开放权重语音竞技场登顶:这榜单含金量几何,Drama 3 能坐稳多久
开放权重语音竞技场登顶:这榜单含金量几何,Drama 3 能坐稳多久
2026 年 10 月中旬,Fish Audio Drama 3 以"预览版"身份登顶开放权重语音竞技场的消息,在语音生成社区引发了不小震动。这不是一次普通的版本迭代:35B 总参、每 token 仅激活 3B 的 MoE 架构,混合线性注意力,10 路 codebook 因果解码……任何一个参数单独拿出来都足够写一篇论文。但"登顶"两个字的分量,取决于榜单本身怎么测、样本怎么配、对手是谁。本文不打算跟着通稿喊"最强",而是把竞技场的秤拆开看,再对照 Drama 3 的仓库源码逐一核验它登顶的技术底牌,最后给正在纠结选型的团队一个可执行的判断框架。
先把"竞技场"这杆秤拆开看
所谓语音竞技场,通常指借鉴 LLM 竞技场模式的盲测平台:随机将两段合成语音配对展示给听众,听众在不知道模型身份的情况下投票选择更优者,平台基于大量对局用胜率或 Elo 类算法滚动更新排名。这种机制的优点在于贴近真实听感、难以刷榜;缺点也同样明显——它测的是"平均偏好",而不是"任务适配度"。
从社区同步的对比情报来看,Drama 3 预览版登顶时同台竞技的对手名单相当有代表性:闭源商业 API 一方有 ElevenLabs 和 Cartesia Sonic 3.6,开放权重一方有 Sesame 与 Qwen Audio 3.0 TTS。有测评者专门以"4.30 美元的差距"为题,对比了 Drama 3 与 Qwen Audio 3.0 的自部署成本差异——这说明榜单构成同时覆盖了"按 API 付费"和"自托管权重"两类使用范式,登顶并不意味着在两类场景中都最合适。
样本构成是理解榜单含金量的第二把钥匙。竞技场评测库的构成会系统性偏向某一类任务:若以英文单人短句 prompt 为主,那么多角色长剧、跨语言口音、噪音鲁棒性这些能力几乎测不出来。Drama 3 官方 README 中的生产性能基准也选用了 Seed-TTS 英文 prompts 作为负载,这与竞技场的主流样本分布是同构的——也就是说,榜单排名本质上反映了"英文中性场景下的平均听感偏好",中文、日韩、方言场景的表现需要单独验证。此外,克隆式评测(提供参考音色)与零样本评测(纯文本直出)的占比,也会显著影响不同模型的相对位次,毕竟克隆能力强的模型在带参考音色的对局中天然占优。
最后是"开放权重"这个限定词。Drama 3 采用的 LICENSE 是 Fish Audio Community License v1.0,属于 source-available 的开放权重协议,而非 OSI 意义上的开源:年营收低于 50 万美元可免费商用,超过门槛或提供 Hosted Service(对外开放 TTS/克隆 API)则必须另行签署授权协议。榜单上"开放权重"组的含金量,首先要按这个维度分层理解。
Drama 3 登顶靠的是什么底牌:源码拆解
荣誉归荣誉,技术论证必须落到代码和权重文件上。对照仓库,Drama 3 的底牌可以拆成五张。
第一张牌:35B/3B 的 MoE 主干。 config.json 中 text_config 明确记录:40 层 transformer,num_experts: 256,每 token 路由 8 个专家(num_experts_per_tok: 8),隐藏维度 2048,词表 252288。总参 35B、激活 3B 的读数与 README 一致。值得注意的是它的注意力结构——layer_types 数组展示了每 4 层插入一个 full_attention、其余 36 层为 linear_attention 的混合布局,配合 max_position_embeddings: 262144 的 26 万 token 上下文。线性注意力压低长文成本,全注意力层兜底信息召回,这是为"长剧本级文本"专门设计的结构,也是它与传统 TTS 模型拉开代差的核心。
第二张牌:Codebook-MTP 音频解码器。 同文件 audio_decoder_config 显示 decoder_type: "codebook_mtp_shared"、num_codebooks: 10,即 10 路 VQ codebook 沿整条序列因果解码,其中 MTP(Multi-Token Prediction)子层采用全注意力。README 将其概括为"10 codebooks decoded causally over the whole sequence"。配合 codec.pth(约 1.9 GB 的配套音频编解码器权重)与 vq_backbone_codebooks: 1 的骨干设计,语义 token 与声学 token 在同一套自回归框架内联合建模——这正是"编辑即续写"能力的技术前提。
第三张牌:多角色与语义控制。 tokenizer_config.json 与 special_tokens_map.json 中定义了完整的 16 个说话人 token <|speaker:0|> 至 <|speaker:15|>,以及上千个 <|semantic:N|> 语义 token、<|audio_start|>/<|audio_end|> 边界标记。README 的示例进一步展示了两种实用控制方式:其一是在文本中直接内联 [sighs]、[laughs] 这类点标签,让情绪事件精确落在指定位置;其二是通过 previous_takes 字段把上一版录音的 VQ 序列作为上下文传入,实现"改词不重录"的链式编辑。一条文本最多承载 16 个角色的规格,直接瞄准广播剧、有声书、游戏配音这类真实内容生产场景。
第四张牌:可运营的工程性能。 模型权重按 8 个 safetensors 分片存储,model.safetensors.index.json 记录 total_size 约 396 亿字节(约 37 GiB),量化方式为 bsgemm-moe 动态 FP8 分块(weight_block_size: [128, 128])。README 给出的 H200 流式基准数据是更硬核的参考:单并发下 TTFA p50 仅 88.9 ms、RTF 0.131;并发 16 时音频生成速度仍约为播放速度的 2.7 倍;把 vocoder 从引擎所在 GPU 挪到第二张卡后,256 并发下吞吐提升约 72%、中位 TTFA 降低 37%。同时模型从发布首日即支持 SGLang-Omni 部署(sgl-omni serve --model-path fishaudio/drama-3 --port 8000),长文本自动分块、逐块流式输出。
第五张牌:许可条款里的"开放性"边界。 前面提到,LICENSE 采用营收阈值制(50 万美元)与 Hosted Service 单独授权制,同时明确禁止用模型输出训练或蒸馏竞品语音模型、禁止未经同意克隆真人声音。这意味着"开放权重登顶"更多是技术分发层面的胜利——开发者可以自托管、微调、商用(小规模内),但把它包装成对外 TTS API 服务属于另一套商业协议。选型者看到榜首时,必须把这条边界一并算进成本模型。
登顶的保质期:竞技场是"时点快照"
"预览版登顶"这一表述本身就值得玩味。社区情报中几乎全部指向 Drama 3 的 Preview 状态,而语音竞技场的排名是滚动更新的时点快照:每当 ElevenLabs、Cartesia 发布新版本,或 Qwen3-TTS、Sesame 等开放权重选手迭代,榜单头部就会发生一轮重排。语音合成赛道的迭代节奏在 2026 年已经明显加快——从社区同期讨论可以看到,仅 Drama 3 一个发布周期内,就有 Qwen Audio 3.0 TTS、Cartesia Sonic 3.6 等多个竞品在同台竞技中被持续比较。竞技场登顶更像短跑冲线,而非长期占据的城池:它验证的是"此刻的听感上限",不承诺"六个月的适配下限"。
更要紧的是,榜单不测的东西往往决定项目成败:长文本下的一致性保持、多角色切换的稳定度、低资源语言的合成质量、并发峰值下的延迟抖动、以及权重许可与商业模式的兼容性。这些恰恰是 Drama 3 这类"能力上限型"模型最容易出现落差的地方——能力上限由 35B 参数与长上下文撑起,而生产下限取决于部署基建与团队调优。
给看榜选型者的冷静建议
第一,把"登顶"降格为一个信号而非结论。竞技场名次适合用来圈定候选池(Drama 3 值得进你的初筛清单),不适合直接拍板替代现有方案。第二,用你自己的语料重建评测:取你业务中最典型的 20 段文本、5 个角色设定,分别跑零样本与克隆两种模式,主观盲听之外记录客观指标——README 中 TTFA(首包延迟)、RTF(实时率)、并发吞吐这三组指标值得在自测中复现,尤其要关注 16 路并发以上时 RTF 是否仍维持在 0.5 以下。第三,把许可条款读进财务模型:年营收低于 50 万美元的小团队可以低成本上车,但一旦接近门槛、或计划以 API 形式对外提供语音服务,就要提前与 Fish Audio 洽谈授权,这段周期应当计入排期。第四,盯住竞品版本节奏:Drama 3 是 Preview,后续正式版的权重更新、以及同赛道 Qwen Audio 等开放权重模型的迭代,都可能在一个月内改写榜单——选型时优先选择"架构可替换、接口可抽象"的接入方式,不要把项目焊死在单一模型的输出格式上。
归根结底,竞技场登顶证明了 Drama 3 站在了开放权重语音合成的最前沿,这份含金量来自 35B/3B 的 MoE 架构、Codebook-MTP 解码与 16 角色支持这些可验证的工程事实;但"能坐稳多久"不取决于榜单,而取决于它能否在长剧、多语言、商业化合规这些真实场景中持续兑现 README 里的承诺。榜单负责制造关注,源码与基准数据负责提供证据——而最终决策,永远要用你自己的数据来做。