Fish Audio推出新一代文本转语音模型Drama 3，总参数约35B，采用MoE文本骨干，每个token激活约3B，音频解码器在整段序列上因果解码。它最大的亮点是面向多角色长内容：通过说话人标记，一段文本可以生成最多16个角色的对话，支持语音克隆和自然语言控制情绪，长文本自动分块并流式输出。这意味着有声剧、广播剧、游戏配音的制作，正在从录音棚走向文字一键生成。AI语音已经不满足于念稿，而是学会了分角色表演。

多角色语音为什么是个难点？

一个人念不同角色容易千人一面，还要区分音色、情绪和对话节奏。Drama 3用说话人标记让模型知道这句是谁说、该用什么声线，把朗读升级成有声剧表演，这是内容生产的质变。

35B参数做语音是否过大？

它用MoE把激活控制在约3B，训练时靠大容量学多种声线和风格，推理时保持效率。这种设计在语音模型里也用上了大模型的稀疏路线，能力与成本兼顾。

语音克隆带来什么便利与风险？

作者可以让角色拥有指定音色，快速批量配音；但克隆也带来被冒用、伪造声音的风险。使用克隆必须获得授权，平台也需要做好身份验证和水印，避免技术被用于诈骗。

这会改变内容行业吗？

会。有声书、短剧、游戏配音的成本和周期大幅下降，小团队也能产出高质量多角色音频。但同时内容会极大丰富，竞争和版权治理成为新课题，技术解放的是产能，也考验监管。

总体来看，这条新闻的真正价值，不在于一时的热闹或数字本身，而在于它如何影响接下来的产品节奏、资本预期、监管走向和用户习惯。技术的变化往往先在小圈子里被放大，又在媒体的转述中被简化，因此更需要回到原始信息和长期趋势里去判断。建议读者既不要因为一条快讯就过度乐观，也不要因为个别波折就轻易否定方向；等更多细节、第三方数据和真实落地案例逐步披露，再回头验证今天的判断是否成立，才是看待这类行业动态更稳妥、也更有收获的方式。

说到底，真正决定这件事影响大小的，不是发布当天的声量，而是接下来一段时间里，它能否被持续使用、被真实场景验证、被更多开发者和用户接纳。技术新闻的价值往往要经过时间沉淀才看得清，保持观察、持续跟踪后续进展，比第一时间下结论更有意义。

把这件事放回行业大背景看，它既不是孤立事件，也不是终点，而是整个AI浪潮持续推进的一个最新注脚。

信息来源与延伸阅读？

去论坛讨论

前往 silicon-agi.com 论坛 参与讨论