傲的作品，原因在于它把控制精度从整句推进到了单个词。发布同时，Fish Audio 还公布了一轮 5200 万美元的种子融资，以及超过 1500 万的用户规模，这些数字被放在同一份公告里，用来说明团队有资源把模型持续做下去。
传统文本转语音的工作方式比较粗放：先挑一个音色，再选一个大致情绪，剩下的交给模型自由发挥。这样的结果在导航播报、通知朗读里够用，但放到有声书、游戏对白或漫画配音里，就很容易显得平。Drama 3 的卖点正是补上这一段差距，它允许使用者指定某个词该怎么念、语气往哪偏，甚至在一句话中间换掉音色，让同一段文字具备表演感。
另一个关键信息是开放权重。也就是说，除了使用 Fish Audio 官方托管的产品和接口，开发者还可以把模型权重拿到自己的机器上运行或检查。对做语音产品的团队来说，这意味着数据不必离开本地环境，也方便做二次微调。不过官方公告没有给出参数量、支持语言清单和许可证名称，这些需要到模型卡和官方页面上确认。
- 发布方与时间
由 Fish Audio 于 2026 年 10 月 13 日发布，同批公布的还有 5200 万美元种子轮融资与 1500 万以上用户规模。
- 产品定位
面向配音、有声内容与语音交互的文本转语音模型，主打情绪表达与细粒度可控性。
- 开放权重
权重对外公开，可本地运行或审查，适合对数据合规与成本控制有要求的团队。
- 榜单表现
据官方说明与编辑记录，Drama 3 在 Artificial Analysis 的开放权重语音合成榜上位列第一。
逐词语气控制与句内换声：Drama 3 的核心机制拆解
Drama 3 最核心的变化是控制粒度。过去的模型通常只能接受「用某个音色、带某种情绪」这类整段指令，而 Drama 3 允许把指令落到单个词上：这个词是压低声音、拖长、加重，还是带点犹豫，都可以单独说明。官方强调，这些控制是用自然语言写的，不需要学习特殊的标记语法或参数表，写作者只要像给演员说戏一样描述即可。
第二个能力是句内换声。同一句话里，前半段可以用一个音色，后半段切到另一个音色，中间不需要断开成两条音频再拼接。对做对话、旁白与角色切换的内容来说，这能省掉大量后期对齐工作，也避免了拼接处常见的音量与音色跳变。对播客、广播剧和游戏对白而言，这意味着一个角色可以在同一句里从平静转为激动，而不必拆成两条音轨。
把这些能力放在一起看，Drama 3 更像是把「导演」的角色交回给写作者：你写的不只是台词，还包括表演提示。需要提醒的是，官方公告只描述了能力方向，没有公布采样率、延迟、并发上限等技术指标，实际效果和稳定性最好用官方提供的入口亲自验证，再决定是否接入生产流程。
- 逐词控制
可对单个词指定语气、重音与节奏，指令用自然语言书写，不必记忆特殊标记。
- 句内换声
一句话中途切换音色，无需切成多段音频再手动拼接，减少对齐与音量跳变问题。
- 自然语言指令
直接写「这一句压低声音、最后两个字放慢」这类描述，学习成本比参数表低。
- 待确认指标
参数量、支持语言、许可证与推理延迟等未在公告中列出，需查阅模型卡。
两条接入路径：官方托管与开放权重，分别适合谁
想用上 Drama 3，目前有两条路。第一条是走 Fish Audio 官方托管：在官方站点 fish.audio 上直接体验和生成音频，也可以通过接口把语音能力接进自己的应用，适合不想管算力、只想尽快出效果的团队。第二条是下载开放权重，在自己的服务器或本地机器上部署，适合对数据流向、成本和可定制性有要求的人。
两条路的前期准备差别很大。托管路线基本只需要注册账号、准备好文本，再按官方说明调用；本地路线则要先确认硬件是否够用，再准备运行环境、加载权重、处理音频输出，通常还需要一定的工程经验。官方公告没有给出显存或算力建议，所以部署前务必先读模型卡里的硬件要求，避免白折腾。
无论走哪条路，写好提示词都是效果好坏的关键。建议先把文本按语义切成小段，在需要强调的词上单独加一句语气说明，再逐段试听、微调，而不是一次性生成整篇长文。这样既能快速定位问题，也方便把满意的参数固化成模板，后续批量生产时直接复用，整体效率反而更高。
- 官方托管
在 fish.audio 上直接生成，或通过接口集成到自己的产品里，省去算力与运维。
- 开放权重
自行部署运行，数据不出本地，便于微调与长期成本控制，但要自己承担维护。
- 先短后长
先用一两句话验证音色与语气指令是否被正确执行，再扩展到整章内容。
- 留意许可
商用前确认许可证条款与官方使用政策，公告未提及具体许可名称。
适合谁用、和同类语音模型比强在哪、还有哪些未确认
从能力描述看，Drama 3 最适合需要「演」而不是「读」的场景：有声书与广播剧的角色对白、游戏里的动态台词、漫画与短视频配音，以及需要细腻情绪的教学或客服语音。这些场景的共同点是文本量不大但表达要求高，逐词控制和句内换声能直接减少返工。相反，纯资讯播报、批量通知这类只求清楚不求表演的任务，用更轻量的方案往往更划算。
和同类语音模型相比，Drama 3 的差异点集中在可控性与开放性上。市面上不少语音产品音色自然，但控制手段有限，通常只能整体调情绪；也有开源方案可以本地跑，但细粒度控制往往要依赖额外标注或训练。Drama 3 试图把两者结合，并据 Artificial Analysis 的开放权重榜单拿到第一的位置。不过榜单只反映特定评测维度，真实项目里还要看长文本稳定性、多说话人一致性和推理成本。
需要明确的局限也有几处。官方公告没有列出支持的语言、参数量、许可证名称和定价细节，这些都会直接影响能否商用、能否覆盖目标市场；逐词控制虽然灵活，但也意味着写作者要花更多时间打磨提示词，批量生产的流程需要重新设计。建议先小规模试用，确认效果与成本符合预期，再决定是否迁移现有语音管线。
- 适合场景
有声书、游戏对白、漫画配音等对情绪与节奏要求高的内容，收益最明显。
- 对比思路
与只提供整体情绪调节的托管语音产品比可控性，与纯开源方案比上手与运维成本。
- 主要局限
语言支持、许可证与定价未公开，长文本稳定性与多说话人一致性需要自行验证。
- 试错建议
先用官方入口跑几段真实脚本，评估效果与耗时，再计算迁移成本。
分步上手指南
先确认需求与接入路线
想清楚是要快速出音频，还是要本地部署。只想尽快试效果就走官方托管，涉及敏感数据或需要深度定制再考虑开放权重，两条路的准备成本差别很大。
打开官方入口阅读说明
在浏览器访问 fish.audio，找到 Drama 3 的产品页面，阅读能力说明与使用条款，确认当前是否提供试用以及计费方式，再决定是否继续。
准备文本与语气指令
把脚本按语义切成短段，在需要强调的词旁写上自然语言提示，例如放慢、压低或换成另一种音色。避免一次提交整篇长文，否则很难判断问题出在哪一句。
生成并逐段试听调整
先生成一小段，检查发音、语气与换声衔接是否自然，再调整措辞或提示词。满意后把参数记录下来，形成可复用的模板，方便后续批量生产。
接入接口或本地部署
确认效果后，按官方文档接入接口，或下载开放权重在自有环境部署。上线前核对许可证与商用条款，并做一次压力测试，确认长文本与并发表现。
常见问题
Drama 3 是免费的吗？
官方在发布时提到过限时免费体验活动，但长期是否免费、托管版和接口如何计费，公告里没有给出完整价目。开放权重可以自行下载部署，成本主要来自你自己的算力与运维。具体价格与免费额度请以 fish.audio 官方页面为准。
它支持中文吗？
官方公告没有列出支持的语言清单，因此无法确认中文的覆盖程度与发音质量。稳妥的做法是到官方页面或模型卡上查看语言说明，并直接用中文文本试听一段，重点检查多音字、数字读法和逐词语气指令是否被正确执行。
开放权重意味着什么？
意味着模型权重对外公开，你可以下载到自己的机器上运行、检查，甚至在符合许可证的前提下做微调，数据不必上传到第三方。代价是要自己准备算力与运行环境，并承担部署和维护工作。商用前务必确认许可证条款。
它和普通文本转语音有什么区别？
普通语音合成通常只能选音色和整体情绪，一句话从头到尾一个调子。Drama 3 把控制下沉到单个词，还能在一句话中间切换音色，因此更适合有声书、游戏对白这类需要表演感的内容，但写提示词的时间也会相应增加。
现在就能用上吗？
可以。官方页面 fish.audio 上已经提供 Drama 3 的入口，开放权重也可以获取。不过公告未公布参数量、许可证名称与完整定价，正式投入项目之前建议先小规模试用，并核对官方文档里的技术指标与使用限制。
