开源语音合成领域长期被困在小模型里：0.5B到1B参数的轻量架构虽然跑得动，但念起台词像没有感情的播报机器，而富有戏剧张力的高端市场几乎被ElevenLabs等闭源服务牢牢把持。Fish Audio在2026年10月13日至14日发布的Drama 3（代号35B-A3B），直接把端到端文本转语音模型推到了35B参数量，宣称要用稀疏混合专家（MoE）架构把自然语言的情绪导演能力带入开源社区。
这确实让社区兴奋了一阵，但狂欢背后往往藏着现实的账本。撕开参数滤镜，这既不是轻量化神话，也不是无保留的开源馈赠。
35B底座与3B激活：大语言模型进军语音
Drama 3的架构直接打破了传统TTS的级联流水线。它采用Qwen3.5-35B-A3B作为语言底座进行初始化，总参数量达到35B，在Hugging Face检查点上显示约36B。整个模型包含40层网络，通过MoE机制，每个token只激活256个专家中的8个，外加1个共享专家，骨干网络实际激活参数约3B。
这种设计让它能够像理解文本剧本一样理解语音。训练阶段处理了覆盖约80种语言与方言的数千亿token高质量标注语料，让模型能够通过自然语言提示词直接控制角色的重音、停顿、叹息和戏剧化情绪。但技术报告并未公开具体的语料清单、语音总时长或版权授权细节，这种模糊性在当下的版权环境下显得格外微妙。
硬碰硬对比：演技拔尖，但基本功偏科
业内最关心的往往是它能否扳倒ElevenLabs。在MiniMax多语言基准测试里，Drama 3的表现呈现出明显的两极分化。在英语（词错误率 WER 1.13%）和德语等9种主流语言上，它确实超越了闭源的Eleven v4；但转到日语（字错误率 CER 5.02% vs 3.66%）以及印尼语等14种语言时，它依然落后于对手。面对ElevenLabs长期建立的1328 Elo评分壁垒，Drama 3还没有拿下全局优势。
如果把对比视角拉回开源同类，差距更耐人寻味。在英语声音克隆基准测试中，轻量级模型CosyVoice 3拿出了1.59%的WER和0.694的说话人相似度，而体量庞大的Drama 3在这两项指标上只有1.85%和0.605。Drama 3仅在UTMOS自然度评分上以4.31对4.28取得微弱领先。
| 测试维度 | Drama 3 (35B-A3B) | 对照模型 (Eleven v4 / CosyVoice 3) | 结果判定 |
|---|---|---|---|
| 英语识别错误率 (WER) | 1.13% | 优于 Eleven v4 | 胜出 |
| 多语言覆盖综合表现 | 9种语言占优 | 14种语言落后于 Eleven v4 | 落后 |
| 声音克隆说话人相似度 | 0.605 | 0.694 (CosyVoice 3) | 落后 |
| 语音自然度 (UTMOS) | 4.31 | 4.28 (CosyVoice 3) | 微幅领先 |
这直接指出了它的性格特征：Drama 3更像一个情绪饱满但偶尔忘词的舞台剧演员，戏剧感染力拉满，但咬字准绳和声纹复刻的精确度不如专注基建的轻量工具。社区测试反馈也印证了这一点，当输入文本漏字时容易诱发截断或长时间静音，生成的质量对参考音频的信噪比极其敏感，而官方关键的交互式音频修复（Inpainting）能力目前尚未对外开放。
48GB显存重压与50万美元商用红线
很多开发者被仅激活3B所吸引，误以为普通消费级显卡也能轻松驾驭。然而，参数激活与显存常驻是两码事。官方推荐的推理配置要求至少48GB显存（FP8精度，且限定在Linux或WSL系统下的NVIDIA卡）。虽然第三方通过ComfyUI利用系统内存卸载技术让它能在8GB显卡上勉强启动，但代价是耗时高达214ms/音频帧，较实时播放慢了约4.6倍，无法直接用于实时对话业务。
在专业硬件部署上，如果采用单张H200配合SGLang-Omni预编码参考音频，并发为1时的首包音频延迟（TTFA）能压到88.9ms（p50）；但一旦面对高负载，64并发下的p95延迟会飙升至1020.1ms。
所谓稀疏激活，解决的是算力吞吐的上限，却免不掉高昂显存容量的买路钱。
比硬件更现实的是协议约束。权重虽然开放下载，但采用的是Fish Audio Community License v1.0协议。该协议允许非商业研究，并对年收入50万美元以下的实体开放有限商业应用，但明确禁止在未经授权的情况下搭建竞品托管式TTS服务。Hugging Face上的许可证标签也出现了研究协议与社区协议的表述错位。
- 结论.Drama 3展示了端到端大模型赋能语音表达的潜力，长文本戏剧配音、游戏NPC导演控制是它的长板，适合有高配硬件支持的专业内容工作室。
- 风险.若业务追求低延迟语音交互，或试图依靠公有云包装SaaS套壳盈利，48GB显存的硬件账单与50万美元商用授权红线将迅速成为阻碍。
Drama 3的出现证实了大模型通吃语音生成的可行性，但这绝非一场平民开发者的狂欢。当戏剧化表演需要48GB显存来兑现，当开源的边界被牢牢锁在特定商业天花板之下，真正的技术普及才刚刚走到中场。