Компания Fish Audio представила свою новую модель текстового синтеза под названием Drama 3, которая обладает 35 миллиардами параметров. Эта модель использует технологию mixture-of-experts, активируя около 3 миллиардов параметров на токен, и доступна для разработчиков через API Fish Audio и на платформе Hugging Face.

Drama 3 предназначена для применения в таких областях, как озвучивание сценариев, аудиокниги и дубляж. Модель требует для работы одну видеокарту NVIDIA с минимум 48 ГБ памяти и не поддерживает CPU или другие графические платформы, такие как Apple MPS или AMD ROCm. Официальные бенчмарки показывают, что она демонстрирует высокие результаты на Artificial Analysis, хотя всё ещё уступает нескольким закрытым API по качеству синтеза.

Запуск Drama 3 подчеркивает стремление Fish Audio к улучшению технологий текстового синтеза и расширению возможностей для разработчиков. Модель продемонстрировала лучшие результаты в произношении брендов и технических терминов, что делает её перспективным инструментом для создания качественного аудиоконтента.