Fish Audio Drama 3 Preview 登上開放權重語音競技場榜首

Fish Audio Drama 3 Preview 是 Fish Audio 於 2026 年 10 月 13 日發布的模型，而到了隔天早上，它已在 Artificial Analysis 文字轉語音排行榜上登上開源權重系統的榜首。這個名次之所以值得再多看一眼，不是因為它的巔峰表現，而是附加在它之上的價格。這款入門模型標價為每百萬字元 15.00 美元，而排名與它相近的每個模型，價格都要高出兩到五倍；至於排行榜上直接排在它之上的兩個模型——ElevenLabs Eleven v4 Turbo 與 ElevenLabs Eleven v4——則是封閉系統，其按字元計價的方式，對任何製作長篇音訊的人來說，成本隨規模變動的方向完全錯誤。

在排行榜的 Provider Voice Arena 中，各廠商自家的語音彼此競爭，Fish Audio Drama 3 Preview 以 Elo 1,243 位居第 10 名。這落後於 ElevenLabs 的兩款模型（1,330 與 1,328）、落後於 Cartesia Sonic 3.6（1,286）、落後於 Qwen-Audio-3.1-TTS-Plus（1,300）與 Qwen-Audio-3.0-TTS-Plus（1,268），也落後於 Gemini 3.8 Flash TTS（1,274）。它領先第二個開放權重參賽者 Breeze TTS 2，後者以 1,221 位居其後，每百萬字元收費 34.00 美元——略高於 Drama 3 Preview 費率的兩倍。在該榜單的 97 個模型中，有 17 個是開放權重，而 Fish Audio 的新預覽版是其中排名最高的。

讀這個數字時，要連同它的誤差線一起看。排行榜針對這個項目回報的區間從 1,226.8 到 1,258.8，約涵蓋 8 個競技場語音、共 1,857 次盲測比較。對上 Breeze TTS 2，差距很令人放心。但對上分數 1,245、價格 $6.60 的 Speechify Simba 3.2，就不是這麼回事了——那只是 2 點差距，而且區間重疊，沒有人應該據此做出購買決定。誠實的總結是：Drama 3 Preview 讓一個開放權重模型進入了它先前根本沒資格躋身的排行榜前十名，而且是以中階價位做到這件事。

模型實際上是什麼

Fish Audio 將 Drama 3 Preview 描述為一個擁有 350 億參數的混合專家模型，每個詞元約有 30 億參數處於作用中。它採用混合注意力堆疊——Gated DeltaNet 結合閘控全注意力——並搭配碼本-MTP 解碼器，以及以 44.1 kHz 運作的 DAC 基礎符記化器。部分碼本融合只將前兩個碼本回饋到迴圈中。訓練歷經三個預訓練階段，接著是指令微調，然後針對單一人類偏好獎勵模型進行強化學習，且沒有規則式獎勵塑形。

隨之而來的吞吐量聲稱，是實務工作者最在意的一點：Fish Audio 回報在單一 H200 上達到每秒 271 幀，相較於它所接替的 S2 模型為 177，儘管前者承載的參數多得多。這是廠商提供的數字，並非經過驗證的基準測試，且會隨批次處理與序列長度而變動——但這個方向與稀疏架構應有的表現一致。

API 介面與 S2.1 Pro 端點相同，並未改變。請求會送往 POST https://api.fish.audio/v1/tts，而若請求省略 model 欄位，或指定了服務無法辨識的名稱，會退回使用 s2.1-pro，而不是回傳錯誤。這種退回機制很方便，也值得了解，因為這表示模型名稱若有錯字，會產生聽起來合理但聲音錯誤的音訊，而不是 400 錯誤。

導演掌控、一次完成對白，以及單字修補

有三項能力讓此版本與前一代有所不同，而這三項全都針對腳本化的製作工作，而非即時對話。

• 自然語言導向。有別於固定的標籤詞彙，模型可接受白話描述式的指令，例如〔緊張、幾乎撐不住〕或〔溫暖放鬆，就像和老朋友聊天〕，而且能在句子中途改變情緒或表達方式，無須重新生成一次錄音。像 <whisper>…</whisper> 這類成對的行內標籤，以及 [sigh] 這類提示，只會套用在它們所包覆的文字上，因此一句話能從結構上、而非靠運氣，在中途轉換語氣層次。

• 單次處理即可完成的多說話者對話。每個角色都能在同一次生成中保有自己的聲音，因而移除了通常介於 TTS 模型與完成場景之間的分段拼接步驟。對有聲劇與遊戲對話來說，這就是管線與研究專案之間的差別。

• 音訊修補。可以重新選取某個片段、給予新的指令，並單獨重新生成；這正是針對過去只要一個字發音錯誤就得完整重新渲染的工作流程修正。Fish Audio 將互動編輯體驗、修補工具和編輯 API 列為邀請制或即將推出，因此這項能力確實存在，但使用介面尚未普遍開放。

Fish Audio 也宣稱支援 83 種語言，並在長篇腳本與場景中途切換時保持語言一致性，還能在英語、中文、日語、韓語及其他多種語言中進行音素級發音控制，並可透過約 10 到 30 秒的參考片段進行 S2 風格的聲音克隆。發表示範使用了 Uncle Roger 的聲音克隆，該公司表示該克隆是在獲得許可的情況下製作並使用。

發音的說法，以及其出處

Fish Audio 的公告指出，Drama 3 Preview 在 Artificial Analysis 發音穩健性排行榜上總體得分為 93.2%，並在該排行榜排名第一，領先 ElevenLabs Eleven v4 與 Eleven v4 Turbo。其公布的子項分數為：名稱、品牌與技術術語 95.9%，相較 Fish Audio S2.1 Pro 的 87.3%；依上下文而定的詞彙 95.3%，相較 86.1%；數字、日期與單位 93.6%，相較 92.7%；代碼、路徑與電子郵件地址 86.3%，相較 79.4%。

那些數字來自 Fish Audio 自家的公告。當我去找排行榜，想直接讀取各模型的分數時，發音穩健性的路徑傳回了 404，而我能載入的排行榜介面所呈現的 Elo 排名，並沒有附上可引用的各模型發音數據。因此，上一段中的每個數字都是廠商自行報告的，任何使用到它的簡報都應如此標註。本文其他地方的 Elo 數字則不同：那些是我直接從排行榜上讀到的，而且帶有排行榜本身的信賴區間。

這項主張所針對的根本抱怨確實存在，無論你採信的是誰的數字。專有名詞、產品代碼與檔案路徑的發音，正是迫使團隊回頭求助真人配音人才的失效模式，而這也是大多數 TTS 廠商最慢修正的一項，因為它不是韻律問題。一個能處理 86.3% 代碼、路徑與電子郵件的模型，對比前代的 79.4%，仍然大約每七次就會錯一次。

「開放權重」在此授權條款下是什麼意思

Fish Audio Drama 3 Preview 依 Fish Audio 社群授權條款 v1.0 發布。在據此規劃之前，請先閱讀條款內容。此授權條款對於研究及非商業用途免費，而若你與你的關係企業年度營收低於 50 萬美元，亦免費供商業用途使用。超過該門檻——或者無論規模大小，只要你希望將該模型作為文字轉語音、語音複製或推論服務提供——你都需要取得 Fish Audio 的授權。S2 系列仍適用另一套獨立的 Research License。未經同意複製真實人物的聲音，一律禁止。

商業門檻獲得了獨立佐證：Artificial Analysis 排行榜將該項目標示為不具商業使用權的開放權重，這與其說是無限制授權，更符合以營收為門檻的授權。如果你是小工作室，依此授權取得的開放權重是真正可行的選項。如果你是轉售推論服務的平台，這就不是你所期望的那種開放權重。

定價與上市優惠

API 定價為每百萬字元 50 美元，2026 年 10 月 13 日至 11 月 12 日期間享有 80% 折扣，降至每百萬字元 10 美元。創作者額度與 S2.1 Pro 相同，而新的 Plus、Pro 與 Max 方案也在同一期間內半價。Artificial Analysis 在排行榜上記錄的價格為預設設定下每百萬字元 15.00 美元，這是在該排行榜上與其他項目比較時應採用的數字，而非與 Fish Audio 自家價目表比較。

促銷期才是真正有截止期限的部分。以每百萬字元 10 美元計算，Drama 3 Preview 的價格大幅低於排行榜上幾乎所有具競爭力的模型。以每百萬字元 50 美元計算，它則比 49 美元的 Cartesia Sonic 3.6 更貴，也遠高於 19.30 美元的 Qwen-Audio-3.0-TTS-Plus。任何依據折扣費率建立成本模型的人，都應該再依據牌價建立第二個模型，並確認該專案仍然行得通。

這在生產技術堆疊中的定位

有腳本、一次渲染的音訊正是最佳應用場景：有聲書、廣播劇、遊戲與動畫對白、短影音。多說話者單次生成與內補工作流程的存在，都是為了服務這類工作型態，而計價是依字元而非依分鐘，這對長篇腳本有利。互動式編輯與編輯 API 尚未全面開放，因此依賴它們的工作流程，就是依賴邀請函的工作流程。

接下來在營運上的問題是路由，而這對語音來說比對文字更棘手。Fish Audio Drama 3 Preview 目前並不是 OrcaRouter 上的模型之一。它必須透過供應商自家的 API 與數個第三方平台才能存取。上述比較的大多數模型也是如此——語音排行榜的前十名是一組具有供應商專屬驗證的供應商專屬端點，而且每一個都是獨立的整合與獨立的故障域。OrcaRouter 的 ~200 個模型，只要一組金鑰，就能以供應商定價、無加價使用涵蓋文字、視覺與推理工作，而其自動容錯移轉正是為了應對某個供應商端點在執行中途效能劣化的情況。對於正式環境的語音路徑，實務做法是讓語音供應商保持直連，並將它所協調的一切——摘要、翻譯處理、發音詞典建構器、QA 分類器——都放在單一的路由端點後面，這樣一來，該處的容錯移轉就不會把渲染管線一起拖垮。

底線

Fish Audio Drama 3 Preview 是實打實的成果，而非上市首週的曇花一現：在 Provider Voice Arena 上以 Elo 1,243 名列第 10，在該排行榜 17 個開放權重項目中排名第一，價格為每百萬字元 15.00 美元，而排名在其後的下一個開放權重模型則要價 34 美元。與榜首的差距依然很大，且信賴區間與最接近的鄰居相互重疊，因此開放權重冠軍頭銜只是起跑位置，而非領先地位。93.2% 的發音數據出自廠商自家，無法從排行榜上獨立查核。其授權對商業用途設有 50 萬美元營收上限，這將使某些團隊完全無法採用。而 10 美元的費率將於 2026 年 11 月 12 日到期。

對一間大量製作腳本式音訊的錄音室而言，多講者單次生成、單字修補，以及在營收門檻以下的開放權重授權，這三者的組合是這裡最強而有力的論點——比那個將會登上頭條的排行榜名次還更有力。

像這樣的模型選擇，也正是失效模式會顯現的地方：這類模型背後有紀錄的 AI 事件與代理失效，都收錄於OrcaRouter AI Incident Archive，其中每筆條目都帶有自己的來源、嚴重程度、可信度等級與爭議標記。