Fish Audio: Drama 3

Fish Audio: Drama 3 は Fish Audio のテキスト読み上げモデルで、api14 の speech カテゴリに掲載されています。これは演出された声のパフォーマンス向けに作られています。つまり、単に言葉を渡すのではなく、セリフをどのように届けるかを記述するという考え方を中心に設計されたモデルです。Fish Audio はこのモデルの提供元であり、提供元によるリリース日は 2026 年 10 月 13 日です。

このモデルはテキストだけを入力として受け取り、音声だけを出力として返します。際立った機能は演出の扱いです。セリフの前に角括弧で囲んで平易な言葉で演出を書きます。たとえば、 nervous のように括弧で囲んだ注記を、 nervous に話すべき文の前に置きます。これにより、別個のコントロールに頼るのではなく、プロンプト自体からパフォーマンスを形作れます。このモデルにはコンテキスト長が公開されておらず、詳細には最大出力がゼロと記載されているため、計画の基準にできる文書化されたトークンウィンドウや出力トークン予算はありません。これは音声生成モデルであり、テキストモデルやマルチモーダルモデルではないため、音声や画像の入力を受け付けず、テキストも返しません。

実用的な用途はこの設計から導かれます。演出を平易な言葉で書くため、Drama 3 は言葉と同じくらい届け方が重要な作業に適しています。ゲーム、アニメーション、オーディオドラマ向けのキャラクターの対話や声優演技。セリフごとにトーンが変わる物語やポッドキャストのナレーション。そして、1 つの台本に複数の感情的な読み分けが必要な広告や解説のボイスオーバーです。また、人間の声優を再録音するのではなく、括弧で囲んだ演出を編集してパフォーマンスを反復できるため、プロトタイピングにも向いています。台本から始まり、セリフごとの制御を備えた話し言葉の出力が必要なワークフローは、妥当な候補です。

このモデルは、モデル id "fish-audio/drama-3" を使用して api14 の OpenAI 互換 API を通じて呼び出します。インターフェースは OpenAI 形式に従っているため、その id とテキスト入力を使って speech エンドポイントにリクエストを送り、応答で生成された音声を受け取ります。このモデルには対応パラメータが記載されていないため、モデル id と入力自体以外に設定できる文書化されたサンプリングや生成のオプションはありません。リクエストはモデル id と演出付きテキストとして扱ってください。正確なリクエストと応答のフィールドを確認する必要がある場合は、モデルページのエンドポイントスキーマを確認してください。

コミットする前に知っておく価値のある制限があります。コンテキスト長は公開されておらず、最大出力はゼロと記載されているため、1 回の呼び出しで送信できるテキスト量や返せる音声量に明示された上限はありません。対応パラメータは空であるため、パイプラインが生成設定の調整に依存している場合、このモデルはそれらを公開していません。タスクがテキスト生成、文字起こし、またはテキストから音声を生成すること以外である場合、カタログ内の別のモデルの方がより適しています。