Fish Audio Drama 3 Preview 登顶开放权重语音竞技场

Fish Audio Drama 3 Preview 是 Fish Audio 于 2026 年 10 月 13 日发布的模型，而到第二天早上，它就已经在 Artificial Analysis 文本转语音排行榜上登顶开放权重系统的榜首。让这一名次值得再看一眼的并不是它的峰值——而是与之挂钩的价格。该条目标价为每百万字符 15.00 美元，而排名与之相近的每个模型都要贵上两到五倍，并且榜单上紧挨其上的两个模型 ElevenLabs Eleven v4 Turbo 和 ElevenLabs Eleven v4 都是闭源系统，其按字符计费的价格对任何制作长篇音频的人来说，都会朝着不利的方向递增。

在排行榜的 Provider Voice Arena 中，各厂商自家的语音彼此竞争，Fish Audio Drama 3 Preview 以 1,243 的 Elo 位列第 10。它落后于同为 1,330 和 1,328 的 ElevenLabs 两款模型，落后于 1,286 的 Cartesia Sonic 3.6，落后于 1,300 的 Qwen-Audio-3.1-TTS-Plus 和 1,268 的 Qwen-Audio-3.0-TTS-Plus，也落后于 1,274 的 Gemini 3.8 Flash TTS。它领先于第二个开放权重条目 Breeze TTS 2，后者 Elo 为 1,221，价格为每百万字符 34.00 美元——略高于 Drama 3 Preview 费率的两倍。在该榜单的 97 个模型中，有 17 个是开放权重，而 Fish Audio 的新预览版是其中排名最高的。

读这个数字时要连它的误差线一起看。该榜单为这一条目报告的区间从 1,226.8 到 1,258.8，约 1,857 次盲测对比，覆盖 8 个竞技场语音。面对 Breeze TTS 2，差距很从容。面对 1,245 分、6.60 美元的 Speechify Simba 3.2，就不是了——那是区间重叠的 2 分差距，谁都不该据此做出购买决定。诚实的总结是，Drama 3 Preview 把一个开放权重模型送进了它此前根本没资格进入的榜单前十，而且是以中档价位做到的。

模型实际上是什么

Fish Audio 将 Drama 3 Preview 描述为一个 350 亿参数的混合专家模型，每个 token 大约激活 30 亿参数。它采用混合注意力栈——Gated DeltaNet 与门控全注意力相结合——并搭配码本-MTP 解码器和以 44.1 kHz 运行的基于 DAC 的分词器。部分码本融合仅将前两个码本反馈回循环中。训练经历了三个预训练阶段，然后是指令微调，随后是针对单一人类偏好奖励模型的强化学习，没有基于规则的奖励塑造。

随之而来的吞吐量说法，是从业者最会关心的部分：Fish Audio 报告称，在单块 H200 上达到每秒 271 帧，相比之下，它所接替的 S2 模型为 177 帧，尽管前者参数量要多得多。这是厂商数据，而非经过验证的基准测试结果，并且会随批处理和序列长度而变化——但这一方向与稀疏架构应有的表现一致。

API 接口与 S2.1 Pro 端点相比没有变化。请求会发往 POST https://api.fish.audio/v1/tts，如果请求省略了 model 字段，或指定了服务无法识别的模型名，则会回退到 s2.1-pro，而不是报错。这种回退很方便，也值得了解，因为它意味着模型名中的拼写错误会生成听起来像样但音色错误的音频，而不是返回 400。

导演控制、对白一次录制，以及单词修复

此次发布与前一代相比有三大功能，而这三项功能均针对脚本化生产工作，而非实时对话。

• 自然语言指导。该模型不再使用固定的标签词汇，而是接受如 [紧张，几乎撑不住了] 或 [温暖放松，就像和老朋友聊天] 这样的平实描述指令，并且可以在句子中间改变情感或表达方式，而无需生成新的录音。成对的内联标签（如 <低语>…</低语>）和提示（如 [叹气]）仅适用于它们所包裹的文本，因此一行文本可以在中途改变语域，这是由结构决定的，而非靠运气。

• 单遍处理多说话人对话。每个角色都在同一次生成中保持自己的声音，从而省去了通常位于 TTS 模型与成品场景之间的拼接步骤。对于广播剧和游戏对白来说，这就是一条流水线与一个研究项目之间的区别。

• 音频修复。可以重新选中某个片段，给它一条新指令，然后单独重新生成——这正是针对过去为一个发音错误的词就得整体重渲染的工作流修复。Fish Audio 将交互式编辑体验、修复工具以及编辑 API 列为仅限邀请或即将推出，因此这项能力已经存在，但对外入口尚未普遍开放。

Fish Audio 还宣称支持 83 种语言，并能在长脚本和场景中途切换时保持语言一致性；提供英语、中文、日语、韩语及其他多种语言的音素级发音控制；并支持基于约 10 到 30 秒参考片段的 S2 风格声音克隆。发布演示使用了一个 Uncle Roger 声音克隆，公司称该克隆是在获得许可的情况下制作和使用的。

关于发音的说法，以及它的来源

Fish Audio 的公告称，Drama 3 Preview 在 Artificial Analysis 发音稳健性排行榜上总体得分为 93.2%，并位居榜首，领先于 ElevenLabs Eleven v4 和 Eleven v4 Turbo。其公布的子项得分为：姓名、品牌和技术术语 95.9%，相比之下 Fish Audio S2.1 Pro 为 87.3%；上下文相关词 95.3%，相比之下为 86.1%；数字、日期和单位 93.6%，相比之下为 92.7%；代码、路径和电子邮件地址 86.3%，相比之下为 79.4%。

这些数字来自 Fish Audio 自己的公告。当我想去找那块榜单直接查看各模型的分数时，发音鲁棒性相关的路径返回了 404，而我能加载出来的榜单界面只渲染了 Elo 排名，并没有附上可供引用的单模型发音数据。因此，上面那段话里的每一个数字都是厂商自报的，任何使用它的演示材料都应如此标注。本文其他地方的 Elo 数字则不同：那些是我从榜单上直接读到的，并且带有榜单自己的置信区间。

该说法所针对的根本抱怨是真实存在的，无论你相信谁给出的数字。专有名词、产品代码和文件路径的发音，正是让团队重新转向真人配音演员的失效模式，而这也是大多数 TTS 供应商修复得最慢的一项，因为它不是韵律问题。一个对代码、路径和电子邮件的处理正确率达到 86.3%（前代产品为 79.4%）的模型，仍然大约每七次就会出错一次。

在本许可证下，“开放权重”是什么意思

Fish Audio Drama 3 Preview 根据 Fish Audio 社区许可证 v1.0 发布。在围绕这些条款进行规划之前，请先阅读相关条款。该许可证对研究和非商业用途免费；如果你和你的关联方年收入低于 50 万美元，也可免费用于商业用途。超过该门槛——或者无论规模大小，如果你想将该模型作为文本转语音、声音克隆或推理服务提供——你都需要获得 Fish Audio 的许可证。S2 系列仍受单独的研究许可证约束。未经同意克隆真实人物的声音是被完全禁止的。

商用门槛得到了独立印证：Artificial Analysis 榜单将该条目标记为开放权重，但不含商业使用权，这与按营收设限的许可证相符，而非不受限制的许可证。如果你是小型工作室，此许可证下的开放权重是一个真正可行的选择。如果你是转售推理服务的平台，那它就不是你所期望的那种开放权重。

定价和发布优惠

API 标价为每百万字符 50 美元，2026 年 10 月 13 日至 11 月 12 日期间可享 80% 折扣，降至每百万字符 10 美元。创作者额度与 S2.1 Pro 一致，新的 Plus、Pro 和 Max 套餐在同一时间段内半价。Artificial Analysis 在默认设置下将该榜单价格记录为每百万字符 15.00 美元，在与该榜单上的其他条目进行比较时，应使用这个数字，而不是 Fish Audio 自己的价目表。

促销窗口才是真正带有截止期限的部分。以每百万字符 10 美元的价格，Drama 3 Preview 以大幅优势压低了排行榜上几乎每一个竞品模型的价格。而在 50 美元时，它比 49 美元的 Cartesia Sonic 3.6 更贵，也远高于 19.30 美元的 Qwen-Audio-3.0-TTS-Plus。任何基于折扣价构建成本模型的人，都应该再基于标价构建第二个模型，并检查该项目是否仍然可行。

它在生产环境技术栈中的定位

脚本化、一次渲染的音频正是最佳应用场景：有声书、广播剧、游戏和动画对白、短视频。多说话人单次生成和音频修补工作流都是为这类工作形态服务的，而且定价按字符而非按分钟计算，这对长脚本更有利。交互式编辑和编辑 API 尚未普遍开放，因此依赖它们的工作流就是依赖邀请的工作流。

接下来的运营问题是路由，而对语音来说，这比文本更难。Fish Audio Drama 3 Preview 目前并不在 OrcaRouter 的模型之列。它需要通过厂商自有的 API 以及若干第三方平台才能访问。上面比较的大多数模型也是如此——语音排行榜的前十名是一组带着各自厂商专属认证方式的厂商专属端点，每一个都是独立的集成，也是独立的故障域。OrcaRouter 的约 200 个模型，一个密钥即可调用，按供应商标价、无任何加价覆盖文本、视觉与推理任务，而其自动故障转移存在的意义，正是应对某个供应商端点在运行中途性能下降的情况。生产环境语音链路的实用做法是：语音供应商保持直连，而它所编排的一切——摘要、翻译环节、发音词典构建器、QA 分类器——都放在单个路由端点之后，这样这里的故障转移就不会把渲染流水线一起拖垮。

底线

Fish Audio Drama 3 Preview 是一个真实的结果，而非发布周的人为产物：在 Provider Voice Arena 上以 1,243 的 Elo 排名第 10，在该榜单的 17 个开放权重条目中位列第一，价格为每百万字符 15.00 美元，而排名紧随其后的下一个开放权重模型为 34 美元。与榜首的差距仍然很大，且置信区间与其最近的邻居存在重叠，因此开放权重之冠是一个起点，而非领先地位。93.2% 的发音数字是供应商自己提供的，无法从榜单上独立读取。该许可证对商业使用设有 500,000 美元的收入上限，这将使一些团队完全无法使用。而 10 美元的费率将于 2026 年 11 月 12 日到期。

对于一家大批量制作脚本化音频的工作室来说，多说话人单次生成、单词级修复，以及收入门槛之下的开放权重许可，这三者的组合才是这里最有力的理由——比那个注定会登上头条的排行榜名次更有力。

这样的模型选择，也正是失效模式暴露之处：这一类模型背后有据可查的 AI 事故与智能体故障，都收录在the OrcaRouter AI Incident Archive中，其中每一条记录都附带各自的来源、严重程度、置信等级和争议标记。