Fish Audio: Drama 3

Fish Audio: Drama 3 es un modelo de texto a voz de Fish Audio, listado en api14 dentro de la categoría speech. Está diseñado para interpretaciones de voz dirigidas, lo que significa que el modelo se concibe en torno a la idea de que describes cómo debe entregarse una línea en lugar de limitarte a proporcionar las palabras. Fish Audio es el proveedor detrás del modelo, y la fecha de lanzamiento del proveedor es el 13 de octubre de 2026.

El modelo toma texto como su única entrada y devuelve habla como su única salida. Su capacidad distintiva es el manejo de indicaciones: escribes la indicación en lenguaje natural dentro de corchetes antes de una línea, por ejemplo una nota entre corchetes como nervous antes de la frase que debe pronunciarse con nerviosismo. Eso te permite moldear la interpretación desde el propio prompt en lugar de depender de controles separados. No se publica ninguna longitud de contexto para este modelo, y los detalles indican una salida máxima de cero, así que no hay una ventana de tokens documentada ni un presupuesto de tokens de salida con el que planificar. Es un modelo de generación de habla, no un modelo de texto ni multimodal, por lo que no acepta entradas de audio o imagen y no devuelve texto.

Los usos prácticos se derivan de ese diseño. Como la indicación se escribe en lenguaje natural, Drama 3 encaja en trabajos donde la interpretación importa tanto como las palabras: diálogo de personajes y actuación de voz para juegos, animación o drama en audio; narración para historias y pódcasts donde el tono cambia entre líneas; y locuciones publicitarias o explicativas donde un único guion necesita varias lecturas emocionales. También sirve para prototipado, ya que puedes iterar sobre una interpretación editando la indicación entre corchetes en lugar de volver a grabar a un actor de voz humano. Cualquier flujo de trabajo que parta de un guion y necesite salida hablada con control por línea es un candidato razonable.

Llamas al modelo a través de la API compatible con OpenAI de api14 usando el id de modelo "fish-audio/drama-3". Como la interfaz sigue el formato de OpenAI, envías una solicitud al endpoint de speech con ese id y tu entrada de texto, y recibes el habla generada en la respuesta. El modelo no lista parámetros soportados, así que no hay opciones documentadas de muestreo o generación que configurar más allá del id de modelo y la propia entrada; trata la solicitud como el id de modelo más tu texto dirigido. Si necesitas confirmar los campos exactos de solicitud y respuesta, consulta el esquema del endpoint en la página del modelo.

Hay límites que conviene conocer antes de comprometerte. No se publica ninguna longitud de contexto, y la salida máxima se indica como cero, así que no hay un techo declarado sobre cuánto texto puedes enviar ni cuánto habla puedes recibir en una llamada. Los parámetros soportados están vacíos, así que si tu pipeline depende de ajustar configuraciones de generación, este modelo no las expone. Si tu tarea es generación de texto, transcripción o cualquier cosa que no sea producir habla a partir de texto, un modelo diferente del catálogo encajará mejor.