Fish Audio Drama 3 发音评测第一，开放权重 TTS 的价格继续往下走
Artificial Analysis 的新评测里，Fish Audio Drama 3 在发音鲁棒性上排第一，两个语音竞技场都是开放权重模型第一。每百万字符 15 美元，比 Provider Voice 榜单上排它前面的模型都便宜。整体分数好看，不代表中文多音字、数字和中英混读已经过关。
TTS 榜单常看音色像不像人。进了生产环境，先出问题的往往是发音。一个词的重音错了，整段音频就得重录。
Artificial Analysis 这轮评测把 Fish Audio 的新模型 Drama 3 放进了两个 Speech Arena 和 Pronunciation Robustness 基准。结论很直接：Drama 3 在发音鲁棒性上排第一，在两个语音竞技场里都是开放权重模型第一。
Provider Voice 场景，Drama 3 拿到 1278 Elo，1512 次竞技场出场，总榜第 6，开放权重第 1。它比自家 Drama 3 Preview 的 1240 高 38 分，比 BreezeBlue 的 Breeze TTS 2 的 1228 高 50 分。Controlled Voice 场景，Drama 3 是 1085 Elo，1958 次出场，总榜第 12，开放权重第 1，排在 Ant Group 的 Ming-3.0-tts 的 1068 和 Preview 的 1063 前面。
发音鲁棒性这项，Drama 3 在 2157 个被评片段上拿到 94.6%，所有模型里排第一。Ming-3.0-tts 和 Drama 3 Preview 都是 93.2%。这个基准让真人评审按预先约定的可接受发音，判断 TTS 在四类难文本上的表现。
分项拆开看，结论没那么平。Expanding Shorthand 是 96.6%，第 1。Contextually Appropriate 是 96.5%，第 2，Gemini 3.8 Flash TTS 以 97.9% 排前面。Preserving Exact Sequences 是 87.1%，第 3，HeyGen Voice Turbo 以 91.8% 领先。Standalone Terms 是 91.8%，第 13，自家 Preview 反而以 95.9% 排第 1。整体第一能说明模型在难发音文本上更稳，具体到术语单念、精确序列，还是要看场景。
速度上，Drama 3 每秒生成 66.6 个字符。Preview 是 60.7，Murf 的 Speech Gen 2 是 63.0。ElevenLabs 的 Eleven v4 是 70.0，v3 Conversational 是 66.8，都比 Drama 3 快一点。
价格是另一个变量。Drama 3 每百万字符 15 美元。Provider Voice 榜单上排在它前面的模型都更贵：Gemini 3.8 Flash TTS 16.5 美元，Qwen-Audio-3.1-TTS-Plus 19.3 美元，Eleven v4 Turbo 40 美元，Sonic 3.6 49 美元，Eleven v4 80 美元。有网友按字符量换算，一小时旁白大约 0.8 美元，Eleven v4 约 4.3 美元。这个数字取决于文本长度和标点，但价差方向很清楚。
Drama 3 是开放权重模型，许可证是 Fish Audio Community License。模型卡写的是 35B 参数，每 token 激活 3B，MoE 文本主干配混合注意力，音频解码器用 10 个 codebook。它支持多说话人、声音克隆和自然语言控制，一段文本里最多放 16 个说话人标签，长文本会自动切块并支持流式输出。示例里用 3.9 秒参考音频克隆音色，还能用 [sighs]、[laughs] 这类点标签把叹气、笑声放到指定位置。
部署侧，Drama 3 发布当天就能跑在 SGLang-Omni 和 vLLM-Omni 上。Hugging Face 模型卡给了 H200 上的流式数据：单流首包音频 p50 为 88.9ms，RTF 0.131。并发 16 时，生成速度仍是播放速度的约 2.7 倍。并发 64 时平均 RTF 0.801。把 vocoder 放到第二张 GPU，在 256 并发下吞吐提高约 72%，首包延迟中位数降低 37%。这些数字对做实时语音应用的人比 Elo 更直接。
Hugging Face 页面上，Drama 3 已经有 50 个量化版本、7 个微调和 30 个 Space。社区在补部署和试听这一层。
有网友说，94.6% 的发音分数是他最关心的，一个词的重音错了，整条片子就废了。也有人问葡萄牙语、印度名字和 Hinglish 的表现，还有人想看中文多音字、数字和中英混读的分语言拆分。这些问题，Artificial Analysis 的总分没有回答。开放权重的好处在这里：拿自己的文本跑一遍，比看总榜可靠。
模型和榜单链接：
- 模型：https://huggingface.co/fishaudio/drama-3/
- TTS 榜单：https://artificialanalysis.ai/text-to-speech/leaderboard
- Controlled Voice 榜单：https://artificialanalysis.ai/text-to-speech/leaderboard/controlled-voice
- Speech Arena：https://artificialanalysis.ai/text-to-speech/arena
Drama 3 把开放权重 TTS 的发音和价格同时推了一步。它没有在每个细分项上都赢，部署也不是零成本。但对要做语音产品的人来说，这个模型已经值得放进候选列表，尤其是那些对发音错误和调用成本都敏感的场景。
发布时间: 2026-10-30 06:35