Fish Audio发布Drama 3：35B开放权重MoE语音合成模型

语音合成领域又多了一个值得关注的开源选择。Fish Audio 正式发布 Drama 3——一个拥有 350 亿总参数的混合专家（MoE）文本转语音模型，激活参数约 30 亿。这意味着它以远低于同规模稠密模型的推理开销，提供了大模型级别的语音生成能力，并且权重完全开放。

Drama 3 的核心规格

Drama 3 最引人注目的地方在于它的架构选择。35B 的总参数量听起来像是要吃掉一整张 H100，但 MoE 的设计让每次推理只激活约 3B 参数。这种稀疏激活策略在 LLM 领域已被验证有效，Fish Audio 把它带到了 TTS 场景。

对开发者来说，实际意义很直接：你得到的是一个知识容量接近 35B 的模型，但推理成本向 3B 看齐。在需要低延迟、高并发的语音应用里，这种组合比单纯的参数量堆叠更有实用价值。

模型覆盖 83 种语言，这个数字在开源 TTS 模型里属于第一梯队。多语言能力不再只是"支持"几个主流语种，而是真正面向全球部署的场景。

什么是 MoE（混合专家）？

MoE（Mixture of Experts，混合专家）是一种神经网络架构，其核心思路是把一个大的前馈网络拆分为多个并行的"专家"子网络，再通过一个"路由器"（router/gating network）根据输入内容动态选择激活其中少数几个专家。这样模型的总参数量可以做得很大（存储容量大），但每次前向推理实际参与计算的参数却很少（计算量小）。

在传统稠密模型中，参数总量等于计算量；而 MoE 把"总参数"和"激活参数"解耦。例如 Switch Transformer、Mixtral 8x7B 等就是典型代表：总参数量大，但每次只激活一部分专家。这正是 Drama 3 能做到 35B 总参数、约 3B 激活的原因，也是它在推理成本上向小模型看齐的关键。代价是显存占用依然要放得下全部专家权重，且路由训练存在负载均衡等挑战。

自然语言指令：用说话的方式控制语音

Drama 3 的另一个设计取向是控制方式的简化。模型接受的是"plain-language direction"（自然语言指令），而不是需要专业调参的音色标签或参数面板。

这个思路和近两年语音生成的研究方向一致——把控制接口从结构化参数转向自然语言。用户可以用日常表达描述想要的语气、情绪、节奏，模型负责把这些描述翻译成声学特征。降低使用门槛的同时，也把"怎么描述声音"这个难题从用户身上转移到了模型侧。

实际效果如何，取决于模型对指令的语义理解精度。MoE 架构在这里可能帮了忙：不同专家可以分别处理不同的语音风格和语言特征，指令里的多维信息更容易被拆解路由。

开放权重与营收上限许可

Drama 3 采用 open weights 发布，附带一个"revenue-capped community license"——可译为营收上限社区许可。

这是开源模型商业化的一类折中方案。权重开放意味着研究者和开发者可以下载、微调、部署，但商业使用存在营收门槛：超过某个收入规模后，需要另行获取授权。相比纯研究许可，它给了初创团队和小型产品足够的空间；相比完全宽松的许可证，它保留了模型方从大规模商业使用中获利的通道。

对创业团队而言，这种许可模式值得仔细阅读条款——尤其是"营收"如何界定、是否按公司整体收入还是按该产品线收入计算。

"开放权重"与"开源"的区别

严格来说，"开放权重"（open weights）并不等同于"开源"（open source）。开放权重指模型训练后的参数文件可以公开下载，任何人都能加载、推理、微调；但训练代码、训练数据、以及部分许可证条款可能并不完全开放，与 OSI 定义的开源许可证存在差别。

近年来大量大模型（如 Llama 系列）都采用这种模式：权重可获取，但使用受附加条款约束，例如用户数量上限、商用限制、命名要求或营收门槛。因此业界常把这类模型称为"开放权重模型"而非"开源模型"。理解这一区别对开发者很重要——它直接影响你能否合规地将模型集成到商业产品中，以及是否需要与模型方另行签署协议。

这次发布意味着什么

把 Drama 3 放到当前开源 TTS 的格局里看，有几个信号值得注意。

第一，MoE 正在从语言模型扩散到语音模型。稀疏激活不是 LLM 的专利，任何需要大容量知识但受限于推理预算的生成任务，都可能受益于这种架构。

第二，35B 级别的开放权重 TTS 模型仍然少见。多数开源语音模型停留在几亿到十几亿参数区间，Drama 3 把开放权重的天花板往上推了一截。

第三，多语言覆盖和自然语言控制这两个特性叠加，指向的是"通用语音接口"的定位，而非单一场景的配音工具。

需要提醒的是，模型能力最终要靠实际听感和稳定性验证。参数规模、语言数量、许可条款都是纸面指标，真正的门槛在于长文本的韵律一致性、跨语言切换的自然度，以及指令控制的精确度。这些还需要社区在真实使用中给出答案。

对于正在选型语音合成方案的团队，Drama 3 提供了一个新的候选：如果你需要多语言、需要灵活的风格控制、又希望权重可控可微调，它值得放进测试清单。

背景补充

营收上限许可的常见设计

"营收上限社区许可"（revenue-capped community license）常见于 AI 模型发布中，通常约定：年收入或融资规模低于某一阈值（如 100 万美元）的个人与团队可免费商用；超过阈值则需申请商业授权。审查此类条款时应重点关注三点：一是"营收"的界定口径——按公司整体营收还是按使用该模型的产品线营收；二是阈值是按年、按月还是累计计算；三是衍生模型（微调后权重）的分发和商用是否受同等约束。这些细节往往决定了中小团队能否长期低成本使用。