Drama 3 改的不是音质，而是配音这件事的做法
10月13日，Fish Audio 发布 Drama 3。350 亿参数的混合专家模型，每个词元只激活约 30 亿；支持 83 种语言；一次生成里能同时安排 16 个角色开口。Artificial Analysis 的发音稳健性榜上它排第一，生僻词、数字、代码的综合准确率 93.2%，上一代 S2.1 Pro 是 88.1%。
我自己平时用 Fish Audio 的 S2 Pro 配音，所以这个升级最值得说的不是分数。我的判断是：Drama 3 真正改变的是接口——它把配音从填一个文本框，变成了写一份场记。
以前用 TTS，你输入文字，它输出声音，情绪是靠挑音色、调语速、多抽几次碰运气。Drama 3 换了个做法：方括号里写人话，像给演员说戏。官方那个例子很典型，一句台词里塞了四段指令，先强撑着笑说没事，再一口发抖的气，再一声小笑，最后转成耳语。老模型会把这一句读成一个调，因为字没变，变的全在表演上。
配套的还有几个细节。成对标签只作用于括起来的那几个词，你可以让整段平静，只让一个短语变成气声。叹气、笑声、停顿可以直接插在需要的位置，不用后期贴音效。单次请求里多个角色轮流说话，音色互相区分，还能接住对方的语气，不用切成十几条碎音频再拼轨。长稿里音色和节奏能保持一致，同一场戏里切换语言也不崩。
这些加起来，指向同一件事：配音的成本结构变了。以前改一个词，整句重录，语气和节奏全丢；现在理论上只重生成那一个词，前后的声音质感、情绪、节奏不动。
但我要泼一盆冷水，而且是三盆。
第一盆，最值钱的那个功能，发布时还在内测。局部改词和交互式编辑在上线时是邀请制小范围测试，编辑 API 只是计划中。也就是说，宣传片里最打动人的那一幕，你现在还用不上。官方自己也承认，同一段指令生成的结果会有波动，建议多抽几条挑一条。这说明它还是个需要人耳筛选的工具，不是一键出片。
第二盆，硬门槛在硬件。FP8 精度下要 48GB 显存的英伟达卡，不支持 CPU、苹果 MPS 和 AMD。社区第二天就有人压到 4bit 塞进 Mac，但那是折腾，不是生产。对国内短剧团队来说，现实路径是走 API 或者 ComfyUI 这类平台，本地部署只适合有卡的工作室。
第三盆，许可证划了一条很精的线。年收入 50 万美元以下免费用，超过要找 Fish Audio 谈；拿它对外提供配音或克隆服务，也要单独授权。这条线正好卡在个人创作者和小工作室头顶上，规模一做大，成本立刻回来。
还有一句公道话要说给对手。发音第一不等于好听第一，有测评提到盲听偏好测试里它的表现并不领先。念得准和演得好是两回事，短剧观众要的是情绪上头，不是播音腔标准。
所以我的结论是：Drama 3 是这批语音模型里第一个把产品形态往前推的，从生成走向编辑，这是分水岭。但它今天仍是个半成品，真正的分水岭要等局部编辑开放、显存门槛降下来那天。
从打字到导戏，中间隔的不是一代模型，是一整套工作习惯。你现在配音，是在生成，还是在导演？
Drama3 FishAudio 语音合成 AI配音 短剧制作 开源模型