Fish Audio випустила Drama 3, відкриту модель синтезу мовлення на 35 млрд параметрів

Компанія у сфері голосового ШІ Fish Audio випустила Drama 3, нову модель синтезу мовлення, про яку оголосили 14 жовтня 2026 року. Загальна кількість параметрів моделі становить 35 мільярдів, а сама вона побудована за принципом mixture-of-experts (MoE). Fish Audio робить її ваги публічно доступними.

За даними релізу, Drama 3 одночасно активує близько 3 мільярдів параметрів. У системі MoE кожен вхідний запит обробляє лише частина спеціалізованих підмереж, що дозволяє моделі зберігати великий загальний обсяг можливостей і водночас залишати обчислювальні вимоги для її запуску порівняно помірними.

Керування простою мовою

Ключова особливість моделі полягає в тому, що користувачі можуть керувати голосом за допомогою звичайних текстових інструкцій, а не технічних налаштувань, описуючи потрібний тон, емоції чи манеру подачі. За повідомленнями, Drama 3 підтримує 83 мови.

Назва та акцент на керуванні природною мовою вказують на фокус на виразному мовленні в стилі виконання. Проте загальнодоступний опис не містить порівняльних тестів якості звуку та розбивки за тим, наскільки добре підтримується кожна мова.

Умови ліцензування

Ваги поширюються за ліцензією спільноти з обмеженням доходу. Такі ліцензії зазвичай дозволяють окремим особам, дослідникам і невеликим компаніям вільно використовувати модель, тоді як бізнесам, чий дохід перевищує встановлений поріг, потрібно домовлятися про окремі комерційні умови. Точний поріг, обраний Fish Audio, у доступній інформації не вказано.

Відкриті ваги дають розробникам змогу запускати модель на власному обладнанні, донавчати її та вбудовувати в продукти без залежності від хмарного сервісу. Оскільки значна частина ринку синтезу мовлення обслуговується закритими рішеннями на основі API, відкрита модель такого масштабу дає командам, які працюють над озвучуванням, іграми та інструментами доступності, ще один варіант для оцінки.