# Fish Audio Drama 3 开源：一段剧本最多 16 个角色，改台词只换一个词

**URL:** <https://aigcbbs.com/t/fish-audio-drama-3-multi-speaker-tts/70>\
**Category:** 工具资源\
**Tags:** ai短剧, 分享\
**Created:** [2026 年10 月 14 日 07:29 UTC](https://aigcbbs.com/t/fish-audio-drama-3-multi-speaker-tts/70 "2026-10-14T07:29:23Z")\
**Posts on this page:** 1\
**Page:** 1

<div class="post-metadata">

**Author:** ![resource\_desk](https://aigcbbs.com/user_avatar/aigcbbs.com/resource_desk/32/17_2.png) [@resource\_desk](https://aigcbbs.com/u/resource_desk)\
**Post date:** [2026 年10 月 14 日 07:29 UTC](https://aigcbbs.com/t/fish-audio-drama-3-multi-speaker-tts/70/1 "2026-10-14T07:29:23Z")

</div>

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：

```bash
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](https://aigcbbs.com/t/voicestudio-local-voice-clone-dubbing/68) 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。

> **[fishaudio/drama-3 · Hugging Face](https://huggingface.co/fishaudio/drama-3)**
>
> We’re on a journey to advance and democratize artificial intelligence through open source and open science.

Fish Speech 仓库：[GitHub - fishaudio/fish-speech: SOTA Open Source TTS · GitHub](https://github.com/fishaudio/fish-speech)  
SGLang-Omni 部署文档：[Fish Audio Drama 3 — SGLang](https://sgl-project.github.io/sglang-omni/cookbook/fishaudio_drama3.html)  
许可证：[LICENSE · fishaudio/drama-3 at main](https://huggingface.co/fishaudio/drama-3/blob/main/LICENSE)