O que é Drama 3
A Fish Audio lançou o Drama 3, um modelo de texto-para-fala de 35 bilhões de parâmetros (MoE, com ~3B ativos por token) e 83 idiomas, com pesos abertos no Hugging Face e disponível na API da empresa. A proposta: transformar um roteiro com direções de atuação em fala — [quase segurando a emoção], [sussurrando], [ri rindo] — e permitir até 16 personagens por requisição via tags <|speaker:0|> a <|speaker:15|>.
Arquitetura
Segundo o post de lançamento, o backbone parte do Qwen3.5-35B-A3B. São 40 camadas, agrupadas como 3 camadas Gated DeltaNet por 1 camada de atenção completa — apenas 1 em 4 mantém KV cache; as DeltaNet guardam histórico em estado de tamanho constante.
Um novo decodificador Codebook-MTP substitui o decodificador Fast AR por-frame usado no S2. Ele tem 4 camadas compartilhadas alimentando 9 camadas, 1 por codebook acústico. Apenas os codebooks 0 e 1 alimentam de volta o backbone — no S2, todos os 10 voltavam.
O tokenizer de áudio é o mesmo do S2, baseado no Descript Audio Codec, com saída a 44,1 kHz e ~21,5 frames por segundo. O treino teve 3 estágios de pré-treino, depois instruction tuning e reinforcement learning — RL com GRPO sem penalidade KL e um único modelo de recompensa de preferência humana aprendido.
Benchmarks
A Fish Audio reporta Drama 3 em 93,2% de acerto no benchmark Pronunciation Robustness da Artificial Analysis (nº 1), contra 88,1% do S2.1 Pro. Nas subcategorias:
- Marcas, lugares e termos técnicos: 95,9% (S2.1 Pro: 87,3%)
- Leituras dependentes de contexto: 95,3% (86,1%)
- Abreviações (números, datas, unidades): 93,6% (92,7%)
- Sequências exatas (códigos, caminhos, e-mails): 86,3% (79,4%)
É um benchmark de pronúncia, não de entrega emocional — a qualidade emotiva da Fish Audio é descrita apenas qualitativamente. No leaderboard de qualidade da Artificial Analysis, "Drama 3 Preview" tem Elo 1242, acima do S2.1 Pro (1190) e abaixo do Eleven v4 Turbo (1328).
Hardware e desempenho
O guia de instalação da Fish Speech lista pelo menos 48 GB de GPU NVIDIA em FP8. CPU, Apple MPS e AMD ROCm não são suportados. Os experts do MoE saem em FP8, com o restante em bf16.
No model card, streaming em 1 H200: com 1 stream, mediana de 88,9 ms até a primeira amostra e fator de tempo real 0,131. Com 16 streams, throughput de 927,6 frames/s. O serving roda via SGLang-Omni, com kernels validados apenas em GPUs Hopper.
Acesso e custo
Na API hospedada, o header model é drama-3 em POST /v1/tts — a documentação avisa que header ausente ou com erro cai silenciosamente em s2.1-pro. Preço de lista: US$ 50 por 1M de caracteres; preço de lançamento de US$ 10 até 12/11/2026 (80% off).
Os pesos usam a Fish Audio Community License v1.0: uso em pesquisa e sem fins comerciais é gratuito; uso comercial é gratuito até US$ 500 mil em receita anual; hospedar como API de terceiros exige licença separada; produtos devem exibir "Built with Fish Audio"; clonar voz real sem consentimento é proibido.
O que isso muda para quem faz conteúdo
Para quem trabalha com diálogos roteirizados, audiobooks e dublagem, o Drama 3 é a primeira opção aberta que entrega direção de atuação real por linha e até 16 vozes em uma única chamada — sem a necessidade de 16 requisições separadas, uma por personagem. A restrição prática é o piso de 48 GB de GPU NVIDIA: para a maioria dos estúdios, o caminho será a API (com o preço de lançamento até novembro) ou um único H200 em ambiente próprio.
Fontes
- Fish Audio — "Fish Audio Drama 3: The Most Emotive Text-to-Speech Model We've Built" (13/10/2026)
- MarkTechPost — "Fish Audio Releases Drama 3, a 35B Open-Weight MoE Text-to-Speech Model" (14/10/2026)
- Hugging Face — fishaudio/drama-3
- Artificial Analysis — Text-to-Speech (Pronunciation Robustness + Leaderboard)
Fontes e referências
Encontrou uma informação que precisa de correção? Fale com a redação.