تیم Fish Audio به‌تازگی وزن‌های مدل Drama 3 رو به‌صورت متن‌باز منتشر کرده و از نظر من، این اولین مدل متن‌باز تبدیل متن به گفتاره (TTS) هستش که صدای خروجیش تقریباً بی‌نقص به نظر می‌رسه.

این مدل در مجموع 35 میلیارد پارامتر داره که از بینشون 3 میلیارد پارامتر به‌صورت فعال استفاده می‌شن.

روی دستگاه DGX Spark، سرعت اجرای مدل به‌سختی با سرعت پخش واقعی صدا هماهنگ می‌شه؛ یعنی تولید 10 ثانیه صدا، 9.7 ثانیه طول می‌کشه.
در مقایسه، مدل Qwen3-TTS همین 10 ثانیه صدا رو در 7.6 ثانیه تولید می‌کنه.

حجم دانلودش 41.5 گیگابایته:


huggingface.co/fishaudio/drama-3

@Linuxor