Fish audio lança o drama 3, um modelo de texto para fala de 35b com 83 idiomas

A Fish Audio lançou o Drama 3, um modelo de texto para fala de código aberto de 35B (MoE) capaz de gerar fala interpretada a partir de scripts com indicações diretas. O modelo suporta 83 idiomas e permite até 16 falantes em uma única solicitação. Está disponível no Hugging Face e através da API da Fish Audio, com um preço de lançamento de $10 por 1M de caracteres até 12 de novembro de 2026. O Drama 3 é baseado no modelo de linguagem Qwen3.5-35B-A3B, com 40 camadas e um novo decodificador Codebook-MTP. Utiliza o codec de áudio Descript para produzir áudio de 44.1 kHz a 21,5 quadros por segundo. O treinamento envolveu três etapas, incluindo aprendizado por reforço com GRPO e um único modelo de recompensa humana aprendido. O modelo alcançou 93,2% no benchmark Artificial Analysis Pronunciation Robustness, classificando-se em primeiro lugar, e possui uma pontuação Elo de 1242 no ranking de qualidade do Artificial Analysis. A Fish Audio relata que o modelo requer pelo menos 48 GB de memória da GPU NVIDIA em FP8, com uso comercial permitido sob uma receita anual de $500.000. O modelo é licenciado sob a Fish Audio Community License v1.0, e os usuários devem dar crédito ao projeto ao implantá-lo.