Fish Audio Drama 3とは？
Fish Audio Drama 3は、39 AI, Inc.の商号であるFish Audioによるテキスト読み上げと音声クローンのモデルで、技術レポートは2026年10月13日に公開されました。パラメータ数350億（35 billion）のmixture-of-expertsモデルで、トークンごとにアクティブになるのは約30億（3 billion）です。エキスパートはFP8、それ以外はbf16で保存されています。1つの台本に最大16の話者タグを付けられ、1つ以上の参照クリップから声をクローンし、[sighs]や[laughs]のような文字での演出に従い、既存のテイクの中の1語を編集し、長いテキストをチャンクごとにストリーミングします。Fish Audioによると約80の言語と方言で学習されましたが、レポートで評価しているのは24です。
重みはFish Audio Community License 1.0でHugging Faceに公開されていますが、これはオープンソースのライセンスではありません。研究と非商用の利用は無料で、商用利用が無料なのは自社と関連会社の年間売上が$500,000未満の間だけです。ホスト型の音声サービスとして提供するには、常に別途契約が必要です。公開当初からSGLang-OmniとvLLM-Omniで動きます。
Fish Audio自身のAPI（モデルdrama-3）での定価は、入力テキストのUTF-8で100万バイトあたり$50で、2026年11月12日17:00 UTCまでは$10に割り引かれています。Fish Audioによると、100万バイトは英語の音声で約12時間分です。
Fish Audio Drama 3の料金は？
| プラン | 価格 | 内容 |
|---|---|---|
| Weights | Free | Community License。商用利用は年間売上$500,000未満、ホスト型サービスは不可 |
| API list price | $50 per 1M UTF-8 bytes | |
| API launch price | $10 per 1M UTF-8 bytes | 2026年11月12日17:00 UTCまで |
重みはFish Audio Community Licenseのもとで、研究目的と年間売上$500,000未満の企業には無料。API：UTF-8で1Mバイトあたり$50、2026年11月12日までは$10。
Fish Audio Drama 3は使う価値があるか？
Drama 3は、オープンウェイトの音声モデルの中で基準となる存在です。Artificial Analysisのブラインド投票による順位表ではEloが1,243で、全モデル中10位、オープンウェイトでは首位です。1,228のBreezeBlueのBreeze TTS 2を上回りますが、ElevenLabsのEleven v4にはまだ92ポイント及びません。Artificial Analysisの発音テストでも93.2%で首位に立ち、Eleven v4の91.7%を上回っています。製品名、コード、住所を読み上げる用途では、自然さよりこちらのほうが重要です。
弱いのはクローンです。同じサイトのクローン音声の順位表では1,065で17位です。Fish Audio自身のレポートもその差を示しています。OmniVoiceやQwen3-TTSを含む表で、LibriSpeech-PCでの単語誤り率（1.85）と話者類似度（0.605）が最も悪い数値です。比較対象の数値は他の論文から引用されています。多言語での結果もばらつきがあり、自己申告では、英語の誤り率はElevenLabs v4の1.56に対して1.13です が、日本語では5.02、ヒンディー語では6.35、広東語では22.70です。レポートには独自の人間による試聴テストはありません。
誰が使えるかを決めるのはライセンスです。商用利用が無料なのは、自社と関連会社を合わせた年間売上が$500,000未満の場合だけで、超えた後には90日の移行期間があります。また、外部の人に音声の生成や声のクローンをさせることが主な目的のサービスは、規模にかかわらず別のライセンスが必要です。出荷する製品には「Built with Fish Audio」の表示が必要で、出力を別の音声モデルの学習に使うことはできません。
同意は機能ではなく、ライセンスの条件です。ライセンスは、特定できる人物を事前の同意なしにまねることを禁じており（未成年なら親の同意、故人なら権利者の同意）、自社のユーザーにも同じルールを課すことを求めています。違反するとライセンスは自動的に終了します。モデルカードにも技術レポートにも、同意の確認、話者の本人確認、音声の透かしについての記述はないため、安全対策は自社の製品が作るものだけです。
提供のコストはサイズのわりに妥当です。Fish Audioの計測では、H200の1台で、単一ストリームなら最初の音声まで88.9 ms、16本の同時ストリームでリアルタイム係数0.373です。つまりGPU1台で約16の声を再生より速く話させ続けられます。小規模なチームにとっての注意点は、このチェックポイントにはノートパソコンではなくデータセンター向けのカードが必要なことです。
真価を発揮する場面
ドラマ仕立てのフィクションを制作する、スタッフ8人のオーディオブックスタジオ
脇役のために俳優を手配せずに、1つの台本から全キャストの声を当てる
各キャラクターに話者タグを付け（1テキストにつき最大16）、話し方をインラインで演出します。クライアントがセルフサービスで使えない限り、スタジオは完成した音声を出版社に販売できます。100万バイトで約12時間の音声なので、APIは定価で音声1時間あたり約$4です。
売上$500,000未満のインディーゲームスタジオのMLエンジニア
社内のGPUでNPCの台詞を生成し、修正する
H200の1台でSGLang-Omniを使って重みを提供します。Fish Audioの計測では16ストリームでリアルタイム係数0.373です。ライターが台詞を変えたら、前のテイクをprevious_takesに渡し、編集した単語だけを再生成します。
音声クローンのスタートアップのプロダクト責任者
オープンウェイトで公開のクローン機能を動かせるか判断する
別のライセンスなしにはできません。ユーザーに声をクローンさせることが主な目的のサービスは、売上にかかわらずHosted Serviceに当たります。ライセンスを得た経路はFish Audio自身のAPIで 、11月12日以降は100万バイトあたり$50、同時リクエストは前払い額に応じて5から50です。
導入前に確認すること
- 導入
- fishaudioのextra付きでSGLang-Omniをインストールし、sgl-omni serve --model-path fishaudio/drama-3を実行するか、vLLM-Omniでvllm serve --omniを使います。各リクエストには、テキストと、書き起こし付きの参照クリップ1つ以上を渡します。
- 連携
- SGLang-OmniとvLLM-Omniがストリーミング付きで提供します。Fish AudioのAPIではS2.1 Proと並んでdrama-3として公開され、fish.audioのウェブアプリはS2.1 Proと同じクレジットを使います。
- データとプライバシー
- Fish Audio Community License 1.0：研究と非商用の利用は無料、商用利用は関連会社を合わせた年間売上$500,000未満のみ、書面のライセンスなしにホスト型の音声サービスは不可、「Built with Fish Audio」の表示が必要、同意のないなりすましは禁止、出力で他の音声モデルを学習させることは禁止。セルフホストなら音声は自分のハードウェアにとどまります。
- 大規模利用時のコスト
- safetensorsにはFP8のパラメータが322億（32.2 billion）、bf16が37億（3.7 billion）含ま れ、私たちの計算では重みは約40 GBなので、80 GB以上のGPU1台を想定してください。Fish Audioの数値はH200でのものです。APIでは、英語の音声100時間が約830万（8.3 million）バイトで、$10の公開記念価格なら約$83、$50の定価なら$417です。中国語、日本語、韓国語のテキストは1文字あたり約3バイトを使います。
- 制限
- APIの同時リクエストは、前払い$100未満で5、$100からで15、$1,000からで50で、キーと音声認識の間で共有されます。それを超えるとHTTP 429が返り、Retry-Afterヘッダーはありません。セルフホストでは、H200の1台で64ストリームにすると最初の音声までの時間は450.9 msに上がります。
良い点
- Artificial AnalysisでElo 1,243、オープンウェイトのモデルで首位
- Artificial Analysisの発音の頑健性で93.2%、Eleven v4を上回る
- 1つの台本に最大16人の話者、インラインの演出タグ、単語単位の編集
- H200の1台で最初の音声まで88.9 ms（自己申告）
気になる点
- 無料の商用利用は年間売上$500,000まで、ホスト型の音声サービスは常に契約が必要
- Artificial Analysisのクローン音声の順位表で17位
- 自社のレポートでも日本語、ヒンディー語、広東語が弱い
- 組み込みの同意確認や透かしについての記述がない
おすすめの人
売上上限を下回る小規模スタジオ、ゲーム開発者、アプリ制作者で、自社のGPUでElevenLabsに近いナレーションと複数キャラクターの会話を求める人。
Fish Audio Drama 3の代替
Fish Audio Drama 3：よくある質問
- Fish Audio Drama 3は使う価値があるか？
- Drama 3は、聞き手が有料の首 位モデルと並べて評価する声をオープンウェイトにもたらしました。ただしライセンスは、事業や音声APIが本格化した時点で無料ではなくなります。 評価は5点満点中4.2点です。
- Fish Audio Drama 3の料金は？
- 重みはFish Audio Community Licenseのもとで、研究目的と年間売上$500,000未満の企業には無料。API：UTF-8で1Mバイトあたり$50、2026年11月12日までは$10。
- Fish Audio Drama 3の欠点は？
- 無料の商用利用は年間売上$500,000まで、ホスト型の音声サービスは常に契約が必要; Artificial Analysisのクローン音声の順位表で17位; 自社のレポートでも日本語、ヒンディー語、広東語が弱い; 組み込みの同意確認や透かしについての記述がない.
- Fish Audio Drama 3は誰に向いているか？
- 売上上限を下回る小規模スタジオ、ゲーム開発者、アプリ制作者で、自社のGPUでElevenLabsに近いナレーションと複数キャラクターの会話を求める人。
- チームや本番環境でFish Audio Drama 3を使うと費用はいくらか？
- safetensorsにはFP8のパラメータが322億（32.2 billion）、bf16が37億（3.7 billion）含まれ、私たちの計算では重みは約40 GBなので、80 GB以上のGPU1台を想定してください。Fish Audioの数値はH200でのものです。APIでは、英語の音声100時間が約830万（8.3 million）バイトで、$10の公開記念価格なら約$83、$50の定価なら$417です。中国語、日本語、韓国語のテキストは1文字あたり約3バイトを使います。
- Fish Audio Drama 3は企業データを扱っても安全か？
- Fish Audio Community License 1.0：研究と非商用の利用は無料、商用利用は関連会社を合わせた年間売上$500,000未満のみ、書面のライセンスなしにホスト型の音声サービスは不可、「Built with Fish Audio」の表示が必要、同意のないなりすましは禁止、出力で他の音声モデルを学習させることは禁止。セルフホストなら音声は自分のハードウェアにとどまります。
- Fish Audio Drama 3の代わりになるものは？
- 当サイトでレビューした中で最も近い代替はEleven v4 and v4 Turbo, Breeze TTS 2, OmniVoice, Qwen3-TTS 、 Cartesia Sonic 3.6です。
回答確認日：2026年10月28日