短剧配音有两个老毛病：一集五六个角色要分开生成再拼，情绪和音色前后接不上；剧本改一个名字，整段又得重来。
Fish Audio（Fish Speech 背后的团队）这两天在 Hugging Face 放出了 Drama 3，官方定位就是“多角色场景和长内容”。HF 仓库和许可证都是 10 月 13 日更新的，模型上了 HF 趋势榜，同一天 ComfyUI v0.40.0 也加了它的合作节点。
官方说它能做什么
- 一段文本多个角色：用
<|speaker:0|>到<|speaker:15|>标签，最多 16 个角色，按剧本一次配完整场 - 只改一个词：把之前的版本放进
previous_takes，新文本里只改要改的词，官方示例把 “Wednesday” 换成 “Thursday”，周围音色和衔接保持自然，还能连着改第二次 - 导演式修改：直接对上一条说“再温柔一点、再难过一点”，模型带着上下文重来，而不是从头抽卡
- 行内情绪标签：
[whisper]、[angry]、[laughing]、[sighs]写在台词里事件发生的位置 - 长对话、长语音：自动分块，支持流式，官方称角色和音色全程稳定
- 语言列表 80 多种，含中文；官方称跨语言克隆错误率创了新的最好成绩，完整评测在技术报告里
架构是 35B 总参数、每个 token 激活 3B 的 MoE，专家权重 FP8。上一代 S2-Pro 不支持局部编辑和多轮修改，这两项是这次新增的。
怎么跑
官方推荐 SGLang-Omni，发布当天就支持：
git clone https://github.com/sgl-project/sglang-omni.git && cd sglang-omni
uv pip install --prerelease=allow -v -e ".[fishaudio]"
hf download fishaudio/drama-3
sgl-omni serve --model-path fishaudio/drama-3 --port 8000
起来之后是 /v1/audio/speech 接口，加 references（参考音频 + 文字稿）就是克隆，加 "stream": true 就是流式。
几个容易踩的限制：
- 单段参考音频默认最多 60 秒，超了直接 400；能调大，但要同时调大预处理显存预留
- 注意力后端只支持 triton，指定 fa3 会拒绝启动
- 官方性能数据都是 H200 上测的（单路首段音频不到 100 毫秒），没有给消费级显卡的显存要求。35B 的权重，自己的卡先算算显存，或者等社区量化；显存紧张的话，4B 的上一代 S2-Pro 官方说能在消费级显卡上跑
不想部署的，更新到 ComfyUI v0.40.0 后可以用 Fish Audio 合作节点（要登录 Comfy 账号、消耗额度）。
授权：这次条款对小团队挺友好，但有红线
Fish Audio Community License 1.0 要点（以原文为准）：
- 研究、个人非商业用途免费
- 年收入低于 50 万美元可以免费商用，按公司加关联方过去 12 个月总收入算；超过后 30 天内要通知官方，有 90 天过渡期
- 作为工作室、接单配音，只交付音频成品给客户没问题，客户不受收入门槛限制
- 不能做配音托管服务：把模型开放给别人自己输文字或声音样本生成（API、以 TTS 或克隆为主要功能的网站和应用），不论收入多少都要另签授权
- 不能未经本人同意模仿真人声音，不能去掉水印，不能拿输出去训练别的语音模型
- 分发或基于它做产品，要标注 “Built with Fish Audio”
和中午发的 VoiceStudio 放一起看：VoiceStudio 是整合多引擎的桌面工具，Drama 3 是单个更强的模型，后面看哪些工具会先接进去。
有人已经在大卡上跑起来了吗？中文多角色对话的效果和 IndexTTS、CosyVoice 比怎么样？欢迎贴试听。
Fish Speech 仓库：GitHub - fishaudio/fish-speech: SOTA Open Source TTS · GitHub
SGLang-Omni 部署文档：Fish Audio Drama 3 — SGLang
许可证：LICENSE · fishaudio/drama-3 at main