Fish Audio veröffentlicht Drama 3, ein Open-Weight-Text-to-Speech-Modell mit 35 Milliarden Parametern

Das Voice-AI-Unternehmen Fish Audio hat Drama 3 veröffentlicht, ein neues Text-to-Speech-Modell, das am 14. Oktober 2026 angekündigt wurde. Das Modell verfügt insgesamt über 35 Milliarden Parameter und setzt auf eine Mixture-of-Experts-(MoE-)Architektur. Fish Audio stellt die Gewichte öffentlich zur Verfügung.

Laut den Angaben zur Veröffentlichung aktiviert Drama 3 jeweils etwa 3 Milliarden Parameter. In einem MoE-System verarbeitet nur ein Teil spezialisierter Teilnetze jede Eingabe. Dadurch kann ein Modell eine große Gesamtkapazität behalten, während der Rechenaufwand für den Betrieb vergleichsweise gering bleibt.

Steuerung in einfacher Sprache

Ein zentrales Merkmal des Modells ist, dass Nutzer die Stimmausgabe mit gewöhnlichen schriftlichen Anweisungen lenken können, statt mit technischen Einstellungen. Sie beschreiben Tonfall, Emotion oder Vortragsweise, die sie wünschen. Drama 3 soll 83 Sprachen unterstützen.

Der Name und der Schwerpunkt auf der Steuerung in natürlicher Sprache deuten auf einen Fokus auf ausdrucksstarke, performanceorientierte Sprachausgabe hin. Die öffentlich verfügbare Zusammenfassung enthält jedoch keine Benchmark-Vergleiche zur Audioqualität und keine Aufschlüsselung, wie gut die einzelnen Sprachen unterstützt werden.

Lizenzbedingungen

Die Gewichte werden unter einer Gemeinschaftslizenz mit Umsatzobergrenze verteilt. Lizenzen dieser Art erlauben in der Regel Einzelpersonen, Forschenden und kleineren Unternehmen die freie Nutzung des Modells, während größere Unternehmen oberhalb eines festgelegten Umsatzschwellenwerts gesonderte kommerzielle Bedingungen aushandeln müssen. Die genaue Schwelle, die Fish Audio gewählt hat, wird in den verfügbaren Informationen nicht genannt.

Offene Gewichte ermöglichen Entwicklern, das Modell auf eigener Hardware zu betreiben, es feinabzustimmen und in Produkte einzubauen, ohne auf einen gehosteten Dienst angewiesen zu sein. Da ein großer Teil des Text-to-Speech-Markts über geschlossene, API-basierte Angebote bedient wird, bietet ein offenes Modell dieser Größenordnung Teams, die an Voiceovers, Spielen und Barrierefreiheitswerkzeugen arbeiten, eine weitere Option zur Prüfung.