Fish Audio Drama 3 预发布：支持多角色与局部编辑的语音生成模型

Fish Audio Drama 3 是一款将文本生成定向表演的开源语音模型，支持多参考声音克隆、自然语言导演指令、多轮重演、语音局部编辑、多角色场景、长文本与流式音频。模型采用35B-A3B混合线性注意力MoE骨干和codebook-MTP音频解码器，覆盖约80种语言和方言，输出44.1 kHz音频；预发布要求至少48 GB显存的NVIDIA GPU，并提供FP8与float16等运行方式。