Was ist Fish Audio Drama 3?
Fish Audio Drama 3 ist ein Modell für Text-to-Speech und Voice Cloning von Fish Audio, dem Handelsnamen von 39 AI, Inc., dessen technischer Bericht am 13. Oktober 2026 erschien. Es ist ein Mixture-of-Experts-Modell mit 35 Milliarden Parametern, davon etwa 3 Milliarden pro Token aktiv, wobei die Experten in FP8 und der Rest in bf16 gespeichert sind. Ein Skript kann bis zu 16 Sprecher-Tags enthalten, und das Modell klont Stimmen aus einem oder mehreren Referenzclips, folgt schriftlichen Regieanweisungen wie [sighs] oder [laughs], bearbeitet ein einzelnes Wort in einer bestehenden Aufnahme und streamt lange Texte Stück für Stück. Laut Fish Audio wurde es mit etwa 80 Sprachen und Dialekten trainiert; der Bericht evaluiert 24.
Die Gewichte liegen unter der Fish Audio Community License 1.0 auf Hugging Face, keiner Open-Source-Lizenz: Forschung und nichtkommerzielle Nutzung sind kostenlos, kommerzielle Nutzung nur, solange du und deine verbundenen Unternehmen unter 500.000 $ im Jahr einnehmen, und das Angebot als gehosteter Sprachdienst braucht immer einen eigenen Vertrag. Es läuft vom Start an auf SGLang-Omni und vLLM-Omni.
Auf Fish Audios eigener API (Modell drama-3) liegt der Listenpreis bei 50 $ pro Million UTF-8-Bytes Eingabetext, rabattiert auf 10 $ bis 17:00 UTC am 12. November 2026. Fish Audio setzt eine Million Bytes mit etwa 12 Stunden englischer Sprache gleich.
Was kostet Fish Audio Drama 3?
| Tarif | Preis | Was enthalten ist |
|---|---|---|
| Weights | Free | Community License; kommerzielle Nutzung unter 500.000 $ Jahresumsatz; keine gehosteten Dienste |
| API list price | $50 per 1M UTF-8 bytes | |
| API launch price | $10 per 1M UTF-8 bytes | Bis 17:00 UTC, 12. November 2026 |
Gewichte kostenlos unter der Fish Audio Community License für Forschung und für Unternehmen mit unter 500.000 $ Jahresumsatz. API: 50 $ pro 1M UTF-8-Bytes, 10 $ bis zum 12. November 2026.
Lohnt sich Fish Audio Drama 3?
Drama 3 ist das Sprachmodell mit offenen Gewichten, an dem sich andere messen müssen. Auf der Rangliste von Artificial Analysis mit blinden Abstimmungen hält es ein Elo von 1.243, Platz zehn unter allen Modellen und Platz eins unter offenen Gewichten, vor BreezeBlues Breeze TTS 2 mit 1.228, aber noch 92 Punkte hinter ElevenLabs' Eleven v4. Außerdem führt es den Aussprachetest von Artificial Analysis mit 93,2% an, vor den 91,7% von Eleven v4. Für alle, die Produktnamen, Codes oder Adressen vorlesen lassen, zählt das mehr als Natürlichkeit.
Das Klonen ist seine schwächere Seite. Auf der Rangliste derselben Seite für geklonte Stimmen steht es mit 1.065 auf Platz 17, und Fish Audios eigener Bericht zeigt die Lücke: Auf LibriSpeech-PC hat es die schlechteste Wortfehlerrate (1,85) und Sprecherähnlichkeit (0,605) in einer Tabelle, die OmniVoice und Qwen3-TTS enthält, mit Zahlen, die aus anderen Papers zitiert sind. Auch die mehrsprachigen Ergebnisse sind ungleichmäßig, selbst gemeldet: Fehlerrate 1,13 auf Englisch gegenüber 1,56 für ElevenLabs v4, aber 5,02 auf Japanisch, 6,35 auf Hindi und 22,70 auf Kantonesisch. Eigene menschliche Hörtests enthält der Bericht nicht.
Die Lizenz entscheidet, wer es nutzen kann. Kommerzielle Nutzung ist nur unter 500.000 $ Jahresumsatz über dich und deine verbundenen Unternehmen hinweg kostenlos, mit einer Übergangsfrist von 90 Tagen nach Überschreiten der Grenze, und jeder Dienst, dessen Hauptzweck es ist, Außenstehende Sprache erzeugen oder Stimmen klonen zu lassen, braucht unabhängig von deiner Größe eine eigene Lizenz. Ausgelieferte Produkte müssen 'Built with Fish Audio' tragen, und Ausgaben dürfen nicht zum Training eines anderen Sprachmodells dienen.
Einwilligung ist eine Lizenzbedingung, keine Funktion. Die Lizenz verbietet es, eine identifizierbare Person ohne deren vorherige Einwilligung nachzuahmen (bei Minderjährigen die der Eltern, bei Verstorbenen die des Rechteinhabers), und verlangt, dass du deine eigenen Nutzer an dieselben Regeln bindest; bei einem Verstoß endet die Lizenz automatisch. Weder die Model Card noch der technische Bericht beschreiben eine Einwilligungsprüfung, eine Sprecherverifikation oder ein Audio-Wasserzeichen. Der Schutz ist also das, was dein Produkt selbst baut.
Der Betrieb ist für die Größe vertretbar. Auf einer H200 misst Fish Audio 88,9 ms bis zum ersten Audio bei einem einzelnen Stream und einen Echtzeitfaktor von 0,373 bei 16 parallelen Streams. Eine GPU hält damit etwa 16 Stimmen am Sprechen, schneller als sie abgespielt werden. Der Haken für kleine Teams: Der Checkpoint braucht eine Rechenzentrumskarte, keinen Laptop.
Wo es sich lohnt
Ein Hörbuchstudio mit acht Mitarbeitenden, das dramatisierte Belletristik produziert
Ein komplettes Ensemble aus einem Skript vertonen, ohne Sprecher für Nebenrollen zu buchen
Versieh jede Figur mit einem Sprecher-Tag (bis zu 16 pro Text) und gib Regieanweisungen inline. Die Lizenz erlaubt einem Studio, fertiges Audio an Verlage zu verkaufen, solange Kunden keinen Selbstbedienungszugang bekommen, und bei etwa 12 Stunden Sprache pro Million Bytes kostet die API zum Listenpreis rund 4 $ pro Stunde Audio.
Ein ML-Ingenieur in einem Indie-Spielestudio mit unter 500.000 $ Umsatz
NPC-Dialoge auf einer eigenen GPU erzeugen und nachbessern
Stell die Gewichte mit SGLang-Omni auf einer H200 bereit, für die Fish Audio einen Echtzeitfaktor von 0,373 über 16 Streams misst. Ändert ein Autor eine Zeile, kommt die vorherige Aufnahme in previous_takes, und nur die geänderten Wörter werden neu erzeugt.
Eine Produktverantwortliche in einem Voice-Cloning-Startup
Entscheiden, ob die offenen Gewichte eine öffentliche Klonfunktion antreiben dürfen
Ohne eigene Lizenz nicht: Ein Dienst, dessen Hauptzweck es ist, Nutzer Stimmen klonen zu lassen, gilt unabhängig vom Umsatz als Hosted Service. Der lizenzierte Weg ist Fish Audios eigene API, nach dem 12. November für 50 $ pro Million Bytes und mit 5 bis 50 parallelen Anfragen je nach Vorauszahlung.
Bevor du dich festlegst
- Einrichtung
- Installiere SGLang-Omni mit dem Extra fishaudio und starte sgl-omni serve --model-path fishaudio/drama-3, oder nutze vLLM-Omni mit vllm serve --omni; jede Anfrage nimmt Text plus einen oder mehrere Referenzclips mit Transkripten.
- Integrationen
- SGLang-Omni und vLLM-Omni stellen es mit Streaming bereit; Fish Audios API bietet es als drama-3 neben S2.1 Pro an, und die Web-App fish.audio nutzt dieselben Credits wie S2.1 Pro.
- Daten und Datenschutz
- Fish Audio Community License 1.0: kostenlos für Forschung und nichtkommerzielle Nutzung, kommerzielle Nutzung nur unter 500.000 $ gemeinsamem Jahresumsatz, keine gehosteten Sprachdienste ohne schriftliche Lizenz, Namensnennung 'Built with Fish Audio', keine Nachahmung ohne Einwilligung, kein Training anderer Sprachmodelle mit den Ausgaben. Selbst gehostet bleibt das Audio auf deiner Hardware.
- Kosten im großen Maßstab
- Die Safetensors enthalten 32,2 Milliarden Parameter in FP8 und 3,7 Milliarden in bf16, nach unserer Rechnung rund 40 GB Gewichte. Plane also eine GPU mit 80 GB oder mehr ein; Fish Audios Zahlen beziehen sich auf eine H200. Auf der API sind 100 Stunden englisches Audio etwa 8,3 Millionen Bytes: rund 83 $ zum Startpreis von 10 $ und 417 $ zum Listenpreis von 50 $. Chinesischer, japanischer und koreanischer Text braucht etwa drei Bytes pro Zeichen.
- Grenzen
- Die API-Parallelität liegt bei 5 Anfragen unter 100 $ Vorauszahlung, 15 ab 100 $ und 50 ab 1.000 $, geteilt über alle Schlüssel und Speech-to-Text, darüber HTTP 429 ohne Retry-After-Header. Selbst gehostet steigt die Zeit bis zum ersten Audio bei 64 Streams auf einer H200 auf 450,9 ms.
Was gut ist
- Elo 1.243 bei Artificial Analysis, Platz eins unter Modellen mit offenen Gewichten
- 93,2% bei der Aussprache-Robustheit von Artificial Analysis, vor Eleven v4
- Bis zu 16 Sprecher pro Skript, Inline-Regieanweisungen und Bearbeitung auf Wortebene
- 88,9 ms bis zum ersten Audio auf einer H200 (selbst gemeldet)
Was nicht
- Kostenlose kommerzielle Nutzung endet bei 500.000 $ Jahresumsatz; gehostete Sprachdienste brauchen immer einen Vertrag
- Platz 17 auf der Rangliste von Artificial Analysis für geklonte Stimmen
- Laut eigenem Bericht schwach auf Japanisch, Hindi und Kantonesisch
- Keine eingebaute Einwilligungsprüfung und kein Wasserzeichen beschrieben
Am besten für
Kleine Studios, Spieleentwickler und App-Hersteller unter der Umsatzgrenze, die Vertonung und Dialoge mit mehreren Figuren nahe am Niveau von ElevenLabs auf eigenen GPUs wollen.
Alternativen zu Fish Audio Drama 3
Fish Audio Drama 3: häufige Fragen
- Lohnt sich Fish Audio Drama 3?
- Drama 3 gibt offenen Gewichten eine Stimme, die Hörer neben die bezahlten Spitzenreiter stellen, unter einer Lizenz, die nicht mehr kostenlos ist, sobald ein Unternehmen oder eine Sprach-API ernsthaft wächst. Wir bewerten es mit 4.2 von 5.
- Was kostet Fish Audio Drama 3?
- Gewichte kostenlos unter der Fish Audio Community License für Forschung und für Unternehmen mit unter 500.000 $ Jahresumsatz. API: 50 $ pro 1M UTF-8-Bytes, 10 $ bis zum 12. November 2026.
- Welche Nachteile hat Fish Audio Drama 3?
- Kostenlose kommerzielle Nutzung endet bei 500.000 $ Jahresumsatz; gehostete Sprachdienste brauchen immer einen Vertrag; Platz 17 auf der Rangliste von Artificial Analysis für geklonte Stimmen; Laut eigenem Bericht schwach auf Japanisch, Hindi und Kantonesisch; Keine eingebaute Einwilligungsprüfung und kein Wasserzeichen beschrieben.
- Für wen eignet sich Fish Audio Drama 3?
- Kleine Studios, Spieleentwickler und App-Hersteller unter der Umsatzgrenze, die Vertonung und Dialoge mit mehreren Figuren nahe am Niveau von ElevenLabs auf eigenen GPUs wollen.
- Was kostet Fish Audio Drama 3 für ein Team oder im Produktivbetrieb?
- Die Safetensors enthalten 32,2 Milliarden Parameter in FP8 und 3,7 Milliarden in bf16, nach unserer Rechnung rund 40 GB Gewichte. Plane also eine GPU mit 80 GB oder mehr ein; Fish Audios Zahlen beziehen sich auf eine H200. Auf der API sind 100 Stunden englisches Audio etwa 8,3 Millionen Bytes: rund 83 $ zum Startpreis von 10 $ und 417 $ zum Listenpreis von 50 $. Chinesischer, japanischer und koreanischer Text braucht etwa drei Bytes pro Zeichen.
- Ist Fish Audio Drama 3 sicher für Firmendaten?
- Fish Audio Community License 1.0: kostenlos für Forschung und nichtkommerzielle Nutzung, kommerzielle Nutzung nur unter 500.000 $ gemeinsamem Jahresumsatz, keine gehosteten Sprachdienste ohne schriftliche Lizenz, Namensnennung 'Built with Fish Audio', keine Nachahmung ohne Einwilligung, kein Training anderer Sprachmodelle mit den Ausgaben. Selbst gehostet bleibt das Audio auf deiner Hardware.
- Was sind die besten Alternativen zu Fish Audio Drama 3?
- Die nächsten Alternativen, die wir getestet haben, sind Eleven v4 and v4 Turbo, Breeze TTS 2, OmniVoice, Qwen3-TTS und Cartesia Sonic 3.6.
Antworten geprüft am 28. Okt. 2026.