Fish Audio 发布 Drama 3：35B MoE 开源权重 TTS，词级情绪导演，发音鲁棒性 93.2% 登顶 Artificial Analysis

核心背景与行业痛点

封闭 TTS 越来越好听，创作者仍缺「导演权」：笑声、耳语、半句变调常被「可转录」奖励当成噪声压掉。Fish Audio 于 2026-10-13 发布 Drama 3，用自然语言方括号指令（如 [barely holding it together]）定点控制情绪与节奏，并同步开源权重，面向有声书、音频剧、游戏对白与短视频配音；官方公告同日在 X 引发超千万次曝光。

架构亮点与底层机制

骨干约 35B MoE、每 token 约 3B 激活（256 路由专家取 8 + 共享），自 Qwen3.5-35B-A3B 语言塔初始化；40 层混合注意力（三层 Gated DeltaNet + 一层 full attention）控制长脚本 KV；codebook-MTP 解码器因果预测 10 个声学 codebook，仅回流 0/1 以降低暴露偏差。后训练用单一人类偏好奖励（GRPO、无规则 ASR 奖励），避免惩罚你主动要求的笑声。细节见 arXiv:2610.18010。

权威 Benchmark 与实测跑分对比

独立榜 Artificial Analysis Pronunciation Robustness：Drama 3 总体 93.2%（榜首），S2.1 Pro 88.1%；品牌/地名/术语 95.9%，上下文相关读法 95.3%，路径与邮箱等精确序列 86.3%。厂商 H200 流式：单流 271 frames/s（S2 约 177）；并发 1 时 TTFA p50 88.9 ms；并发 16 约 927 frames/s、RTF 0.373。支持 83 语种、最多 16 说话人标签。

开发者实战落地与开箱指南

API：POST https://api.fish.audio/v1/tts，Header 设 model: drama-3，text 内直接写方括号导演；启动至 11 月 12 日约 $10/百万字符。权重 fishaudio/drama-3，代码 fish-speech；SGLang-Omni sgl-omni serve --model-path fishaudio/drama-3（建议 ≥48GB NVIDIA）。Community License：年营收低于 50 万美元可免费商用，禁止未经同意克隆真人声音。