🚨 یه خبر خفن برای دنیای هوش مصنوعی! 🤯🔥

شرکت Fish Audio مدل جدیدش Drama 3 رو متن‌باز کرده؛ هوش مصنوعی‌ای که متن رو به صدا تبدیل می‌کنه و احساسات رو خیلی طبیعی‌تر از قبل نشون می‌ده!

🎭 تصور کن یه جمله رو با خوشحالی شروع کنی و وسطش یهو غمگین بشی؛ Drama 3 می‌تونه این تغییر احساس رو طوری اجرا کنه که انگار یه آدم واقعی داره حرف می‌زنه!

برای مقایسه، این مدل رو با Qwen3-TTS در سه حالت تست کردن:
😄 تغییر شادی به غم وسط جمله
🥺 نجوا با صدای غمگین
🤩 صحبت کردن با هیجان زیاد
🔥 نکته جذاب اینجاست که حالا می‌شه مدل رو روی سخت‌افزار خودت اجرا کنی و برای تولید صدا کمتر به سرویس‌های پولی مثل ElevenLabs وابسته باشی!
البته یه مشکل بزرگ هم داره:
📦 حجم مدل ۴۱.۵ گیگابایته و برای اجرای اون به سخت‌افزار قدرتمندی نیاز داری.
⏱️ از نظر سرعت هم روی دستگاه DGX Spark، تولید ۱۰ ثانیه صدا حدود ۹.۷ ثانیه طول کشیده؛ درحالی‌که Qwen3-TTS همین کار رو در ۷.۶ ثانیه انجام داده.

به نظر می‌رسه رقابت مدل‌های متن‌باز با سرویس‌های پولی تولید صدا داره جدی‌تر می‌شه! 🚀

@SinaEstavi