Fish Audio: Drama 3

Fish Audio: Drama 3 to model zamiany tekstu na mowę od Fish Audio, wymieniony na api14 w kategorii mowy. Jest zbudowany do reżyserowanych występów głosowych, co oznacza, że model został zaprojektowany wokół idei, że opisujesz, jak dana kwestia ma być wypowiedziana, zamiast tylko dostarczać słowa. Fish Audio jest dostawcą stojącym za modelem, a data wydania przez dostawcę to 13 października 2026.

Model przyjmuje tekst jako jedyne wejście i zwraca mowę jako jedyne wyjście. Jego wyróżniającą zdolnością jest obsługa wskazówek reżyserskich: wskazówkę piszesz prostym językiem w nawiasach kwadratowych przed kwestią, na przykład notatkę w nawiasie taką jak nervous przed zdaniem, które ma być wypowiedziane nerwowo. To pozwala kształtować występ bezpośrednio z promptu, zamiast polegać na osobnych kontrolkach. Dla tego modelu nie opublikowano długości kontekstu, a szczegóły podają maksymalne wyjście równe zero, więc nie ma udokumentowanego okna tokenów ani budżetu tokenów wyjściowych, względem którego można planować. To model generowania mowy, nie model tekstowy ani multimodalny, więc nie przyjmuje wejścia audio ani obrazu i nie zwraca tekstu.

Praktyczne zastosowania wynikają z tego projektu. Ponieważ wskazówka jest pisana prostym językiem, Drama 3 pasuje do pracy, w której sposób wypowiedzi liczy się tak samo jak słowa: dialogi postaci i aktorstwo głosowe do gier, animacji lub słuchowisk; narracja do opowieści i podcastów, w których ton zmienia się między kwestiami; oraz voiceover reklamowy lub wyjaśniający, gdzie jeden scenariusz wymaga kilku emocjonalnych odczytań. Pasuje też do prototypowania, ponieważ można iterować nad występem, edytując wskazówkę w nawiasach, zamiast ponownie nagrywać ludzkiego aktora głosowego. Każdy przepływ pracy, który zaczyna się od scenariusza i potrzebuje mówionego wyjścia z kontrolą na poziomie pojedynczej kwestii, jest rozsądnym kandydatem.

Model wywołujesz przez zgodne z OpenAI API api14, używając identyfikatora modelu "fish-audio/drama-3". Ponieważ interfejs jest zgodny z formatem OpenAI, wysyłasz żądanie do endpointu mowy z tym identyfikatorem i tekstem wejściowym, a w odpowiedzi otrzymujesz wygenerowaną mowę. Model nie wymienia żadnych obsługiwanych parametrów, więc nie ma udokumentowanych opcji próbkowania ani generowania do ustawienia poza identyfikatorem modelu i samym wejściem; traktuj żądanie jako identyfikator modelu plus twój tekst ze wskazówkami. Jeśli musisz potwierdzić dokładne pola żądania i odpowiedzi, sprawdź schemat endpointu na stronie modelu.

Przed podjęciem decyzji warto znać pewne ograniczenia. Nie opublikowano długości kontekstu, a maksymalne wyjście jest podane jako zero, więc nie ma określonego limitu tego, ile tekstu możesz wysłać ani ile mowy możesz otrzymać w jednym wywołaniu. Obsługiwane parametry są puste, więc jeśli twój potok zależy od dostrajania ustawień generowania, ten model ich nie udostępnia. Jeśli twoim zadaniem jest generowanie tekstu, transkrypcja lub cokolwiek innego niż tworzenie mowy z tekstu, lepiej pasować będzie inny model z katalogu.