Fish Audio представя Drama 3: ИИ гласове следват режисьорски указания

ИИ стартъпът Fish Audio пусна във вторник новия си модел за синтез на реч Drama 3. Който озвучава текст, пише режисьорски указания в квадратни скоби директно до него; отделни думи могат да бъдат допълнително маркирани, например за ударение. Моделът говори 83 езика, а указанията могат да бъдат написани на всеки език. Изпълнителният директор Риса Цао нарича Drama 3 най-изразителния и най-добре управляем модел на компанията досега.

Технически Drama 3 е модел тип Mixture-of-Experts с 35 милиарда параметъра, от които около три милиарда са активни за всеки токен; основа е езиковият модел Qwen3.5-35B-A3B на Alibaba. В тест за произношение на Artificial Analysis той постига според компанията 93,2% – предшественикът S2.1 Pro имаше 88,1%. На един чип Nvidia H200 моделът генерира по данни на Fish Audio 271 аудиокадъра в секунда, значително повече от S2.

Тежестите са достъпни в Hugging Face под собствен лиценз на общността: свободни за изследвания и нетърговски цели, както и за фирми с годишен оборот под 500 000 долара. По-големите фирми и всички, които предлагат Drama 3 като услуга за синтез на реч, клониране или изчисления, се нуждаят от лиценз. Гласове на реални хора не бива да се клонират без тяхно съгласие; във видеото за представянето според Fish Audio говори клониран глас на комика „Uncle Roger“ – с негово разрешение. Drama 3 е достъпен и чрез уебсайта, приложенията и програмния интерфейс.