Fish Audio udostępnia Drama 3, otwarty model zamiany tekstu na mowę o 35 mld parametrów

Firma zajmująca się sztuczną inteligencją głosową, Fish Audio, wypuściła Drama 3, nowy model zamiany tekstu na mowę, zapowiedziany 14 października 2026 roku. Model ma łącznie 35 miliardów parametrów i wykorzystuje architekturę mixture-of-experts (MoE). Fish Audio udostępnia jego wagi publicznie.

Według szczegółów premiery Drama 3 aktywuje jednocześnie około 3 miliardów parametrów. W systemie MoE każde wejście obsługuje tylko wybrany podzbiór wyspecjalizowanych podsieci, dzięki czemu model zachowuje dużą łączną pojemność, a moc obliczeniowa potrzebna do jego uruchomienia pozostaje względnie skromna.

Sterowanie zwykłym językiem

Kluczową cechą modelu jest to, że użytkownicy mogą kierować brzmieniem głosu za pomocą zwykłych poleceń pisanych, a nie ustawień technicznych, opisując pożądany ton, emocje lub sposób prezentacji. Drama 3 ma obsługiwać 83 języki.

Nazwa oraz nacisk na sterowanie w języku naturalnym wskazują na skupienie się na ekspresyjnej, teatralnej mowie. Publicznie dostępne podsumowanie nie zawiera jednak porównań z benchmarkami jakości dźwięku ani szczegółowego zestawienia tego, jak dobrze wspierany jest każdy z języków.

Warunki licencji

Wagi są dystrybuowane na licencji społecznościowej z limitem przychodów. Licencje tego typu zazwyczaj pozwalają osobom prywatnym, badaczom i mniejszym firmom korzystać z modelu za darmo, podczas gdy firmy powyżej określonego progu przychodów muszą negocjować odrębne warunki komercyjne. Dokładny próg wybrany przez Fish Audio nie został podany w dostępnych informacjach.

Otwarte wagi pozwalają programistom uruchamiać model na własnym sprzęcie, dostosowywać go i wbudowywać w produkty bez korzystania z usługi hostowanej. Ponieważ duża część rynku zamiany tekstu na mowę obsługiwana jest przez zamknięte rozwiązania oparte na API, model o takiej skali daje zespołom pracującym nad lektorami, grami i narzędziami dostępności kolejną opcję do oceny.