Fish Audio åpner Drama 3: talemodell med 35 milliarder parametre, vektene på Hugging Face
Det kaliforniske selskapet Fish Audio lanserte 13. oktober 2026 tekst-til-tale-modellen Drama 3, med vekter på Hugging Face og en kampanjepris på 10 dollar per million tegn i API-et som utløper 12. november. Modellen skal styres med skuespillerregi på vanlig språk — men de følelsesmessige egenskapene er foreløpig kun selskapets egen beskrivelse, og selvhosting krever en GPU med 48 GB minne.
Nyheten
Fish Audio, som ifølge egen pressemelding bygger verktøy for ekspressiv tekst-til-tale, tale-til-tekst og stemmekloning, lanserte Drama 3 13. oktober 2026. Poenget er ikke bare å generere tale, men å kunne regissere den: brukeren beskriver tone, tempo og rollefigur på vanlig språk, og modellen skal blant annet kunne skifte følelse midt i en setning. Vekterne ligger på Hugging Face, og modellen er i produksjon i selskapets eget API.
I lanseringskunngjøringen kalte medgründer og administrerende direktør Rissa Cao skiftet for et steg videre: «Tale-KI har blitt veldig god til å generere tale. Neste steg er å regissere en forestilling», sa hun, ifølge PR Newswire-utgivelsen via Yahoo Finance og Unite.AI. Medgründer og vitenskapssjef Shijia Liao forklarte teknologien slik: «Drama 3 tar i bruk en ny arkitektur som gir bedre kontroll og bedre instruksjonsfølging.»
Hvordan modellen er bygget opp
Ifølge lanseringsposten, som MarkTechPost gjengir, er Drama 3 en mixture-of-experts-modell med 35 milliarder parametre totalt, men om lag 3 milliarder aktive per token. For hvert token aktiveres 8 av 256 eksperter, pluss én delt ekspert — et valg som senker regnecostnaden per generert sekund sammenlignet med en tett modell av samme størrelse.
Ryggraden starter fra språkmodellen Qwen3.5-35B-A3B og har 40 lag, gruppert slik at tre Gated DeltaNet-lag følges av ett gatefullt full-attention-lag. Dekoderen er også ny: en Codebook-MTP-dekoder erstatter per-ramme-Fast AR-dekoderen fra forgjengeren S2. Kontekstlengden er ikke offentliggjort i den tekniske rapporteringen.
Hva som faktisk er målt — og hva som bare er påstått
Det finnes to typer ytelsestall, og de sier to ulike ting. Fish Audio rapporterer 93,2 prosent totalt på Artificial Analysis' Pronunciation Robustness-benchmark, plassert på førsteplass, mot 88,1 prosent for forgjengeren S2.1 Pro. Men benchmarken måler uttale-robusthet — ikke følelsesuttrykk eller «skuespill», som er modellens hovedsalgsargument. Følelseskvaliteten er kun beskrevet kvalitativt av selskapet selv.
På Artificial Analysis' kvalitetsliste ligger «Drama 3 Preview» med en Elo på 1242 — over S2.1 Pro (1190), men under Eleven v4 Turbo (1328). Selve lanseringsmodellen og «Preview»-varianten er ikke nødvendigvis identiske, så tallet bør leses som et holdepunkt, ikke et endelig dom.
En annen uavklart sak er audio inpainting — muligheten til å markere et stykke av en opptreden, endre instruksjonene og bare generere det utvalgte segmentet på nytt mens resten av lyden beholdes. Pressmeldingen og MarkTechPost beskriver inpainting som en lanseringsfunksjon, mens Notebookcheck skriver at både Interactive Editing og Audio Inpainting fortsatt er i begrenset, invitasjonsbasert testing. Statusen er med andre ord uavklart i kildematerialet. Uansett påpeker Unite.AI at utgivelsen ikke inneholder noen uavhengig evaluering av hvor pålitelig reparasjon av enkeltord bevarer omgivelseslyden på tvers av stemmer, aksenter og vanskelige overganger.
Hva det koster å bruke — og å selvhoste
Listeprisen i API-et er 50 dollar per million tegn, med en kampanjepris på 10 dollar som gjelder frem til og med 12. november 2026. Vekterne bruker Fish Audio Community License v1.0: gratis for forskning og kommersiell bruk så lenge årsinntekten er under 500 000 amerikanske dollar, med krav om attribusjon og samtykke.
Selvhosting har en tydelig bunn: installasjonsveiledningen krever minst 48 GB NVIDIA GPU-minne i FP8, og CPU, Apple MPS og AMD ROCm støttes ikke. De offisielle benchmarkene er kjørt på én H200. Det plasserer selvhosting i prisklassen til server-GPU-er, ikke arbeidsstasjoner.
Drama 3 støtter ifølge Notebookcheck flerpersonskonversasjoner og 83 språk, og er tilgjengelig via nettstedet, mobilappene og API-et.
Åpne spørsmål
Tre ting gjenstår å avklare. For det første er alle tekniske tall og ytelsespåstander sporet tilbake til Fish Audio selv — via en betalt pressemelding og sekundær rapportering som siterer samme lanseringspost — uten uavhengig verifisering. For det andre mangler de sentrale egenskapene, som følelsesskift midt i setningen og single-ord-inpainting, uavhengige målinger. For det tredje er veksttall i pressemeldingen, som ARR og brukertall, uverifiserte markedsføringspåstander og bør behandles som sådan.
Hva det betyr før 12. november
For utviklere blir valget først og fremst et tidsspørsmål. Med 10 dollar per million tegn frem til 12. november er det rabatterte API-et den billigste veien inn, og det gir mulighet til å teste de omdiskuterte følelsesegenskapene på eget materiale før man forplikter seg. Selvhosting gir full kontroll og ingen per-tegn-kostnad, men krever samtidig 48 GB NVIDIA-GPU og aksept av lisensens inntektstak og samtykkekrav — et valg som først lønner seg ved jevn høyt volum eller strengheter rundt data og infrastruktur. De harde tallene som foreligger, handler foreløpig mest om uttale; om «regien» fungerer som lovet, får erfaringen med modellen avgjøre.