Fish Audio Drama 3: 演技指示に対応した35BオープンウェイトTTSモデル

Drama 3とは

Drama 3は、35Bパラメータのテキストバックボーンとトークンあたり3Bのアクティブパラメータを備えたMixture-of-Expertsテキスト読み上げモデルで、フルアテンションとリニアアテンションのハイブリッドを使用しています。音声はcodebook-MTPデコーダが生成し、シーケンス全体にわたって10個のコードブックを因果的にデコードします。エキスパートの重みはFP8で、残りの重みはbf16で保存されています。公開パッケージは8つのsafetensorsシャードと1.9 GBのコーデックで、ディスク上では約40 GBになります。

一般的なボイスクローニングモデルと異なる点は2つあります。

• 話者タグ。 <|speaker:0|> から <|speaker:15|> までを使うと、1つのテキストで最大16人のキャラクターを扱えるため、対話シーンを複数のテイクの連結ではなく1つのストリームとして生成できます。ComfyUIノードは、複数の音声が接続されている場合は @Voice1、@Voice2 スタイルのトークンで話者の切り替えを示します。
• 長文の処理。 長いテキストは自動的にチャンク分割され、チャンクごとにストリーミングできます。これは単発の文ではなく、オーディオブック、吹き替え、オーディオドラマを想定したものです。Drama 3は83言語に対応しています。

演技を演出する

指示は角括弧の中に、俳優に話しかけるように書きます。セリフ内の任意の位置に置けるため、気分が変わるところで読み方も切り替わります。指示はセリフの言語と一致している必要はありません。公開時の例では、英語のテキストに対して中国語、スペイン語、日本語の指示が使われています。

[breathless, speaking fast] Just turn off the lights. Stay away from the windows. [voice drops to a terrified whisper] And whatever you hear out there... [slow, deadly serious] <emphasis>do not open that door.</emphasis>

<emphasis>...</emphasis> のペアはスコープ付きタグで、行の残りの部分ではなく、開始タグと終了タグの間の単語だけを指示します。

興奮	悲しみ	ささやき

Drama 3の製品ページのトーンプリセット。Fish Audioは同じ参照セリフをS2.1 ProとDrama 3で読み上げて比較しており、違いは各行の2つ目の指示に現れます。そこが声が裏返ったり、静まったり、笑いに変わる箇所です。

発音の堅牢性

Fish Audioによると、Drama 3はArtificial AnalysisのPronunciation Robustnessベンチマークで1位を獲得しています。このベンチマークでは、英語の文中にある難しい単語、数字、コード、文脈依存の読みをテストし、人間のリスナーが1つずつ確認します。

この数字の背景にある設計変更はトレーニングにあります。ほとんどの音声モデルは、文字起こししやすいことと参照クリップに似た声であることへの報酬でチューニングされており、それによって笑いやささやきが抑え込まれます。Drama 3は代わりに、テイクに対する選好モデルを基準にチューニングされているため、表現豊かな読みが文字起こしエラーとして罰せられません。

実行方法

• オープンウェイト。 フルモデルはHugging Faceで公開されており、Fish Audioは公開初日からSGLang-Omniによる実行方法を sgl-omni serve --model-path fishaudio/drama-3 としてドキュメント化しています。
• ComfyUI。 ComfyUIコアのFish Audioパートナーノード（「Fish Audio Text to Speech」）は、2026年10月13日時点でDrama 3をモデル選択肢として公開しており、既存の s2.1-pro と s1 の選択肢に加わります。これらのノードはFish Audio APIを呼び出すため、ローカルGPUではなくAPIキーが必要です。
• ホスト版。 このモデルはFish Audio自身のWeb、iOS、Android向けText to Speechアプリでも利用できます。

入手方法

重み: Hugging Faceのfishaudio/drama-3。デプロイガイド: Drama 3 Cookbook。製品ページ: fish.audio/drama-3。