据 TPS 报道，Fish Audio 十月十四日发布 Drama 3，这是一个文本转语音模型，总参数 35B，每个 token 只激活 3B，走的是稀疏混合专家路线。它面向多角色、长篇幅音频，单段文本最多支持十六个说话人，同时开放声音克隆与流式输出。官方在单张 H200 上测得首包音频时间低于一百毫秒。
语音合成为什么也要上 MoE？
文本转语音过去多为稠密小模型，因为它要处理的是逐帧声学特征而不是开放域知识。Drama 3 把总容量堆到 35B 却只激活 3B，本质是把「音色库」「韵律模型」「情感控制」拆成不同专家子网络，按文本语义条件动态路由。激活参数小，单 token 算力开销接近小模型；总容量大，多说话人、跨风格时不必为每个音色单独驻留权重。这种大总参小激活的取舍，正是生成式语音从单主播走向多人广播剧的关键。
百毫秒首声是怎么压出来的？
流式 TTS 的首包延迟取决于文本前端编码、声学模型自回归步长与声码器三段串联。MoE 的稀疏激活减少了每步参与矩阵乘法的参数量，配合 H200 的高带宽，把声学模型每步延迟压低；声码器若采用神经声码器，则可与前端流水线重叠执行。官方给出的「百毫秒内吐出第一个音频包」意味着它能进实时对话，而不是只做离线配音。
十六角色同文本意味着什么？
一段剧本里同时喂入十六个角色台词，模型需要在同一次生成中区分说话人并保持音色稳定。这要求路由不仅按内容条件，还要按说话人 ID 条件选择专家，本质是把说话人嵌入直接注入路由门控。对有声书、互动广播剧这类长内容，一次推理出整段而非逐角色拼接，能显著降低工程复杂度，也让多人对话的韵律衔接更自然。
去论坛讨论
前往 silicon-agi.com 论坛 参与讨论
你在部署或复现这个技术细节时踩过什么坑？欢迎到论坛交换实测数据与配置片段。