Fish Audio发布Drama 3：支持自然语言导演式AI语音合成

核心要点

• 全新交互逻辑：Drama 3将AI语音从“单向生成”转变为“导演式交互”，允许创作者使用自然语言在脚本中精准控制语气与表演细节。
• 句内精细化控制：支持在单句话内即时调整情绪、停顿、笑声、低语及语速，实现极其细腻的戏剧张力过渡。
• 多角色长文本生成：优化了多角色对话渲染能力与长篇内容一致性，支持单次任务中协调多位不同角色的语音表演。
• 导演级多轮修改：引入局部编辑与多轮微调机制，创作者可直接对上一版音频提出调整要求而无需完全重新生成。

详细分析

从“文本生成”迈向“表演导演”

以往的AI文本转语音（TTS）工具通常要求用户先选定一个固定声线，随后祈祷模型能够正确理解上下文并以预期的情绪读出文字。这种“黑盒式”抽取往往难以满足高标准的戏剧表演需求。Drama 3则彻底重塑了这种工作流，它更像是一个能够听懂导演指挥的虚拟配音演员。创作者可以在台词文本中使用括号或内联标签嵌入自然语言指令，例如“由勉强的微笑转为颤抖的呼吸”、“轻声耳语”或“加重语气”。模型会精准在标记位置做出相应反应，甚至在同一句话中实现多种情绪与语气的无缝流动。

架构升级与多角色长音频支持

在技术架构层面，作为Fish Audio的新一代旗舰模型，Drama 3相较于前代在长文本处理和交互编辑上进行了全面重构。模型基于先进的架构设计，支持复杂的多角色场景配音。在有声书、广播剧、游戏NPC对话以及影视译配等复杂应用中，创作者不再需要为每个角色的单句单独切片生成，而能够在一个脚本中统一组织多位角色的对话，并通过自然语言指示每一位角色的情感起伏与互动节奏。

迭代式修改与局部精准重绘

高品质音频创作的核心瓶颈往往在于修改成本。传统的TTS如果某个词发音不准或某处情绪不够贴切，往往需要全局重跑，容易导致其他原本满意的部分发生声线或韵律偏移。Drama 3带来了“多轮导演修改”（Multi-turn director revision）能力，允许用户像对真实配音演员沟通一样发出指令，例如“更轻柔一点，再带一点悲伤感”，模型即可继承前序上下文并进行局部定向重绘。这一功能大幅缩短了专业制作人员在有声剧、游戏开发等领域的后期打磨周期。

行业影响

Fish Audio Drama 3的亮相标志着AI语音合成领域正在经历从“追求像真人”到“具备专业演技”的范式跃迁。对于游戏制作、有声内容出版、独立影视团队以及海外本地化配音行业而言，高精度的自然语言可控性显著降低了专业级拟真配音的门槛。这也表明，未来的AI语音工具竞争重点已不仅是基础音质或复刻相似度，而是精细化调控能力、上下文一致性以及人机协同的工作流效率。

常见问题

Drama 3相比传统TTS最核心的区别是什么？

传统TTS依赖固定的全局预设声音，用户无法精确干预台词局部的语气和情感。而Drama 3允许用户像导演一样，在台词任意位置插入自然语言标记，精确指定低语、笑声、停顿以及情绪转折。

Drama 3适用于哪些具体的创作场景？

该模型特别适合需要丰富情感表达与戏剧张力的场景，包括多人有声剧、有声书朗读、游戏角色及NPC对白、影视出海多语种配音，以及短视频故事叙述等。

如果生成结果某处不满意，是否需要从头重新生成？

不需要。Drama 3支持多轮导演修改与局部编辑功能，创作者可以直接给出如“更温柔一些”或“情绪更低沉”的指令，模型会基于先前的生成结果进行针对性局部调整。