Fish Audio Drama 3 发布解读：TTS 终于能听懂「憋着哭」这种指令

引言：语音合成缺的不是音色，是演技

过去两年，TTS 的进步几乎全在「像不像人」上。

音色越来越自然，口音越来越准，连呼吸和停顿都能模仿。但你真拿它做一段有声剧、一段游戏对白、一段带情绪的广告配音，就会发现还差一层东西：

它读得对，但演得不对。

你写「我没事」，它就平平地念「我没事」。你想要的是那种明明在哭却硬撑着的「我没事」——声音要抖一下，笑意要卡在喉咙里，最后那个字要轻到快听不见。

这件事以前的做法是：写好几种版本，挑一个稍微像的，再手工剪。或者干脆放弃，找真人。

Fish Audio Drama 3 就是冲这一层来的。它的做法很直接：

把导演的话写进台词里，用方括号括起来。

[barely holding it together, forcing a smile] I'm fine.
[shaky breath] Really. [small laugh]
[whispering] Go on without me.

这段是官方博客的原例。要它演「勉强撑着、强颜欢笑」，你就这么写。官方说 Drama 3 相比 S2.1 Pro 的差别是：哭声像真的、怒气是压住的、笑是从板着的脸里漏出来的。

这句话如果成立，它改变的不是音质，是工作流。 以前你要生成十个版本再挑，现在你写一句指令。

但它值不值得用，还取决于三件不那么性感的事：它质量到底排第几、48GB 显存的门槛意味着什么、以及那份许可能不能让你做商业产品。

---

一、产品定位：它到底是什么，不是什么

它是什么

一句话：一个能用自然语言「导戏」的 TTS 模型，35B MoE，开放权重。

三个关键词拆开看：

「导戏」：表演指令写在方括号里，用你平时跟演员说话的方式写。官方强调「Tags 被当成普通文本而不是专用控制 token」——这句话是 S2 时代就有的架构选择，意思是你不受限于一组固定的表情标签，理论上什么描述都能写。

「35B MoE」：总参数 350 亿，每生成一个 token 只激活约 30 亿（256 个专家里选 8 个，加 1 个共享专家）。参数堆在这里是为了「记住长剧本和多个声音样本」，不是为了推理时的算力。

「开放权重」：权重在 Hugging Face 上，仓库名 fishaudio/drama-3。但「开放权重」和「开源」不是一回事，后面细说。

它在产品线里的位置

Fish Audio 的 TTS 模型有一条清晰的时间线：

时间	模型	定位	权重
2025-06	S1（原 Fish Speech）	首个 4B 模型，TTS-Arena2 第一	S1-mini 开源
2026-03	S2	引入 [方括号] 自然语言控制、多说话人、80+ 语言	开源（Research License）
2026-06	S2.1 Pro	生产版，质量和延迟优化	开源（Research License）
2026-10-13	Drama 3	表演向升级，35B MoE	开放（Community License v1.0）

两个细节值得注意：

第一，S1 要在 2026 年 12 月 31 日退役。 之后指定 s1 的请求会由 s2.1-pro 接管，并按 s2.1-pro 计费。还在用 S1 的集成必须迁移，方法是在模型 ID 换成 s2.1-pro 的同时，把 (圆括号) 情绪标签改成 [方括号]。

第二，Drama 3 不是 S2.1 Pro 的替代品，是并行选项。 官方文档里 S2.1 Pro 仍然标注为「需要 TTFA 和 DPA 保证的生产负载」用的模型。Drama 3 是 preview 状态（模型卡上标的就是 Preview），官方明说「会持续改这个模型」。

它不是什么

不是开源软件。 权重放出来了，但许可有明确限制：年收入超过 50 万美元要单独授权，把模型作为 TTS / 声音克隆 / 配音服务提供给第三方，无论收入多少都需要单独许可。这是「开放权重」（open weights），不是「开源」（open source）。

不是低门槛的本地部署。 需要至少 48GB 显存的 NVIDIA 卡、FP8 精度、SGLang-Omni 服务框架，而且融合 kernel 只在 Hopper 架构上验证过。CPU、Apple MPS、AMD ROCm 都不支持。 这台机器不是消费级显卡能凑的。

不是声音克隆工具。 它能用你提供的语音样本，但许可明确禁止「未经同意克隆真人声音」。官方演示里用的是 Uncle Roger（Nigel Ng）本人授权的声音克隆，这个细节放在博客很显眼的位置。

不是「质量最强」。 这一点官方博客没提，但第三方数据里有：它在 Artificial Analysis 的质量 Elo 是 1242，落后 ElevenLabs Eleven v4 Turbo 的 1328，也落后 Qwen-Audio-3.0-TTS-Plus 的 1266。

1.4 要花多少钱

三条路，成本结构完全不同。

第一条：API，按字符计费。

项目	价格
列表价	$50 / 百万字符
发布促销价（至 2026-11-12）	$10 / 百万字符
促销幅度（官方表述）	API 降 80%，新创作者套餐降 50%

这是全篇最需要注意的一条：促销价和列表价差 5 倍。 11 月 12 日之后按 $50 计价，做预算时必须按列表价算，否则上线即超支。

换算成实际感受：一百万字符大约是一本 300 页的书，或者 10 小时左右的连续语音。$50 意味着每小时 5 美元；$10 意味着每小时 1 美元。

第二条：免费档。

免费账户每月 8,000 credits，约 7 分钟语音，单次生成上限 500 字符，3 个公开声音槽。

关键限制：免费档不含商用权。 可以试声音、做个人项目，但不能用于客户交付或任何变现内容。

第三条：自托管，成本在硬件。

项目	要求
显存	≥48GB，FP8 精度
GPU	NVIDIA（Hopper 架构验证过，官方基准用 1 张 H200）
不支持	CPU、Apple MPS、AMD ROCm
服务框架	SGLang-Omni（sgl-omni serve --model-path fishaudio/drama-3）
权重	MoE 专家 FP8，其余 bf16；另有 int4 版本（fishaudio/drama-3-int4，10 月 14 日发布）

48GB 显存是什么概念：一张 H100 是 80GB，一张 A100 是 40GB（不够），RTX 4090 是 24GB（差一倍）。能跑这张卡的机器，租用成本大约每小时 2–4 美元。

也就是说：自托管只有在「持续高负载」时才划算。 每天跑满 8 小时以上，租卡比 API 便宜；偶尔用，API 便宜得多。

三笔隐性成本：

• API 的默认回退。官方文档警告：请求头里的 model: drama-3 缺失或拼错，会静默回退到 s2.1-pro。账单按 s2.1-pro（$15/百万字符）算，效果也不是你要的。不报错，只是结果不对。
• 迁移成本。从 S1 迁移过来要把 (圆括号) 标签改成 [方括号]。旧标签在新模型里会被当普通文本读出来。
• 许可合规。做托管服务要单独签约；用了就要在产品上标 "Built with Fish Audio"；不能拿模型或输出去训练别的语音模型。

---

二、核心能力拆解：它提供了哪些关键能力

能力一：用自然语言导戏

表演指令写在方括号里，位置决定作用范围。

单个标签作用于它后面那句话：

[through gritted teeth, keeping his voice down] I asked you to do one thing tonight.
[slow, dangerously quiet] Just one.

配对标签只作用于它包裹的词：

And whatever you hear out there…
[slow, deadly serious] do not open that door [/slow, deadly serious]

第二个写法是这次的重点。以前你只能给整句加情绪，现在能精确到半句。上面这个例子里，前半句是「惊恐的耳语」，最后四个字变成「缓慢、致命地严肃」——情绪在一句话中间拐弯。

官方给的四个演示都是这种「反差」：

情绪	指令示例
忍住哭	[choked up, crying quietly] → [voice breaking]
压住火	[through gritted teeth, keeping his voice down] → [slow, dangerously quiet]
破功笑	[straight-faced, trying very hard to stay serious] → [cracking up despite herself]
突然警觉	[breathless, speaking fast] → [voice drops to a terrified whisper]

为什么这几个例子选得好：它们都是「两种情绪同时存在」的状态。「强颜欢笑」「压着火」「憋着笑」，这些是传统 TTS 最容易抹平的地方——它只会给你一个情绪，或者两个情绪的中间值。

能力二：一句话多个角色

支持 [S1] 到 [S16] 的说话人标签，单次请求最多 16 个角色，每个说话人指定一个 voice ID。

一场戏一次调用渲染完。 这在有声剧和游戏对白里是实质性的差别：以前要按角色分段生成再拼接，每段之间还要对语速和停顿；现在一份剧本进去，一段完整音频出来。

官方在 S2 时代就强调的「多说话人对话」，Drama 3 继承下来并扩到 16 个。

能力三：83 种语言，一套模型

83 种语言在同一个模型里，不按语言切分模型。

这一点在配音场景里很实用：同一个角色、同一份表演指令，出十几个语言版本。官方特别提到一个细节：「用你思考的语言写指令」——指令语言和台词语言可以不同。

比如台词是英文，你可以用中文写 [强忍着不哭]。这对中文团队做英文内容很友好。

能力四：长文本与长剧本

35B 参数的一个直接好处是上下文容量。官方博客的措辞是「一个适合长剧本和多个声音片段的记忆」。

具体上下文长度官方没有公布（第三方报道也标注为「未披露」）。这一点要注意：有声书是它明确瞄准的场景，但一章 5000 字能不能一次生成完，官方没给数据。

能力五：发音鲁棒性第一

这是它唯一一个「官方敢说第一」的指标。

Artificial Analysis 的 Pronunciation Robustness 基准测的是难词读对率：品牌名、地名、技术术语、数字、代码、路径、邮箱这类东西念对了没有。

Drama 3 得分 93.2%，对手 S2.1 Pro 是 88.1%，排名第一。

分类看：

类别	得分
品牌、地名、技术术语	95.9%
上下文相关读法	95.3%
精确序列（代码、路径、邮箱）	86.3%

最后一类是它最弱的一项。 86.3% 意味着每 7 个邮箱地址或文件路径就有 1 个念错。做技术类内容（比如给一段代码录旁白）要特别注意。

能力六：流式与并发

官方的性能数据（1 张 H200）：

场景	数据
单路流式	271 frames/s，首字延迟 p50 88.9ms，RTF 0.131
16 路并发	927 frames/s，RTF 0.373

88.9ms 的首字延迟意味着它够格做实时对话（语音助手的舒适区在 200ms 以内）。16 路并发下 RTF 0.373，意味着一张 H200 能同时服务约 40 路实时流。

但这是 H200 的数据。 48GB 的最低门槛（比如 A6000、L40S）能跑，但并发数和延迟都会打折扣，官方没给这些卡的数据。

能力与场景对应

能力	解决什么	谁最需要	成熟度
自然语言导戏	让同一句话演出不同情绪	有声剧、游戏配音、广告	可用（核心卖点，preview 状态）
配对标签	一句话中间换情绪	台词精细调整	可用（新能力）
16 说话人	一场戏一次生成	有声剧、广播剧	可用
83 语言	一套模型做多语言	出海本地化	可用
发音鲁棒性	难词念对	有声书、技术内容	可用（第一，但精确序列 86.3%）
流式 88.9ms	实时对话	语音助手	可用（H200 数据）
自托管	数据不出内网	有合规要求的团队	门槛极高（48GB + Hopper）

---

三、典型应用场景：谁在什么条件下用它解决什么问题

3.1 场景地图

按使用者拆，三群人是它的主场：

• 有声书与播客制作：一两个人做几十小时音频，需要多角色、需要情绪、需要长文本
• 游戏与动画配音：角色多、台词量大、迭代频繁（改一句台词不该重录整段）
• 出海内容本地化：同一套内容出十几个语言版本

按用途拆，主场是「剧本驱动的大批量语音生成」，不是「一句话配音」。

按形态拆：网页/App 直接用、API 批量、自托管（门槛极高）。

哪些是主场，哪些只是「也能做」：有声剧、广播剧、游戏对白、多语言配音，是主场。单条短视频配音、实时语音助手，也能做，但都有更轻的工具。

3.2 场景一：有声书与广播剧

谁在用：独立有声书制作人、小型播客团队、网络文学平台。

触发条件：一本 20 万字的书要出音频版，或者一部广播剧要十几集，每集多个角色。

痛点：传统做法三条路都不好走。真人录制，一本书要几千到几万，周期以月计。早期 TTS，音色机械、情绪单一，听众第一句就退出。分段生成再拼接，每个角色要单独跑一遍，段落之间的语气接不上。

产品介入点：16 个说话人 + 自然语言导戏 + 长文本容量。一份剧本（带 [S1] [S2] 标签和方括号指令）进去，一整段对话出来。

前置依赖：需要准备好每个角色的语音样本（voice ID）；需要把剧本改写成带标签的格式；需要接受它还是 preview，同一段文字两次生成结果不同。

产出与收益：从「按角色分段 + 手工拼接」变成「一次渲染」。真正的价值不是省钱，是改一句台词不用重录整段——这是有声书制作里最耗时的环节。

边界与风险：有声书是长篇，而它没有公布上下文长度。 一章 5000 字能不能一次生成，官方没给数据。另外 preview 状态意味着质量会变，做长期项目要留好回滚。

3.3 场景二：游戏与动画的角色配音

谁在用：中小游戏团队、动画工作室。

触发条件：一个有 8 个角色的游戏，对话量几千句，上线后还要持续加内容。

痛点：找配音演员按句收费，一句几十块，几千句就是六位数。而且改一句剧情就要重录，每次更新都是成本。

产品介入点：每个角色一个 voice ID，剧本用 [S1]–[S16] 标注，情绪用方括号控制。改一句话，重新生成那一句。

前置依赖：要有角色的声音设定（原创或授权）；要有把剧本转成带标签格式的流程；要考虑实时性要求（对话场景需要流式，88.9ms 的首字延迟够用）。

产出与收益：从「按句付费」变成「按量付费」。$10/百万字符的促销价下，一个十万字的游戏对白成本约 1 美元。

边界与风险：许可限制最要紧。 如果游戏是卖给用户的，那不算「托管服务」，用开放权重可以；但如果想把配音能力做成 API 卖给别人，无论收入多少都要单独签约。另外，未经同意克隆真人声音是明确禁止的——用演员声音做角色必须拿到授权。

3.4 场景三：多语言内容出海

谁在用：内容平台的本地化团队、跨境品牌的营销团队。

触发条件：一套中文内容要出英、日、西、阿等版本，配音要保留原来的情绪和节奏。

痛点：传统做法是每个语言找一个配音演员，情绪和节奏各演各的，听起来不是同一部作品。用 AI 配音，情绪控制不了，出来的都是「播音腔」。

产品介入点：83 语言 + 同一套表演指令。中文写 [压低声音，忍着火]，英文台词照念，情绪保持一致。

前置依赖：需要目标语言的自然表达（不能直译）；需要验证小语种的发音质量（83 种语言的水平不会一致）。

产出与收益：一套内容的多语言版本从「几个月」变成「几天」。

边界与风险：83 种语言不代表 83 种都好。 官方只给了英文的发音鲁棒性数据，其他语言没有分项。中文、日文这类大语种大概率没问题，小语种要用自己的素材实测。

3.5 场景成熟度分级

分级	具体做法	说明
开箱即用	fish.audio 网页 / iOS / Android App	选 Drama 3、贴剧本、加方括号，直接出
开箱即用	免费档（8,000 credits/月）	约 7 分钟，够试情绪控制，不含商用权
需要一点配置	API（POST /v1/tts，model: drama-3）	要处理字符计费、要防模型 ID 写错回退
需要一点配置	自带声音样本（voice ID）	每个角色一个样本，样本质量决定上限
仅概念验证	自托管（48GB FP8）	硬件门槛极高，且 SGLang-Omni 只在 Hopper 验证
仅概念验证	长文本一次生成	上下文长度未公布，长篇要自己试
不建议使用	把配音能力做成 API 转售	许可明确要求单独签约，无论收入多少
不建议使用	技术文档旁白（大量路径、代码）	精确序列识别率 86.3%，每 7 个错 1 个

3.6 不适用或需谨慎的场景

第一，消费级硬件上的本地部署。 48GB 显存起步，还不支持 CPU / MPS / ROCm。Mac 用户、4090 用户直接出局。

第二，需要稳定输出的生产环境。 官方自己标了 preview，并明说「会持续改这个模型」。同一段文字两次生成结果不同，这对需要版本控制的项目是麻烦。

第三，托管给第三方的服务。 许可条款写得很清楚：把 Drama 3 作为 TTS、声音克隆或配音服务/API 提供给他人，无论你的收入多少，都需要单独的书面许可。

3.7 场景适配表

场景	适合谁	触发条件	用到的能力	需要什么准备	成熟度	主要风险
有声书 / 广播剧	有声内容制作	长篇多角色	16 说话人 + 导戏	角色声音样本、剧本标注	开箱可试	上下文长度未公布
游戏对白	中小游戏团队	台词量大且常改	导戏 + 声音样本	剧本格式化流程	开箱可试	商用需看许可条款
多语言配音	出海团队	一套内容多语言	83 语言 + 指令复用	目标语自然表达	开箱可试	小语种质量未验证
实时语音助手	语音应用开发	需要低延迟	88.9ms 流式	API 或自托管	需配置	低延迟数据仅 H200
私有化部署	有合规要求的企业	数据不出内网	开放权重	48GB+ NVIDIA、SGLang-Omni	仅概念验证	Hopper 之外未验证
技术内容旁白	开发者内容	大量代码路径	—	—	不建议	精确序列 86.3%
API 转售	服务商	想做配音 API	—	—	不建议	许可需单独签约

---