Qu’est-ce que Fish Audio Drama 3 ?
Fish Audio Drama 3 est un modèle de synthèse vocale et de clonage de voix de Fish Audio, nom commercial de 39 AI, Inc., dont le rapport technique a été publié le 13 octobre 2026. C'est un modèle mixture-of-experts de 35 milliards de paramètres, dont environ 3 milliards actifs par token, avec les experts stockés en FP8 et le reste en bf16. Un même script peut contenir jusqu'à 16 balises d'intervenants, et le modèle clone des voix à partir d'un ou plusieurs extraits de référence, suit des indications écrites comme [sighs] ou [laughs], modifie un mot dans une prise existante et diffuse un long texte morceau par morceau. Fish Audio indique l'avoir entraîné sur environ 80 langues et dialectes ; son rapport en évalue 24.
Les poids sont sur Hugging Face sous la Fish Audio Community License 1.0, qui n'est pas une licence open source : la recherche et l'usage non commercial sont gratuits, l'usage commercial n'est gratuit que tant que vous et vos sociétés affiliées gagnez moins de 500 000 $ par an, et le proposer comme service vocal hébergé exige toujours un accord séparé. Il tourne sur SGLang-Omni et vLLM-Omni dès le lancement.
Sur l'API propre à Fish Audio (modèle drama-3), le prix catalogue est de 50 $ par million d'octets UTF-8 de texte en entrée, ramené à 10 $ jusqu'au 12 novembre 2026 à 17:00 UTC. Fish Audio estime un million d'octets à environ 12 heures de parole en anglais.
Combien coûte Fish Audio Drama 3 ?
| Offre | Prix | Ce qui est inclus |
|---|---|---|
| Weights | Free | Community License ; usage commercial sous 500 000 $ de chiffre d'affaires annuel ; pas de services hébergés |
| API list price | $50 per 1M UTF-8 bytes | |
| API launch price | $10 per 1M UTF-8 bytes | Jusqu'au 12 novembre 2026, 17:00 UTC |
Poids gratuits sous la Fish Audio Community License pour la recherche et pour les entreprises sous 500 000 $ de chiffre d'affaires annuel. API : 50 $ par million d'octets UTF-8, 10 $ jusqu'au 12 novembre 2026.
Fish Audio Drama 3 vaut-il le coup ?
Drama 3 est le modèle vocal à poids ouverts à battre. Sur le classement à votes à l'aveugle d'Artificial Analysis, il affiche un Elo de 1 243, dixième de tous les modèles et premier parmi les poids ouverts, devant Breeze TTS 2 de BreezeBlue à 1 228 mais toujours 92 points derrière Eleven v4 d'ElevenLabs. Il mène aussi le test de prononciation d'Artificial Analysis avec 93,2 %, devant les 91,7 % d'Eleven v4, ce qui compte plus que le naturel pour quiconque lit à voix haute des noms de produits, des codes ou des adresses.
Le clonage est son point faible. Sur le classement des voix clonées du même site, il se classe 17e à 1 065, et le propre rapport de Fish Audio montre l'écart : sur LibriSpeech-PC, il affiche le pire taux d'erreur de mots (1,85) et la pire similarité de locuteur (0,605) d'un tableau qui inclut OmniVoice et Qwen3-TTS, chiffres repris d'autres articles. Ses résultats multilingues sont aussi inégaux, en autodéclaré : erreur de 1,13 en anglais contre 1,56 pour ElevenLabs v4, mais 5,02 en japonais, 6,35 en hindi et 22,70 en cantonais. Le rapport ne contient aucun test d'écoute humaine qui lui soit propre.
La licence décide de qui peut l'utiliser. L'usage commercial n'est gratuit que sous 500 000 $ de chiffre d'affaires annuel cumulé pour vous et vos sociétés affiliées, avec une transition de 90 jours après le franchissement du seuil, et tout service dont l'objet principal est de permettre à des tiers de générer de la parole ou de cloner des voix exige une licence séparée, quelle que soit votre taille. Les produits livrés doivent porter la mention « Built with Fish Audio », et les sorties ne peuvent pas servir à entraîner un autre modèle vocal.
Le consentement est une clause de licence, pas une fonction. La licence interdit d'imiter une personne identifiable sans son consentement préalable (celui d'un parent pour un mineur, celui de l'ayant droit pour une personne décédée) et vous oblige à soumettre vos propres utilisateurs aux mêmes règles, la licence prenant fin automatiquement en cas de violation. Ni la fiche du modèle ni le rapport technique ne décrivent de vérification du consentement, d'étape de vérification du locuteur ou de filigrane audio : la protection est donc celle que construit votre produit.
Le service reste raisonnable pour la taille. Sur un H200, Fish Audio mesure un premier son en 88,9 ms pour un seul flux et un facteur temps réel de 0,373 avec 16 flux simultanés, si bien qu'un GPU fait parler environ 16 voix plus vite qu'elles ne sont jouées. Le hic pour les petites équipes est que le checkpoint exige une carte de centre de données, pas un portable.
Là où il fait la différence
Un studio de livres audio de huit salariés qui produit des fictions dramatisées
Faire jouer toute une distribution à partir d'un seul script sans engager d'acteurs pour les petits rôles
Marquer chaque personnage d'une balise d'intervenant (jusqu'à 16 par texte) et diriger l'interprétation en ligne. La licence permet à un studio de vendre de l'audio fini à des éditeurs tant que les clients n'ont pas d'accès en libre-service, et à environ 12 heures de parole par million d'octets l'API coûte à peu près 4 $ par heure d'audio au prix catalogue.
Une ingénieure ML dans un studio de jeux indépendant sous 500 000 $ de chiffre d'affaires
Générer et corriger les dialogues des PNJ sur un GPU interne
Servir les poids avec SGLang-Omni sur un H200, que Fish Audio mesure à un facteur temps réel de 0,373 sur 16 flux. Quand un scénariste change une réplique, la prise précédente passe dans previous_takes et seuls les mots modifiés sont régénérés.
Un responsable produit dans une start-up de clonage de voix
Décider si les poids ouverts peuvent alimenter une fonction publique de clonage
Ils ne le peuvent pas sans licence séparée : un service dont l'objet principal est de permettre aux utilisateurs de cloner des voix compte comme Hosted Service, quel que soit le chiffre d'affaires. L'API propre à Fish Audio est la voie sous licence, à 50 $ par million d'octets après le 12 novembre et de 5 à 50 requêtes simultanées selon les dépenses prépayées.
Avant de vous engager
- Mise en route
- Installez SGLang-Omni avec l'extra fishaudio et lancez sgl-omni serve --model-path fishaudio/drama-3, ou utilisez vLLM-Omni avec vllm serve --omni ; chaque requête prend un texte plus un ou plusieurs extraits de référence avec leurs transcriptions.
- Intégrations
- SGLang-Omni et vLLM-Omni le servent en streaming ; l'API de Fish Audio l'expose sous le nom drama-3 à côté de S2.1 Pro, et l'application web fish.audio utilise les mêmes crédits que S2.1 Pro.
- Données et confidentialité
- Fish Audio Community License 1.0 : gratuite pour la recherche et l'usage non commercial, usage commercial uniquement sous 500 000 $ de chiffre d'affaires annuel cumulé, pas de services vocaux hébergés sans licence écrite, attribution « Built with Fish Audio », pas d'imitation sans consentement, pas d'entraînement d'autres modèles vocaux sur les sorties. En auto-hébergement, l'audio reste sur votre matériel.
- Coût à grande échelle
- Les safetensors contiennent 32,2 milliards de paramètres FP8 et 3,7 milliards en bf16, soit environ 40 GB de poids selon notre calcul : prévoyez un GPU de 80 GB ou plus ; les chiffres de Fish Audio sont mesurés sur un H200. Sur l'API, 100 heures d'audio en anglais représentent environ 8,3 millions d'octets : à peu près 83 $ au prix de lancement de 10 $ et 417 $ au prix catalogue de 50 $, et le texte chinois, japonais et coréen utilise environ trois octets par caractère.
- Limites
- La concurrence de l'API est de 5 requêtes sous 100 $ prépayés, 15 à partir de 100 $ et 50 à partir de 1 000 $, partagée entre les clés et la transcription, avec une erreur HTTP 429 sans en-tête Retry-After au-delà. En auto-hébergement, le délai avant le premier son monte à 450,9 ms avec 64 flux sur un H200.
Les points forts
- Elo de 1 243 sur Artificial Analysis, premier parmi les modèles à poids ouverts
- 93,2 % au test de robustesse de prononciation d'Artificial Analysis, devant Eleven v4
- Jusqu'à 16 intervenants par script, balises de direction en ligne et modification au mot près
- 88,9 ms avant le premier son sur un H200 (autodéclaré)
Les points faibles
- L'usage commercial gratuit s'arrête à 500 000 $ de chiffre d'affaires annuel ; les services vocaux hébergés exigent toujours un accord
- 17e au classement des voix clonées d'Artificial Analysis
- Faible en japonais, hindi et cantonais selon son propre rapport
- Aucune vérification du consentement ni filigrane intégré décrits
Idéal pour
Les petits studios, développeurs de jeux et créateurs d'applications sous le plafond de chiffre d'affaires qui veulent une narration proche d'ElevenLabs et des dialogues à plusieurs personnages sur leurs propres GPU.
Alternatives à Fish Audio Drama 3
Fish Audio Drama 3 : questions fréquentes
- Fish Audio Drama 3 vaut-il le coup ?
- Drama 3 donne aux poids ouverts une voix que les auditeurs classent à côté des leaders payants, sous une licence qui cesse d'être gratuite dès qu'une entreprise ou une API vocale prend de l'ampleur. Nous lui donnons 4.2 sur 5.
- Combien coûte Fish Audio Drama 3 ?
- Poids gratuits sous la Fish Audio Community License pour la recherche et pour les entreprises sous 500 000 $ de chiffre d'affaires annuel. API : 50 $ par million d'octets UTF-8, 10 $ jusqu'au 12 novembre 2026.
- Quels sont les inconvénients de Fish Audio Drama 3 ?
- L'usage commercial gratuit s'arrête à 500 000 $ de chiffre d'affaires annuel ; les services vocaux hébergés exigent toujours un accord; 17e au classement des voix clonées d'Artificial Analysis; faible en japonais, hindi et cantonais selon son propre rapport; aucune vérification du consentement ni filigrane intégré décrits.
- À qui s’adresse Fish Audio Drama 3 ?
- Les petits studios, développeurs de jeux et créateurs d'applications sous le plafond de chiffre d'affaires qui veulent une narration proche d'ElevenLabs et des dialogues à plusieurs personnages sur leurs propres GPU.
- Combien coûte Fish Audio Drama 3 pour une équipe ou en production ?
- Les safetensors contiennent 32,2 milliards de paramètres FP8 et 3,7 milliards en bf16, soit environ 40 GB de poids selon notre calcul : prévoyez un GPU de 80 GB ou plus ; les chiffres de Fish Audio sont mesurés sur un H200. Sur l'API, 100 heures d'audio en anglais représentent environ 8,3 millions d'octets : à peu près 83 $ au prix de lancement de 10 $ et 417 $ au prix catalogue de 50 $, et le texte chinois, japonais et coréen utilise environ trois octets par caractère.
- Fish Audio Drama 3 est-il sûr pour les données de l’entreprise ?
- Fish Audio Community License 1.0 : gratuite pour la recherche et l'usage non commercial, usage commercial uniquement sous 500 000 $ de chiffre d'affaires annuel cumulé, pas de services vocaux hébergés sans licence écrite, attribution « Built with Fish Audio », pas d'imitation sans consentement, pas d'entraînement d'autres modèles vocaux sur les sorties. En auto-hébergement, l'audio reste sur votre matériel.
- Quelles sont les meilleures alternatives à Fish Audio Drama 3 ?
- Les alternatives les plus proches que nous avons testées sont Eleven v4 and v4 Turbo, Breeze TTS 2, OmniVoice, Qwen3-TTS et Cartesia Sonic 3.6.
Réponses vérifiées le 28 oct. 2026.