Fish Audio Drama 3:語音合成開始接受「導演指令」,但還不能把它當成定稿機器

Fish Audio Drama 3:把表演提示寫進台詞;影音工作桌上的劇本、麥克風、耳機與抽象聲波

Drama 3 所在的工作情境:劇本裡的表演提示,會先轉成可反覆聆聽與挑選的語音版本,再和畫面一起進入剪輯。

Fish Audio 在 2026 年 10 月推出 Drama 3。它不是單純把文字念出來的 TTS 工具,而是讓你直接在台詞裡寫「壓低聲音」、「停一下」、「笑著說」這種表演指示,讓模型把一段稿子演出來。

我覺得比較有意思的地方是,語音工具正在從「輸入文字、拿到音檔」,慢慢變成「用文字導一場戲」。不過它還在 Preview,離「丟進去就能直接用」還有一段距離。

通用影片製作流程:腳本與分鏡分流至畫面製作及 Drama 3 配音,匯入剪輯整合後輸出成片

這張通用製作流程示意圖,將腳本與分鏡分成「畫面製作」與「Drama 3 配音」兩條支線,再匯入剪輯整合、輸出成片。Drama 3 負責把旁白、角色對話和表演提示變成可挑選的音檔;畫面與配音可交錯迭代,圖中不限定兩者先後,也不是 Fish Audio 的官方架構。

把表演提示寫進台詞

Drama 3 可以用方括號加提示,例如 [sigh],也能用成對標籤把某個效果只套在一段話上。官方也說,在他們的編輯器裡可以幫不同角色指定聲音,再一次生成整段對話。產品頁

簡單說,就是把角色、台詞、情緒和停頓都寫在同一份劇本裡,不用再一句一句生成、再自己剪來剪去。聽起來很方便,但實際效果還是要自己試;畢竟「腦中想像的表演」和「模型真的演出來的樣子」,往往不會完全一樣。

角色、台詞與表演提示置於同份劇本,再生成語音並聆聽挑選的流程圖

這張圖把操作方式拆開來看:角色是誰、要說什麼、要用什麼情緒或停頓來說,三種資訊都可以放在同一份稿子裡。生成後仍要回頭聽結果,因為指示可以寫得很清楚,不代表每次輸出的表演都會完全符合腦中的想像。

網頁、App、API 都能用

Fish Audio 說 Drama 3 已經可以在他們的網頁 TTS 服務、iOS/Android App,還有 API 上使用。如果你本來就有接他們的 API,官方示例其實只是把請求裡的 model 換成 drama-3,其他端點照舊。發布文

對工程師來說,這算是好消息:不用整條語音管線重寫,就能先小規模試試看。但延遲、費用、可用區域這些還是要自己跑一輪才知道,別只看官方範例就下結論。

還在 Preview,要多生成幾次

Drama 3 目前還在 Preview,官方也直接說每次生成的結果可能不一樣,建議多生成幾個版本再挑。這點我覺得很誠實,也很重要。產品頁

同一份腳本生成多個版本,再由人聆聽、挑選與調整的流程圖

所以它比較適合本來就會「挑 take」的工作,例如旁白、短片、遊戲對話或音訊劇。你不該期待第一個版本就是成品,而是把它當成一個能快速生出好幾個候選版本的配音助手,最後還是由人來聽、挑、改。

另外,若要模仿可識別真人的聲音,應先取得本人同意。Fish Audio 的授權條款也明確禁止未經同意模仿可識別自然人的聲音。

自己架設沒那麼簡單

Fish Audio 有提供 Drama 3 的權重和本機推論文件,但「可以自己架」不等於「下載下來就能跑」。官方文件提到本機版需要 NVIDIA CUDA 裝置;比較舊的 GPU 可以指定多張裝置,但不支援 --compile。實際要多少 VRAM、部署成本多少,還是要看你選的權重、精度和最新版文件。推論文件

授權也別只看到「開源」就放心。Fish Audio Community License v1.0 對研究、非商業和部分商業用途有條件限制;例如商業使用的免費門檻,跟你和關係企業過去 12 個月的總營收有關,低於 500,000 美元才適用社群商業授權。如果你要做的是讓別人自己上傳文字、生成語音的代管服務,條款還要求另外取得書面授權。授權條款

雲端 API 與本機推論各自需要確認事項的比較圖

這不是法律建議,但如果你要拿去做收費產品、幫客戶部署,或開放給第三方使用,最好先確認最新條款,必要時直接問 Fish Audio 或找法律意見。

真正該看的是工作流程

官方說 Drama 3 的情緒表達和發音穩健度有提升,但這畢竟是廠商自己的說法,聽聽就好,最後還是要用自己的腳本測。

我會特別看三件事:同一份腳本裡,不同段落的提示控制穩不穩;多人對話生成後,剪輯起來麻不麻煩;還有重跑幾次、挑一個能用的版本,整體成本是不是真的比現在的流程低。

如果這三點都成立,Drama 3 的價值就不只是「聽起來更像真人」,而是把腳本、表演指示和多角色安排收進同一份文字稿,讓配音流程變得更好改、更好控制。

來源