Fish Audio 推出开源权重文本转语音模型 Drama 3 Preview，在 Artificial Analysis 的文本转语音排行榜上排名第一。该模型为 35B 参数的混合专家模型（激活参数 3B），支持 83 种语言、声音克隆和自然语言控制，权重以 Fish Audio 社区许可证在 Hugging Face 上发布。其发音鲁棒性得分 93.2%，API 定价为每百万字符 15 美元。
SynthePulse Insight · AI 深度解读
版本 1 · 1 个来源
Fish Audio 的 Drama 3 Preview 在 Artificial Analysis 的发音鲁棒性榜单上以 93.2% 超过 Eleven v4 系列，并以每百万字符 15 美元的 API 价格形成明显价差；但在同一机构的语音竞技场里，它只排到第 10 与第 14。这组反差，比“开源第一”的标题更值得细看。
Artificial Analysis 在 2026 年 10 月 13 日的发布中称，Fish Audio 的 Drama 3 Preview 是其三个文本转语音榜单上排名第一的开源权重模型。这句话容易被读成“全面领先”，但拆开看，三个榜单给出的位置并不一致：发音鲁棒性第一，Provider Voice 第 10，Controlled Voice 第 14。
真正拉开差距的是发音鲁棒性。Drama 3 Preview 得分 93.2%，高于 Eleven v4 的 91.7% 与 Eleven v4 Turbo 的 90.1%；而在同一榜单上，下一个开源权重模型 Mistral Voxtral TTS 只有 78.1%，两者相差 15 个百分点。也就是说，它在“开源阵营内部”的领先幅度，远大于它对闭源头部模型的领先幅度。
子项分布也支持这种“偏科”判断：它在 Standalone Terms 与 Preserving Exact Sequences 排名第一，在 Expanding Shorthand 排名第二。Artificial Analysis 说明，该榜单由人工评审按四类挑战性文本、对照预先约定的可接受发音逐条评判——这既是它得分的来源，也是它主观性风险的来源。
如果只看发音，Drama 3 Preview 已经压过 Eleven v4 系列；但换成更接近整体听感偏好的竞技场，它的位置要低得多。在 Provider Voice Arena 中，它的 Elo 为 1,243（±16），基于 1,857 次出场，排名第 10。
这个分数的意义在于纵向对比：上一代 Fish Audio S2.1 Pro 的 Elo 是 1,142，Drama 3 Preview 提升了 101 分。横向看，它略低于 Speechify Simba 3.2 的 1,245，高于 Breeze TTS 2 的 1,221——与前后名的差距都在误差范围量级附近，并不构成决定性优势。
Controlled Voice 榜单上的表现更弱一些：Elo 1,058（±15），1,804 次出场，排名第 14。综合这些数据可以推断，Drama 3 Preview 在发音鲁棒性上超过 Eleven v4 系列，但在两个竞技场榜单中仍落后于部分闭源模型；这是从来源数据得出的推断，而非来源的直接结论。
Drama 3 Preview 通过 Fish Audio API 提供，价格为每百万字符 15 美元，与 S2.1 Pro 相同。按 Artificial Analysis 给出的价格，Eleven v4 为每百万字符 80 美元，Eleven v4 Turbo 为每百万字符 40 美元。
据此可以推断，Drama 3 Preview 的 API 单价约为 Eleven v4 的五分之一、Eleven v4 Turbo 的三分之一左右。这个价差与它在发音鲁棒性上的领先叠加，构成了本次发布最直接的竞争叙事：不是“更便宜所以更差”，而是在一个可量化的维度上更准、同时更便宜。
需要克制的是：价格与榜单成绩都来自同一份来源，且价格是 API 侧报价，不等于自部署成本。来源没有给出延迟、吞吐、显存占用等部署侧指标，因此“便宜”目前只能落在单价这一层。
Drama 3 Preview 的权重以 Fish Audio Community License 在 Hugging Face 上提供，模型本身是 35B 参数的混合专家架构，激活参数 3B，支持 83 种语言。来源称它面向多角色场景与长文本内容，支持声音克隆与自然语言控制——这属于来源主张，而非已验证的能力边界。
几处关键信息仍然缺失。来源未说明该许可的具体条款，因此“开源权重”在商用与再分发上的实际自由度无法判断；来源也未披露训练数据来源、数据规模与训练方法细节；83 种语言各自的实际表现与覆盖质量同样没有说明。
更值得注意的是评测本身的性质：所有榜单数据均来自 Artificial Analysis 自建榜单，来源未提供第三方独立复现。发音鲁棒性依赖人工评审对照预先约定的可接受发音，存在主观判定空间；两个竞技场的 Elo 还带有 ±15 至 ±16 的误差范围，排名接近时不足以支撑强结论。
Drama 3 Preview 是预览版。来源没有说明正式版的发布时间，也没有说明权重是否会变更——这意味着当前的榜单成绩、许可与价格，都可能在正式版上重新洗牌。
来源同样没有提供与闭源头部模型在长文本、多角色场景下的直接对比结果。考虑到该模型被定位为面向多角色与长文本，这一空白恰好落在它宣称的主场，而不是边缘场景。
因此更稳妥的读法是：Drama 3 Preview 在发音鲁棒性这一可量化维度上给出了目前开源权重阵营最好的公开成绩，并以明显更低的 API 单价进入市场；但它是否在整体语音质量上追平闭源头部，现有证据还不足以回答。
本文全部数据来自 Artificial Analysis 在 X 上发布的单一来源（2026 年 10 月 13 日），属于机构自建榜单的自我披露，来源未提供第三方独立复现。发音鲁棒性由人工评审对照预先约定的可接受发音判定，存在主观空间；Provider Voice 与 Controlled Voice 的 Elo 带有 ±15 至 ±16 误差，排名接近时不具决定性。模型规模、语言数、许可名称与价格属来源陈述；价格倍数关系与“发音领先但竞技场落后”的判断为本文基于来源数据的推断。来源未披露许可条款、训练细节、部署侧指标与正式版计划。
Drama 3 Preview 的价值不在“开源第一”这个标签，而在于它把开源权重模型第一次推到了发音鲁棒性榜首（93.2%），同时把 API 单价压到每百万字符 15 美元。但它在两个竞技场榜单上只排第 10 与第 14，且全部成绩来自同一家机构的未复现评测——这是一次方向明确的偏科突破，还不是全面超越。
主报道
主报道来源