Fish Audio近日正式发布TTS模型Drama 3，赋予开发者、工作室及创作者对语音表演的精细化控制权。该模型支持通过自然语言指令逐行调整语调、节奏及角色特征，实现类似导演般的“指挥”体验，而非仅生成静态音频。
Drama 3旨在解决长篇幅内容创作中的痛点，适用于有声剧、互动媒体、游戏动画及多语言配音等场景。其核心突破在于将语音AI从单纯的生成工具转变为可编辑的创作工具，允许用户在句子中途切换情绪（如从平静转为颤抖），或仅修改对话中的单个单词而无需重新渲染整段音频。
四大核心能力重塑语音工作流
Drama 3引入了四种全新的语音塑造方式：
- 自然语言指导：支持用自然语言描述表演效果，并能在不重新录制的情况下，于句子中途实时改变语气。
- 多说话人对话：可一次性生成包含多个角色的完整场景，保持各角色音色独立且能相互回应。
- 音频修复（Inpainting）：允许选中特定片段进行编辑，模型仅重新生成该部分，同时完美融合前后音频，保持音色、情绪和节奏的一致性。
- 长篇幅与多语言一致性：在整个脚本中维持单一连贯的表演状态，支持场景中途切换语言，并在英、中、日、韩等语言中实现音素级发音控制，避免了传统模型拼接请求导致的断裂感。
Fish Audio联合创始人兼首席执行官Rissa Cao表示，语音AI在生成层面已趋成熟，下一步关键在于“指导”表演。Drama 3是该公司迄今最具情感表现力和可控性的模型，特别适用于有声书和多语言配音等项目，避免了因单个错误导致整章内容重生的低效问题。
联合创始人兼首席科学家Shijia Liao指出，Drama 3采用新架构以提升指令遵循能力。在修改单个单词时，模型会监听上下文音频以确保无缝融入，这一技术细节虽微小却是开发中的最大挑战之一。
成立一周年，ARR飙升至2100万美元
Drama 3的发布正值Fish Audio成立一周年。过去数月，团队密集推出了具备说话人分离技术的语音转文本模型、一站式创作空间Fish Creative以及移动端App。其前代模型S2.1 Pro曾在OpenRouter平台上三周内登顶最受欢迎语音模型。
据Ahrefs全球增长最快AI公司榜单显示，Fish Audio位居榜首，品牌搜索量同比增长高达740%。公司年度经常性收入（ARR）从零迅速增长至2100万美元，服务用户超过1500万，涵盖个人创作者、开发者及企业客户。这一增长得益于研究、产品与市场团队的协同运营，以及开源社区与搜索流量间的良性循环。