O que é Fish Audio Drama 3?
Fish Audio Drama 3 é um modelo de texto para fala e clonagem de voz da Fish Audio, nome comercial da 39 AI, Inc., cujo relatório técnico foi publicado em 13 de outubro de 2026. É um modelo mixture-of-experts com 35 bilhões de parâmetros, cerca de 3 bilhões ativos por token, com os especialistas armazenados em FP8 e o restante em bf16. Um roteiro pode ter até 16 tags de falante, e o modelo clona vozes a partir de um ou mais clipes de referência, segue direções escritas como [sighs] ou [laughs], edita uma palavra dentro de uma tomada existente e faz streaming de textos longos parte por parte. A Fish Audio diz que ele foi treinado em cerca de 80 idiomas e dialetos; o relatório avalia 24.
Os pesos estão no Hugging Face sob a Fish Audio Community License 1.0, que não é uma licença open source: uso em pesquisa e não comercial é gratuito, o uso comercial é gratuito só enquanto você e suas afiliadas faturam menos de US$ 500.000 por ano, e oferecê-lo como serviço de voz hospedado sempre exige um acordo separado. Ele roda no SGLang-Omni e no vLLM-Omni desde o lançamento.
Na API da própria Fish Audio (modelo drama-3), o preço de tabela é US$ 50 por milhão de bytes UTF-8 de texto de entrada, com desconto para US$ 10 até 17:00 UTC de 12 de novembro de 2026. A Fish Audio estima um milhão de bytes em cerca de 12 horas de fala em inglês.
Quanto custa Fish Audio Drama 3?
| Plano | Preço | O que inclui |
|---|---|---|
| Weights | Free | Community License; uso comercial abaixo de US$ 500.000 de receita anual; sem serviços hospedados |
| API list price | $50 per 1M UTF-8 bytes | |
| API launch price | $10 per 1M UTF-8 bytes | Até 17:00 UTC de 12 de novembro de 2026 |
Pesos gratuitos sob a Fish Audio Community License para pesquisa e para empresas com menos de US$ 500.000 de receita anual. API: US$ 50 por 1M de bytes UTF-8, US$ 10 até 12 de novembro de 2026.
Fish Audio Drama 3 vale a pena?
O Drama 3 é o modelo de voz de pesos abertos a ser batido. No leaderboard de votos cegos da Artificial Analysis, ele tem Elo de 1.243, décimo entre todos os modelos e primeiro entre os de pesos abertos, à frente do Breeze TTS 2 da BreezeBlue, com 1.228, mas ainda 92 pontos atrás do Eleven v4 da ElevenLabs. Ele também lidera o teste de pronúncia da Artificial Analysis com 93,2%, à frente dos 91,7% do Eleven v4, o que importa mais que a naturalidade para quem lê em voz alta nomes de produtos, códigos ou endereços.
A clonagem é o lado mais fraco. No ranking de vozes clonadas do mesmo site, ele fica em 17º com 1.065, e o próprio relatório da Fish Audio mostra a diferença: no LibriSpeech-PC, ele registra a pior taxa de erro de palavras (1,85) e a pior similaridade de falante (0,605) em uma tabela que inclui OmniVoice e Qwen3-TTS, números que cita de outros artigos. Os resultados multilíngues também são irregulares, autodeclarados: erro de 1,13 em inglês contra 1,56 do ElevenLabs v4, mas 5,02 em japonês, 6,35 em hindi e 22,70 em cantonês. O relatório não traz testes de escuta humana próprios.
A licença decide quem pode usá-lo. O uso comercial é gratuito só abaixo de US$ 500.000 de receita anual somando você e suas afiliadas, com uma transição de 90 dias depois de passar desse valor, e qualquer serviço cuja finalidade principal seja permitir que terceiros gerem fala ou clonem vozes precisa de uma licença separada, qualquer que seja o seu tamanho. Produtos distribuídos devem trazer 'Built with Fish Audio', e as saídas não podem ser usadas para treinar outro modelo de fala.
O consentimento é um termo da licença, não um recurso. A licença proíbe imitar uma pessoa identificável sem o consentimento prévio dela (o dos pais, no caso de um menor, e o do titular dos direitos, no caso de alguém que morreu) e exige que você vincule seus próprios usuários às mesmas regras, com a licença terminando automaticamente em caso de violação. Nem o model card nem o relatório técnico descrevem uma verificação de consentimento, uma etapa de verificação de falante ou uma marca d'água de áudio, então a proteção é o que o seu produto construir.
Servi-lo é razoável para o tamanho. Em uma H200, a Fish Audio mede o primeiro áudio em 88,9 ms para um único stream e um fator de tempo real de 0,373 com 16 streams simultâneos, então uma GPU mantém cerca de 16 vozes falando mais rápido do que são reproduzidas. O porém para equipes pequenas é que o checkpoint exige uma placa de data center, não um notebook.
Onde ele se destaca
Um estúdio de audiolivros com oito funcionários que produz ficção dramatizada
Dar voz a um elenco completo a partir de um roteiro sem contratar atores para papéis menores
Marque cada personagem com uma tag de falante (até 16 por texto) e dirija a interpretação em linha. A licença permite que um estúdio venda áudio finalizado a editoras desde que os clientes não tenham acesso self-service, e com cerca de 12 horas de fala por milhão de bytes a API custa aproximadamente US$ 4 por hora de áudio no preço de tabela.
Um engenheiro de ML em um estúdio de jogos independente abaixo de US$ 500.000 de receita
Gerar e corrigir diálogos de NPCs em uma GPU própria
Sirva os pesos com SGLang-Omni em uma H200, que a Fish Audio mede com fator de tempo real de 0,373 em 16 streams. Quando um roteirista muda uma fala, a tomada anterior vai para previous_takes e só as palavras editadas são regeneradas.
Um líder de produto em uma startup de clonagem de voz
Decidir se os pesos abertos podem alimentar um recurso público de clonagem
Não podem sem uma licença separada: um serviço cuja finalidade principal é permitir que usuários clonem vozes conta como Hosted Service, qualquer que seja a receita. A própria API da Fish Audio é o caminho licenciado, a US$ 50 por milhão de bytes depois de 12 de novembro e de 5 a 50 requisições simultâneas, dependendo do valor pré-pago.
Antes de decidir
- Configuração
- Instale o SGLang-Omni com o extra fishaudio e rode sgl-omni serve --model-path fishaudio/drama-3, ou use o vLLM-Omni com vllm serve --omni; cada requisição leva texto mais um ou mais clipes de referência com transcrições.
- Integrações
- SGLang-Omni e vLLM-Omni o servem com streaming; a API da Fish Audio o expõe como drama-3 ao lado do S2.1 Pro, e o app web fish.audio usa os mesmos créditos do S2.1 Pro.
- Dados e privacidade
- Fish Audio Community License 1.0: gratuita para pesquisa e uso não comercial, uso comercial só abaixo de US$ 500.000 de receita anual combinada, nenhum serviço de voz hospedado sem licença por escrito, atribuição 'Built with Fish Audio', nenhuma imitação sem consentimento, nenhum treinamento de outros modelos de fala com as saídas. O áudio auto-hospedado fica no seu hardware.
- Custo em escala
- Os safetensors contêm 32,2 bilhões de parâmetros em FP8 e 3,7 bilhões em bf16, cerca de 40 GB de pesos pelas nossas contas, então planeje uma GPU de 80 GB ou maior; os números da Fish Audio são em uma H200. Na API, 100 horas de áudio em inglês são cerca de 8,3 milhões de bytes: por volta de US$ 83 no preço de lançamento de US$ 10 e US$ 417 no preço de tabela de US$ 50, e textos em chinês, japonês e coreano usam cerca de três bytes por caractere.
- Limites
- A concorrência da API é de 5 requisições abaixo de US$ 100 pré-pagos, 15 a partir de US$ 100 e 50 a partir de US$ 1.000, compartilhada entre chaves e fala para texto, com HTTP 429 e sem cabeçalho Retry-After acima disso. Auto-hospedado, o tempo até o primeiro áudio sobe para 450,9 ms com 64 streams em uma H200.
O que é bom
- Elo de 1.243 na Artificial Analysis, primeiro entre os modelos de pesos abertos
- 93,2% em robustez de pronúncia na Artificial Analysis, à frente do Eleven v4
- Até 16 falantes por roteiro, tags de direção em linha e edição por palavra
- 88,9 ms até o primeiro áudio em uma H200 (autodeclarado)
O que não é
- O uso comercial gratuito para em US$ 500.000 de receita anual; serviços de voz hospedados sempre exigem acordo
- 17º no ranking de vozes clonadas da Artificial Analysis
- Fraco em japonês, hindi e cantonês no próprio relatório
- Nenhuma verificação de consentimento ou marca d'água embutida descrita
Ideal para
Pequenos estúdios, desenvolvedores de jogos e criadores de apps abaixo do teto de receita que querem narração e diálogos com vários personagens próximos do ElevenLabs nas próprias GPUs.
Alternativas ao Fish Audio Drama 3
Fish Audio Drama 3: perguntas frequentes
- Fish Audio Drama 3 vale a pena?
- O Drama 3 dá aos pesos abertos uma voz que os ouvintes colocam ao lado dos líderes pagos, sob uma licença que deixa de ser gratuita no momento em que uma empresa ou uma API de voz fica séria. Damos nota 4.2 de 5.
- Quanto custa Fish Audio Drama 3?
- Pesos gratuitos sob a Fish Audio Community License para pesquisa e para empresas com menos de US$ 500.000 de receita anual. API: US$ 50 por 1M de bytes UTF-8, US$ 10 até 12 de novembro de 2026.
- Quais são as desvantagens de Fish Audio Drama 3?
- O uso comercial gratuito para em US$ 500.000 de receita anual; serviços de voz hospedados sempre exigem acordo; 17º no ranking de vozes clonadas da Artificial Analysis; fraco em japonês, hindi e cantonês no próprio relatório; nenhuma verificação de consentimento ou marca d'água embutida descrita.
- Para quem Fish Audio Drama 3 é indicado?
- Pequenos estúdios, desenvolvedores de jogos e criadores de apps abaixo do teto de receita que querem narração e diálogos com vários personagens próximos do ElevenLabs nas próprias GPUs.
- Quanto custa Fish Audio Drama 3 para uma equipe ou em produção?
- Os safetensors contêm 32,2 bilhões de parâmetros em FP8 e 3,7 bilhões em bf16, cerca de 40 GB de pesos pelas nossas contas, então planeje uma GPU de 80 GB ou maior; os números da Fish Audio são em uma H200. Na API, 100 horas de áudio em inglês são cerca de 8,3 milhões de bytes: por volta de US$ 83 no preço de lançamento de US$ 10 e US$ 417 no preço de tabela de US$ 50, e textos em chinês, japonês e coreano usam cerca de três bytes por caractere.
- Fish Audio Drama 3 é seguro para dados da empresa?
- Fish Audio Community License 1.0: gratuita para pesquisa e uso não comercial, uso comercial só abaixo de US$ 500.000 de receita anual combinada, nenhum serviço de voz hospedado sem licença por escrito, atribuição 'Built with Fish Audio', nenhuma imitação sem consentimento, nenhum treinamento de outros modelos de fala com as saídas. O áudio auto-hospedado fica no seu hardware.
- Quais são as melhores alternativas ao Fish Audio Drama 3?
- As alternativas mais próximas que analisamos são Eleven v4 and v4 Turbo, Breeze TTS 2, OmniVoice, Qwen3-TTS e Cartesia Sonic 3.6.
Respostas verificadas em 28 de out. de 2026.