Fish Speech 发布 Drama 3 — 35B 参数语音生成模型，支持 80 种语言

2026年10月13日，Fish Speech 仓库发布了 Fish Audio Drama 3 的 pre-release 版本。这是一款语音生成模型，可将文本转化为“可导演的演绎”：通过多个参考样本克隆声音、遵循自然语言指令、为多角色场景配音、用 infilling 编辑语音，并合成长时间或流式音频。详情见 GitHub 上的发布说明。 Drama 3 模型基于 35B-A3B 混合 MoE 后端，采用 Gated DeltaNet 线性注意力：256 个专家，top-8 加一个共享专家，每 token 约 3B 激活参数。后端从 Qwen（通义千问）3.5 初始化。音频解码器是新的 codebook-MTP，13 层，10 个 codebook，频率约 21.5 Hz，通过 ModifiedDAC 输出 44.1 kHz。运行需要 NVIDIA GPU，FP8 模式下至少 48 GB 显存。代码已开源，模型在约 80 种语言和方言、数千亿 token 上预训练。

这意味着什么

在我们的指南中，Fish Speech 被描述为 Fish Audio 的开源 text-to-speech 生成器。当前参数表对应 1.5 版本：模型 fish-speech-1.5，最大权重文件 1.2 GB，全部文件 1.4 GB。这明显小于 Drama 3，后者仅后端就有 35B MoE 参数，推理需要 48 GB 显存。 Fish Speech 的代码许可证为 Fish Audio Research License：研究和非商业用途免费，商业用途需与 Fish Audio 另行协议。1.5 版本的权重以 cc-by-nc-sa-4.0 分发。对于 Drama 3，作者在发布说明中未注明许可证，因此新模型的使用条件尚未确定。 参数表中指出，S2 Pro 原生支持 SGLang 加速：Continuous Batching、Paged KV Cache、CUDA Graph 和 RadixAttention。Drama 3 的发布说明称，S2-Pro 仍完全受支持，命令行界面、API 服务器和 WebUI 保持不变，模型类型从检查点的 config.json 读取。这意味着更新不会破坏旧版本现有的工作流程。 对于在自己的硬件上运行 Fish Speech 的用户来说，Drama 3 是一款重得多的模型：48 GB 显存，而此前权重文件仅 1.4 GB。没有此类 GPU 的用户，仍可使用界面不变的 S2-Pro。