¿Qué es Fish Audio Drama 3?
Fish Audio Drama 3 es un modelo de texto a voz y clonación de voz de Fish Audio, nombre comercial de 39 AI, Inc., cuyo informe técnico se publicó el 13 de octubre de 2026. Es un modelo mixture-of-experts con 35.000 millones de parámetros, unos 3.000 millones activos por token, con los expertos almacenados en FP8 y el resto en bf16. Un guion puede llevar hasta 16 etiquetas de hablante, y el modelo clona voces a partir de uno o varios clips de referencia, sigue indicaciones escritas como [sighs] o [laughs], edita una palabra dentro de una toma existente y transmite textos largos fragmento a fragmento. Fish Audio dice que se entrenó con unos 80 idiomas y dialectos; su informe evalúa 24.
Los pesos están en Hugging Face bajo la Fish Audio Community License 1.0, que no es una licencia de código abierto: el uso de investigación y no comercial es gratis, el uso comercial solo es gratis mientras tú y tus filiales ingreséis menos de 500.000 $ al año, y ofrecerlo como servicio de voz alojado siempre requiere un acuerdo aparte. Funciona en SGLang-Omni y vLLM-Omni desde el lanzamiento.
En la API de Fish Audio (modelo drama-3), el precio de lista es de 50 $ por millón de bytes UTF-8 de texto de entrada, rebajado a 10 $ hasta las 17:00 UTC del 12 de noviembre de 2026. Fish Audio calcula que un millón de bytes equivale a unas 12 horas de habla en inglés.
¿Cuánto cuesta Fish Audio Drama 3?
| Plan | Precio | Qué incluye |
|---|---|---|
| Weights | Free | Community License; uso comercial por debajo de 500.000 $ de ingresos anuales; sin servicios alojados |
| API list price | $50 per 1M UTF-8 bytes | |
| API launch price | $10 per 1M UTF-8 bytes | Hasta las 17:00 UTC del 12 de noviembre de 2026 |
Pesos gratuitos bajo la Fish Audio Community License para investigación y para empresas con menos de 500.000 $ de ingresos anuales. API: 50 $ por 1M de bytes UTF-8, 10 $ hasta el 12 de noviembre de 2026.
¿Merece la pena Fish Audio Drama 3?
Drama 3 es el modelo de voz de pesos abiertos a batir. En la clasificación de votos a ciegas de Artificial Analysis tiene un Elo de 1.243, décimo de todos los modelos y primero entre los de pesos abiertos, por delante de Breeze TTS 2 de BreezeBlue, con 1.228, aunque aún 92 puntos por detrás de Eleven v4 de ElevenLabs. También encabeza la prueba de pronunciación de Artificial Analysis con un 93,2%, por delante del 91,7% de Eleven v4, algo que importa más que la naturalidad para quien lee en voz alta nombres de productos, códigos o direcciones.
La clonación es su lado más débil. En la tabla de voces clonadas del mismo sitio queda en el puesto 17 con 1.065, y el propio informe de Fish Audio muestra la diferencia: en LibriSpeech-PC registra la peor tasa de error por palabra (1,85) y similitud de hablante (0,605) de una tabla que incluye OmniVoice y Qwen3-TTS, cifras que cita de otros artículos. Sus resultados multilingües también son desiguales, según sus propios datos: un error en inglés de 1,13 frente a 1,56 de ElevenLabs v4, pero 5,02 en japonés, 6,35 en hindi y 22,70 en cantonés. El informe no incluye pruebas de escucha humanas propias.
La licencia decide quién puede usarlo. El uso comercial solo es gratis por debajo de 500.000 $ de ingresos anuales entre tú y tus filiales, con una transición de 90 días tras superar esa cifra, y cualquier servicio cuyo fin principal sea permitir a terceros generar habla o clonar voces necesita una licencia aparte sea cual sea tu tamaño. Los productos publicados deben llevar 'Built with Fish Audio', y las salidas no pueden usarse para entrenar otro modelo de voz.
El consentimiento es una condición de la licencia, no una función. La licencia prohíbe imitar a una persona identificable sin su consentimiento previo (el de un progenitor si es menor, el del titular de los derechos si ha fallecido) y te obliga a someter a tus propios usuarios a las mismas normas, y la licencia se extingue automáticamente si se incumplen. Ni la ficha del modelo ni el informe técnico describen una comprobación de consentimiento, un paso de verificación del hablante o una marca de agua de audio, así que la salvaguarda es lo que construya tu producto.
Servirlo es razonable para su tamaño. En una H200, Fish Audio mide el primer audio en 88,9 ms para un solo stream y un factor de tiempo real de 0,373 con 16 streams simultáneos, así que una GPU mantiene unas 16 voces hablando más deprisa de lo que se reproducen. La pega para los equipos pequeños: el checkpoint necesita una tarjeta de centro de datos, no un portátil.
Dónde se gana su sitio
Un estudio de audiolibros con ocho empleados que produce ficción dramatizada
Dar voz a todo un reparto desde un solo guion sin contratar actores para los papeles secundarios
Marca cada personaje con una etiqueta de hablante (hasta 16 por texto) y dirige la interpretación en línea. La licencia permite a un estudio vender audio terminado a editoriales siempre que los clientes no tengan acceso de autoservicio, y con unas 12 horas de habla por millón de bytes la API cuesta unos 4 $ por hora de audio a precio de lista.
Un ingeniero de ML de un estudio de videojuegos independiente con menos de 500.000 $ de ingresos
Generar y corregir diálogos de personajes no jugadores en una GPU propia
Sirve los pesos con SGLang-Omni en una H200, donde Fish Audio mide un factor de tiempo real de 0,373 con 16 streams. Cuando un guionista cambia una frase, la toma anterior va a previous_takes y solo se regeneran las palabras editadas.
Un responsable de producto de una startup de clonación de voz
Decidir si los pesos abiertos pueden impulsar una función pública de clonación
No pueden sin una licencia aparte: un servicio cuyo fin principal sea permitir a los usuarios clonar voces cuenta como Hosted Service sean cuales sean los ingresos. La API de Fish Audio es la vía con licencia, a 50 $ por millón de bytes después del 12 de noviembre y con 5 a 50 solicitudes simultáneas según el gasto prepagado.
Antes de decidirte
- Puesta en marcha
- Instala SGLang-Omni con el extra fishaudio y ejecuta sgl-omni serve --model-path fishaudio/drama-3, o usa vLLM-Omni con vllm serve --omni; cada solicitud lleva el texto más uno o varios clips de referencia con sus transcripciones.
- Integraciones
- SGLang-Omni y vLLM-Omni lo sirven con streaming; la API de Fish Audio lo ofrece como drama-3 junto a S2.1 Pro, y la app web fish.audio usa los mismos créditos que S2.1 Pro.
- Datos y privacidad
- Fish Audio Community License 1.0: gratis para investigación y uso no comercial, uso comercial solo por debajo de 500.000 $ de ingresos anuales combinados, sin servicios de voz alojados sin licencia escrita, atribución 'Built with Fish Audio', sin suplantación sin consentimiento y sin entrenar otros modelos de voz con las salidas. Autoalojado, el audio se queda en tu hardware.
- Coste a escala
- Los safetensors contienen 32.200 millones de parámetros en FP8 y 3.700 millones en bf16, unos 40 GB de pesos según nuestras cuentas, así que cuenta con una GPU de 80 GB o más; las cifras de Fish Audio son en una H200. En la API, 100 horas de audio en inglés son unos 8,3 millones de bytes: unos 83 $ al precio de lanzamiento de 10 $ y 417 $ al precio de lista de 50 $, y el texto en chino, japonés y coreano usa unos tres bytes por carácter.
- Límites
- La concurrencia de la API es de 5 solicitudes por debajo de 100 $ prepagados, 15 desde 100 $ y 50 desde 1.000 $, compartida entre claves y voz a texto, con HTTP 429 y sin cabecera Retry-After al superarla. Autoalojado, el tiempo hasta el primer audio sube a 450,9 ms con 64 streams en una H200.
Lo bueno
- Elo de 1.243 en Artificial Analysis, primero entre los modelos de pesos abiertos
- 93,2% en robustez de pronunciación de Artificial Analysis, por delante de Eleven v4
- Hasta 16 hablantes por guion, etiquetas de dirección en línea y edición a nivel de palabra
- 88,9 ms hasta el primer audio en una H200 (dato propio)
Lo malo
- El uso comercial gratuito termina en 500.000 $ de ingresos anuales; los servicios de voz alojados siempre requieren un acuerdo
- Puesto 17 en la tabla de voces clonadas de Artificial Analysis
- Flojo en japonés, hindi y cantonés según su propio informe
- No se describe ninguna comprobación de consentimiento ni marca de agua integradas
Ideal para
Pequeños estudios, desarrolladores de videojuegos y creadores de apps por debajo del tope de ingresos que quieren narración cercana a ElevenLabs y diálogos con varios personajes en sus propias GPU.
Alternativas a Fish Audio Drama 3
Fish Audio Drama 3: preguntas frecuentes
- ¿Merece la pena Fish Audio Drama 3?
- Drama 3 da a los pesos abiertos una voz que los oyentes sitúan junto a los líderes de pago, con una licencia que deja de ser gratuita en cuanto una empresa o una API de voz se toman en serio. Le damos un 4.2 sobre 5.
- ¿Cuánto cuesta Fish Audio Drama 3?
- Pesos gratuitos bajo la Fish Audio Community License para investigación y para empresas con menos de 500.000 $ de ingresos anuales. API: 50 $ por 1M de bytes UTF-8, 10 $ hasta el 12 de noviembre de 2026.
- ¿Qué inconvenientes tiene Fish Audio Drama 3?
- El uso comercial gratuito termina en 500.000 $ de ingresos anuales; los servicios de voz alojados siempre requieren un acuerdo; puesto 17 en la tabla de voces clonadas de Artificial Analysis; flojo en japonés, hindi y cantonés según su propio informe; no se describe ninguna comprobación de consentimiento ni marca de agua integradas.
- ¿Para quién es Fish Audio Drama 3?
- Pequeños estudios, desarrolladores de videojuegos y creadores de apps por debajo del tope de ingresos que quieren narración cercana a ElevenLabs y diálogos con varios personajes en sus propias GPU.
- ¿Cuánto cuesta Fish Audio Drama 3 para un equipo o en producción?
- Los safetensors contienen 32.200 millones de parámetros en FP8 y 3.700 millones en bf16, unos 40 GB de pesos según nuestras cuentas, así que cuenta con una GPU de 80 GB o más; las cifras de Fish Audio son en una H200. En la API, 100 horas de audio en inglés son unos 8,3 millones de bytes: unos 83 $ al precio de lanzamiento de 10 $ y 417 $ al precio de lista de 50 $, y el texto en chino, japonés y coreano usa unos tres bytes por carácter.
- ¿Es Fish Audio Drama 3 seguro para los datos de la empresa?
- Fish Audio Community License 1.0: gratis para investigación y uso no comercial, uso comercial solo por debajo de 500.000 $ de ingresos anuales combinados, sin servicios de voz alojados sin licencia escrita, atribución 'Built with Fish Audio', sin suplantación sin consentimiento y sin entrenar otros modelos de voz con las salidas. Autoalojado, el audio se queda en tu hardware.
- ¿Cuáles son las mejores alternativas a Fish Audio Drama 3?
- Las alternativas más cercanas que hemos analizado son Eleven v4 and v4 Turbo, Breeze TTS 2, OmniVoice, Qwen3-TTS y Cartesia Sonic 3.6.
Respuestas comprobadas el 28 oct 2026.