Компания Fish Audio представила Drama 3 — модель преобразования текста в речь с 35 миллиардами параметров. Архитектура основана на базе Qwen3.5-35B-A3B и использует смесь экспертов. Система поддерживает 83 языка и позволяет обрабатывать до 16 спикеров в одном запросе.
Техническая часть включает новый декодер Codebook-MTP и аудиокодек Descript для генерации звука с частотой 44.1 кГц. Обучение проходило в три этапа с последующей настройкой инструкций и обучением с подкреплением через GRPO. Модель показала результат 93.2% в тесте на устойчивость произношения.
Для работы требуется не менее 48 ГБ видеопамяти NVIDIA в формате FP8. Поддержка CPU, Apple MPS и AMD ROCm отсутствует. При использовании H200 время до начала воспроизведения составляет 88.9 мс. Сервисная часть работает через SGLang-Omni, требующий графические процессоры архитектуры Hopper.
Стоимость использования API составляет $50 за 1 миллион символов. До 12 ноября 2026 года действует акционная цена $10. В запросах необходимо указывать заголовок drama-3, иначе система автоматически переключится на версию S2.1-pro.
Модель распространяется по лицензии Fish Audio Community License v1.0. Использование бесплатно для исследований и коммерческих проектов с годовой выручкой до $500 000. Сторонний хостинг API требует отдельной лицензии, а продукты должны содержать пометку о создании на базе Fish Audio.
