Fish audio lanza drama 3, un modelo de texto a voz de 35b con 83 idiomas

Fish Audio ha lanzado Drama 3, un modelo de texto a voz de 35B de código abierto de tipo 'mixture-of-experts' (MoE) que puede generar voz actuada a partir de guiones con indicaciones direccionales. El modelo admite 83 idiomas y permite hasta 16 hablantes en una sola solicitud. Está disponible en Hugging Face y a través de la API de Fish Audio, con un precio de lanzamiento de $10 por 1 millón de caracteres hasta el 12 de noviembre de 2026. Drama 3 se basa en el modelo de lenguaje Qwen3.5-35B-A3B, que cuenta con 40 capas y un nuevo decodificador Codebook-MTP. Utiliza el códec de audio Descript para generar audio de 44.1 kHz a 21.5 fotogramas por segundo. El entrenamiento implicó tres etapas, incluyendo el aprendizaje por refuerzo con GRPO y un único modelo de recompensa de preferencia humana. El modelo ha obtenido un 93,2% en el benchmark de Robustez de Pronunciación de Análisis Artificial, obteniendo el primer puesto, y tiene una puntuación Elo de 1242 en el ranking de calidad de Artificial Analysis. Fish Audio informa que el modelo requiere al menos 48 GB de memoria de GPU NVIDIA en FP8, y su uso comercial está permitido con un ingreso anual de hasta $500.000. El modelo está licenciado bajo la Licencia de la Comunidad de Fish Audio v1.0, y los usuarios deben dar crédito al proyecto al implementarlo.