📖 AI 总结

Fish Audio 发布了 Drama 3，一个拥有 350 亿总参数、每 token 约激活 30 亿参数的混合专家（MoE）文本转语音模型，权重已在 Hugging Face 开放，并同步上线官方 API。该模型的核心特点是支持自然语言表演指令，用户可在台词前加入如“几乎撑不住了”等括号提示，或用成对标签控制局部语气，指令语言可与朗读内容不同。它支持 83 种语言，单次请求最多可生成 16 个角色的对话，适合有声书、配音和剧本对白等场景。架构上基于 Qwen3.5-35B-A3B，采用 Gated DeltaNet 与全注意力混合结构，并引入新的 Codebook-MTP 解码器。性能方面，它在 Artificial Analysis 发音鲁棒性测试中品牌、地名和技术术语得分 95.9%，但精确序列如代码、路径和邮箱仅 86.3%，整体质量仍落后于部分闭源 API。部署门槛为单张至少 48GB 显存的 NVIDIA GPU，且许可证对营收设有上限。