Fish Audio Drama 3 把情绪指令写进台词中间：83 种语言、93.2% 难词读音准确率，权重开放

Fish Audio 10 月 13 日发布 Drama 3，一个 35B-A3B 的混合线性注意力 MoE 语音模型，主干从 Qwen3.5 初始化，配新的 codebook-MTP 音频解码器，并用单一人类偏好奖励做 RL。它支持在台词中间插入方括号情绪/动作指令、用成对标签只改某几个词的读法、多轮「按备注重来」、在多角色场景里最多 16 个说话人，以及用 infilling 只重生成被修改的片段。官方称在 Artificial Analysis 的 Pronunciation Robustness 榜上以 93.2% 排第一，S2.1 Pro 为 88.1%；单张 H200 上 271 帧/秒，S2 为 177。权重在 Hugging Face 开放，年收入低于 50 万美元可免费商用。