上个月刚把知名的开源 TTS 引擎试了个遍 这个月 Fish Audio 就开源了新一代的 Drama 3 主打多角色配音和长文本 用来做个读剧本的工具应该很不错，主要他有这三点优势： 第一，一段文本里用 标签就能分出最多 16 个角色，广播剧、有声书一次就能生成。 第二，可以在台词里直接插 [sighs]、[laughs]、[whisper] 这类标签，叹气、笑声、耳语会落在你标的位置。 第三，它把编辑当成续写：一句话里只改一个词，比如“周三”改成“周四”，把之前的生成结果一起传回去，就能只改这个词，其余部分的声音和语气保持不变，不用整句重来。 另外它支持用几秒参考音频加文字稿克隆声音，号称支持 83 种语言，输出 44.1kHz。 模型是 35B 参数的 MoE，每个 token 只激活 3B，推理走 SGLang-Omni 或 vLLM-Omni 官方在 H200 上测的单路首包约 89ms，实时率 0.13，也就是生成 1 秒音频约 0.13 秒 完整版要 48GB 以上显存，另外有 int4 量化版，权重约 21GB huggingface.co/fishaudio/dra… Link fishaudio/drama-3 · Hugging Face We’re on a journey to advance and democratize artificial intelligence through open source and open science. huggingface.co