语音合成赛道的开源阵营又多了一个重量级选手：Fish Audio 发布 Drama 3，用 35B 的 MoE 架构做 TTS，同时把权重放了出来。

发生了什么

据 MarkTechPost 报道，Fish Audio 发布了 Drama 3，这是一个 35B 参数的混合专家（MoE）文本转语音模型，推理时激活参数约 3B。它的几个关键特征：

  • 自然语言指令控制：用户可以用日常语言描述想要的语气、情绪或表达方式，而不必依赖标签化的参数或参考音频。
  • 83 种语言覆盖：语言数量直接对标当前多语言 TTS 的第一梯队。
  • 开放权重 + 收入上限社区许可：权重可下载，但商用受收入门槛约束，属于「开放但非完全自由」的授权模式。

值得注意的是，官方目前披露的是模型规格与授权框架，具体的语音自然度、相似度、延迟等评测数据尚未在摘要中体现。

为什么重要

TTS 领域过去一年的主线是「大模型化」。传统 TTS 依赖声学模型加声码器的多级管线，而基于大语言模型架构的语音生成方案，把文本和音频统一到 token 序列里建模，带来更强的韵律和情感表现力。Drama 3 的 35B MoE 正是这条路线上的极端化尝试：用远大于常规 TTS 的参数量换取表达能力，再用 MoE 把单次推理的激活成本压到约 3B 量级。

这背后是一个现实矛盾——语音生成对实时性要求高，参数量越大延迟和成本越难控制。MoE 提供了一种折中：总容量足够大，但每次只调用一小部分专家。如果 Drama 3 能在约 3B 激活参数下保持 35B 级别的表现，它对「大模型 TTS 是否必须昂贵」这个问题给出了一个否定答案。

另一个信号是授权方式。「收入上限社区许可」是近两年开源模型常见的商业化折中：个人和小团队可以自由使用，规模做大后需要另行授权。这说明 Fish Audio 既想借开放权重建立生态和口碑，又不愿放弃商业变现空间。

影响与看点

对开发者而言，Drama 3 的价值取决于两件事：一是推理成本是否真的可控，35B 总参数意味着显存占用不会低，MoE 只降低计算量而非存储需求，本地部署的门槛仍需实测；二是自然语言指令控制的稳定性，用「用略带疲惫的语气读」这类描述替代传统控制参数，体验上更友好，但可控性和可复现性往往是大模型 TTS 的薄弱环节。

对行业而言，83 种语言加上开放权重，直接冲击的是多语言配音、有声内容生产、语音助手等场景。闭源 TTS API 的护城河正在被「开放权重 + 可自部署」持续侵蚀，尤其在数据敏感或需要定制音色的场景。

一个独立判断：Drama 3 真正的看点不在 35B 这个数字，而在「3B 激活」能否兑现。如果成立，它会把大模型 TTS 的部署成本拉到一个新水位，MoE 也可能成为语音生成的主流架构选择；如果实测表现平平，那它就只是参数竞赛里的又一个注脚。评测数据出来之前，保持谨慎乐观。