Fish Audio stellt Drama 3 vor: KI-Stimmen folgen Regieanweisungen

Das KI-Start-up Fish Audio hat am Dienstag sein neues Sprachsynthese-Modell Drama 3 veröffentlicht. Wer einen Text vertonen lässt, schreibt Regieanweisungen in eckigen Klammern direkt dazu; einzelne Wörter lassen sich zusätzlich mit Markierungen etwa für eine Betonung versehen. Das Modell spricht 83 Sprachen, die Anweisungen können in jeder Sprache formuliert werden. Firmenchefin Rissa Cao nennt Drama 3 das bisher ausdrucksstärkste und am besten steuerbare Modell des Unternehmens.

Technisch ist Drama 3 ein sogenanntes Mixture-of-Experts-Modell mit 35 Milliarden Parametern, von denen pro Token rund drei Milliarden aktiv sind; Grundlage ist das Sprachmodell Qwen3.5-35B-A3B von Alibaba. In einem Aussprachetest von Artificial Analysis erreicht es nach Firmenangaben 93,2 Prozent – der Vorgänger S2.1 Pro kam auf 88,1 Prozent. Auf einem einzelnen Nvidia-H200-Chip erzeugt das Modell laut Fish Audio 271 Audio-Frames pro Sekunde, deutlich mehr als S2.

Die Gewichte stehen auf Hugging Face unter einer eigenen Community-Lizenz bereit: frei für Forschung und nicht-kommerzielle Zwecke sowie für Firmen mit weniger als 500.000 Dollar Jahresumsatz. Größere Firmen und alle, die Drama 3 als Sprach-, Klon- oder Inferenzdienst anbieten, brauchen eine Lizenz. Stimmen realer Personen dürfen ohne deren Zustimmung nicht geklont werden; im Vorstellungsvideo spricht nach Angaben von Fish Audio eine geklonte Stimme des Komikers „Uncle Roger“ – mit dessen Erlaubnis. Nutzbar ist Drama 3 auch über Website, Apps und Programmierschnittstelle.