Fish Audio ने Drama 3 जारी किया, 35B ओपन-वेट टेक्स्ट-टू-स्पीच मॉडल

वॉइस AI कंपनी Fish Audio ने Drama 3 नाम का नया टेक्स्ट-टू-स्पीच मॉडल जारी किया है, जिसकी घोषणा 14 अक्टूबर 2026 को हुई। इस मॉडल में कुल 35 अरब पैरामीटर हैं और यह मिक्स्चर-ऑफ़-एक्सपर्ट्स (MoE) डिज़ाइन का उपयोग करता है। Fish Audio इसके वेट्स सार्वजनिक रूप से उपलब्ध करा रही है।

रिलीज़ के विवरण के अनुसार, Drama 3 एक समय में लगभग 3 अरब पैरामीटर सक्रिय करता है। MoE प्रणाली में हर इनपुट को केवल विशेषज्ञ उप-नेटवर्कों का एक हिस्सा संभालता है। इससे मॉडल की कुल क्षमता बड़ी रहती है, जबकि उसे चलाने के लिए ज़रूरी कंप्यूट अपेक्षाकृत सीमित रहता है।

सरल भाषा में निर्देशन

इस मॉडल की एक मुख्य विशेषता यह है कि उपयोगकर्ता तकनीकी सेटिंग्स के बजाय सामान्य लिखित निर्देशों से आवाज़ के आउटपुट को दिशा दे सकते हैं, जैसे लहजा, भावना या प्रस्तुति का तरीका बताकर। बताया गया है कि Drama 3 83 भाषाओं को सपोर्ट करता है।

मॉडल का नाम और प्राकृतिक भाषा से निर्देशन पर ज़ोर इस ओर इशारा करते हैं कि इसका फ़ोकस अभिव्यंजक, परफ़ॉर्मेंस-शैली के भाषण पर है। हालांकि, सार्वजनिक रूप से उपलब्ध सारांश में ऑडियो गुणवत्ता पर बेंचमार्क तुलना या यह विवरण शामिल नहीं है कि हर भाषा को कितनी अच्छी तरह सपोर्ट किया गया है।

लाइसेंस की शर्तें

वेट्स एक राजस्व-सीमा वाले सामुदायिक लाइसेंस के तहत वितरित किए जा रहे हैं। इस तरह के लाइसेंस आम तौर पर व्यक्तियों, शोधकर्ताओं और छोटी कंपनियों को मॉडल का मुफ़्त उपयोग करने देते हैं, जबकि एक तय राजस्व सीमा से ऊपर की व्यावसायिक कंपनियों को अलग वाणिज्यिक शर्तों पर बात करनी पड़ती है। Fish Audio ने जो सटीक सीमा चुनी है, वह उपलब्ध जानकारी में निर्दिष्ट नहीं है।

ओपन वेट्स डेवलपर्स को मॉडल को अपने हार्डवेयर पर चलाने, उसे फ़ाइन-ट्यून करने और होस्टेड सेवा पर निर्भर हुए बिना उत्पादों में शामिल करने की सुविधा देते हैं। चूंकि टेक्स्ट-टू-स्पीच बाज़ार का बड़ा हिस्सा बंद, API-आधारित सेवाओं से चलता है, इस पैमाने का ओपन मॉडल वॉइसओवर, गेम्स और एक्सेसिबिलिटी टूल्स पर काम करने वाली टीमों को मूल्यांकन के लिए एक और विकल्प देता है।