A Fish Audio Drama 3 modellje minden szót és érzelmi váltást vezérelhetővé tesz
A Fish Audio bemutatta a Drama 3 text-to-speech modellt, amellyel a fejlesztők, stúdiók és alkotók természetes nyelvű utasításokkal irányíthatják a hang előadásmódját. A modell mondat közben is képes érzelmet váltani, több szereplős jeleneteket létrehozni, és egyetlen módosított szakaszt újragenerálni.
- A Drama 3 természetes nyelvű utasításokkal vezérelhető text-to-speech modell.
- A hang előadásmódja mondat közben is válthat érzelmet.
- A modell több szereplős jeleneteket és részleges hanganyag-javítást támogat.
- A Drama 3 2026. október 13-tól érhető el, az API első 30 napja 80 százalékos kedvezménnyel használható.
- A Fish Audio több mint 15 millió felhasználóról és 21 millió dolláros éves ismétlődő bevételről számolt be.
Természetes nyelvű rendezés és részleges szerkesztés
A Fish Audio közleménye szerint a Drama 3 célja, hogy a hanggenerálás helyett a hangteljesítmény rendezését tegye lehetővé. A felhasználó egyszerű nyelven írhatja le a kívánt hangszínt, tempót és karaktert, majd soronként pontosíthatja az eredményt.
A modell egyik új képessége, hogy egy mondat közben is módosítható az érzelmi állapot. Egy előadás nyugodtan kezdődhet, majd pánikossá válhat ugyanazon a soron belül. Az úgynevezett audio inpainting funkcióval a felhasználó kijelölheti a javítandó részt, frissítheti az utasítást, a Drama 3 pedig csak ezt a szakaszt generálja újra, miközben a környező hanganyag változatlan marad.
Ez lehetővé teszi egyetlen szó javítását a teljes hangklip újrarenderelése nélkül. Shijia Liao, a Fish Audio társalapítója és vezető tudósa szerint a modell az adott szó előtti és utáni hangot is figyelembe veszi, így az új kifejezésnek illeszkednie kell az eredeti hanghoz, hangulathoz és ritmushoz.
Több szereplő, hosszú szövegek és több nyelv
A Drama 3 egyetlen menetben képes teljes, több szereplős jeleneteket létrehozni. A Fish Audio szerint minden karakter megtartja a saját hangját, és a szereplők reagálnak arra, amit a másik mondott. A vállalat példaként egy kétkarakteres veszekedést említ, amely egyetlen jelenetként rendezhető.
A modell hosszú forgatókönyvekben is igyekszik megőrizni ugyanazt a hangot és karaktert. A közlemény szerint a felhasználók jelenet közben nyelvet válthatnak, és fonémaszinten szabályozhatják a kiejtést angol, kínai, japán, koreai és további nyelveken. A Fish Audio úgy írja le a rendszert, hogy a teljes szövegben egyetlen előadást tart fenn, ahelyett, hogy külön kérésekből illesztené össze a hosszú tartalmakat.
A vállalat a Drama 3 lehetséges felhasználási területei között a hangdrámákat, az interaktív médiát, a hangoskönyveket, a többnyelvű szinkront, a játékokat, az animációkat, az AI-társalkalmazásokat és a tartalomkészítő platformokat sorolja fel.
Elérhetőség és a Fish Audio növekedése
A Drama 3 2026. október 13-tól érhető el a fish.audio oldalon. Az első 30 napban az API használata 80 százalékos kedvezménnyel vehető igénybe. A másik hangszolgáltatótól váltó vállalati ügyfelek az első három hónapot ingyen kapják, a díjszabás részletei a fish.audio/plan oldalon találhatók.
Rissa Cao, a Fish Audio társalapítója és vezérigazgatója szerint a hangalapú AI következő lépése az előadás irányítása. A cég állítása szerint a Drama 3 eddigi legkifejezőbb és legjobban vezérelhető modellje.
A Fish Audio közlése szerint a vállalat 2025-ben alakult, Palo Altóban működik, és több mint 15 millió felhasználót szolgál ki az egyéni alkotóktól a fejlesztőkön át a vállalatokig. A cég éves ismétlődő bevétele 21 millió dollárra nőtt. Az Ahrefs listáján a Fish Audio az 50 leggyorsabban növekvő AI-vállalat között az első helyet foglalja el, a márkakeresések száma pedig 740 százalékkal emelkedett éves összevetésben. A Drama 3 így olyan eszközt kínál ezeknek a felhasználóknak, amellyel a hanganyag létrehozása mellett annak részletes utómunkája is természetes nyelvű utasításokkal végezhető.
PR Newswire: Fish Audio Launches Drama 3: Direct AI Voices in Plain Language, Control Every Word and Shift Emotion Mid-Sentence
