Fish Audio: Drama 3

Fish Audio: Drama 3 ist ein Text zu Sprache Modell von Fish Audio, gelistet auf api14 unter der Kategorie speech. Es ist für gerichtete Sprachperformances gebaut, was bedeutet, dass das Modell um die Idee herum entworfen wurde, dass du beschreibst, wie eine Zeile vorgetragen werden soll, statt nur die Worte zu liefern. Fish Audio ist der Anbieter hinter dem Modell, und das Veröffentlichungsdatum des Anbieters ist der 13. Oktober 2026.

Das Modell nimmt Text als einzige Eingabe und gibt Sprache als einzige Ausgabe zurück. Seine herausragende Fähigkeit ist die Regieanweisungsverarbeitung: Du schreibst die Regieanweisung in einfacher Sprache in eckigen Klammern vor eine Zeile, zum Beispiel eine eingeklammerte Notiz wie nervös vor dem Satz, der nervös gesprochen werden soll. Dadurch kannst du die Performance direkt aus dem Prompt heraus formen, statt dich auf separate Steuerelemente zu verlassen. Für dieses Modell ist keine Kontextlänge veröffentlicht, und die Details listen eine maximale Ausgabe von null, es gibt also kein dokumentiertes Token Fenster oder Ausgabe Token Budget, gegen das du planen könntest. Es ist ein Sprachgenerierungsmodell, kein Text oder multimodales Modell, daher akzeptiert es keine Audio oder Bild Eingaben und gibt keinen Text zurück.

Die praktischen Anwendungen ergeben sich aus diesem Design. Weil die Regieanweisung in einfacher Sprache geschrieben wird, eignet sich Drama 3 für Arbeiten, bei denen der Vortrag genauso wichtig ist wie die Worte: Charakterdialoge und Voice Acting für Spiele, Animation oder Hörspiel; Narration für Geschichten und Podcasts, bei denen der Ton zwischen den Zeilen wechselt; und Werbe oder Erklär Voiceovers, bei denen ein einzelnes Skript mehrere emotionale Lesarten benötigt. Es passt auch zum Prototyping, da du eine Performance durch Bearbeiten der eingeklammerten Regieanweisung iterieren kannst, statt einen menschlichen Sprecher neu aufzunehmen. Jeder Workflow, der mit einem Skript beginnt und gesprochene Ausgabe mit Kontrolle pro Zeile benötigt, ist ein sinnvoller Kandidat.

Du rufst das Modell über die OpenAI kompatible API von api14 mit der Modell ID "fish-audio/drama-3" auf. Da die Schnittstelle dem OpenAI Format folgt, sendest du eine Anfrage an den speech Endpoint mit dieser ID und deiner Texteingabe, und du erhältst generierte Sprache in der Antwort. Das Modell listet keine unterstützten Parameter, es gibt also keine dokumentierten Sampling oder Generierungsoptionen, die über die Modell ID und die Eingabe selbst hinaus festgelegt werden können; behandle die Anfrage als Modell ID plus deinen gerichteten Text. Wenn du die genauen Anfrage und Antwortfelder bestätigen musst, prüfe das Endpoint Schema auf der Modellseite.

Es gibt Grenzen, die du kennen solltest, bevor du dich festlegst. Es ist keine Kontextlänge veröffentlicht, und die maximale Ausgabe ist als null angegeben, es gibt also keine genannte Obergrenze dafür, wie viel Text du senden oder wie viel Sprache du in einem Aufruf zurückbekommen kannst. Die unterstützten Parameter sind leer, wenn deine Pipeline also von der Abstimmung von Generierungseinstellungen abhängt, stellt dieses Modell sie nicht bereit. Wenn deine Aufgabe Textgenerierung, Transkription oder etwas anderes als das Erzeugen von Sprache aus Text ist, passt ein anderes Modell im Katalog besser.