Drama 3: 93,2 prosent – 10 dollar, 48 GB, 500k-lisens
Fish Audio slipper Drama 3 13. oktober. API-header drama-3. Liste 50 dollar per million tegn, 10 dollar til 12. november. AA 93,2 prosent uttale. Vekter på Hugging Face. Selvhost 48 GB. Kommersiell lisens stopper ved 500 000 dollar omsetning.
Fish Audio slipper Drama 3 13. oktober. Det er labens nye TTS-flaggskip. API-header drama-3, parallell preview-ID drama-3-preview. Oppe i Text to Speech på fish.audio, i iOS- og Android-appen, og på POST /v1/tts. Listepris: 50 dollar per million tegn. Fra 13. oktober til 12. november: 10 dollar, 80 prosent av. Vekter på Hugging Face som fishaudio/drama-3. GitHub-tag v3.0.0-beta. Selvhost: NVIDIA-GPU med minst 48 GB i FP8.
Dette er ikke en ny LLM. Det er stemme. For CIO er spørsmålet lisens, GPU og om ElevenLabs-prisen faktisk er slått. For CISO er det samtykke ved stemmekloning, stille fallback til s2.1-pro, og at redigering i produksjon fortsatt er invitert.
Hva som faktisk shippes
To API-headere. drama-3 er merket Released. drama-3-preview er merket Preview. Begge er oppe. Mangler eller feilstavet header feiler ikke: kallet faller tilbake til s2.1-pro. Logg headeren. Ikke anta at «vi kjører Drama 3» uten bevis i sporene.
Samme endepunkt som S2.1 Pro. Bytt header, behold JSON. Retning i hakeparentes, skrevet som briefing til en skuespiller. Par-tagger som bare treffer utvalgte ord: whisper, emphasis, soft, fast, slow, stress, forceful. Retning kan stå på et annet språk enn linjen. Inntil 16 stemmer i én request med <
| speaker:0 | > til < | speaker:15 |
Fish skriver 83 språk. Hugging Face lister norsk og nynorsk blant tags. Tokenizer og 44,1 kHz-kodek er uendret fra S2.
Hva som ikke er åpent: interaktiv redigering og audio inpainting. Begge er i liten, invitert test. Redigerings-API kommer senere. Finetune-kode er fjernet fra GitHub-repoet. S2-Pro blir værende med samme CLI, server og WebUI.
Pris, vekter og lisens
Fish sin egen FAQ: API-liste 50 dollar per million tegn. Kampanje 10 dollar til 12. november. Creator-kreditter som S2.1 Pro. Artificial Analysis viser 15 dollar på TTS-tavlen mot Eleven v4 på 80 og Turbo på 40. Tre tall, tre kilder. Budsjetter etter Fish-listen, ikke AA-grafen. Kampanjen er 30 dager, ikke ny listepris.
Vekter: huggingface.co/fishaudio/drama-3. Kode: github.com/fishaudio/fish-speech. Lisens: Fish Audio Community License v1.0. Gratis forskning og ikke-kommersielt. Kommersielt gratis bare hvis du og tilknyttede selskaper har under 500 000 dollar i årsomsetning. Over det, eller hvis du tilbyr Drama 3 som TTS-, klonings- eller inferens-tjeneste, kreves avtale med Fish på business@fish.audio. Ferdig lyd til kunder er tillatt. Kloning av ekte person uten samtykke er forbudt. S2 blir værende på Fish Audio Research License.
Åpne vekter er ikke åpen kildekode. Det er en omsetningsport og en tjenestesperre. Norske virksomheter over terskelen kan laste vektene. De kan ikke lovlig kjøre dem som produkt uten avtale.
Tallene som faktisk er uavhengige
Fish siterer Artificial Analysis Pronunciation Robustness: Drama 3 93,2 prosent, S2.1 Pro 88,1. Merkevarer, steder og tekniske termer 95,9 mot 87,3. Kontekstavhengige ord 95,3 mot 86,1. Forkortelser, tall og enheter 93,6 mot 92,7. Eksakte sekvenser som koder, stier og e-post 86,3 mot 79,4.
AA sin egen tavle 13. oktober: Drama 3 Preview er #1 åpne vekter på alle tre TTS-tavlene. Uttale 93,2, foran Eleven v4 91,7 og Turbo 90,1. Provider Voice Elo 1 243 (±16) over 1 857 matcher, plass 10 totalt, pluss 101 mot S2.1 Pro på 1 142. Controlled Voice Elo 1 058 (±15), plass 14. Neste åpne modell på uttale: Mistral Voxtral TTS 78,1, 15 poeng bak.
Det er uttale og arena, ikke en SLA. Stemmeagenter som leser kontonumre, merkenavn og filstier får mer av dette enn «emosjon». 86,3 prosent på eksakte sekvenser er fortsatt feil på hver sjuende kode.
Arkitektur og kjøring
35B MoE, om lag 3B aktive per token. 256 eksperter, topp-8 pluss én delt. Initialisert fra språkmodellen i Qwen3.5-35B-A3B. Hybrid oppmerksomhet: tre Gated DeltaNet-lag per gated full-attention. Ny codebook-MTP-dekoder med 13 lag erstatter S2 sitt Fast AR. Ti kodebøker, ca. 21,5 bilder per sekund. Bare kodebok 0 og 1 mates tilbake i ryggraden.
Trening: tre pretreningssteg, instruksjonsfinjustering, deretter RL. Én lært preferansemodell. Ingen regelbaserte belønninger. GRPO uten KL-straff. Inferens: 271 bilder per sekund på én H200 mot 177 for S2, via SGLang-Omni. FP8-eksperter, resten bf16. GitHub: minst 48 GB GPU. Day-0 i SGLang Omni. Docker med WebUI. AMD ROCm-image er for S2-Pro, ikke Drama 3.
Fish skriver at modellen er bygget for linjer du renderer og beholder: lydbok, drama, spill, animasjon, kortvideo. Ikke som lavlatens kundeservice-stemme. Latens per oppgave er ikke oppgitt i bloggen.
Hva leder bør gjøre
Sett header, fallback og lisens før PoC blir linje i budsjettet. Omsetning over 500 000 dollar: ikke anta at Hugging Face-vektene er gratis i produksjon. Kloning av ansatte eller kunder: samtykke er lisenskrav, ikke bare GDPR-hygiene. EØS-residency er ikke dokumentert for API. Selvhost er GPU, ikke suverenitet. Ikke budsjetter inpainting. Den er ikke GA.
Kilder og medier
Primærkilde: Fish Audio, https://fish.audio/blog/fish-audio-drama-3/ Sekundært: Fish Audio-dokumentasjon for Drama 3, Hugging Face-kortet fishaudio/drama-3, GitHub-utgivelse v3.0.0-beta, Artificial Analysis TTS-tavler 13. oktober. Thumbnail: OpenAI Image 2 / hogby.ai