Drama 3 macht aus Synchronarbeit eine Regieanweisung

Fish Audio hat Drama 3 am 13. Oktober veröffentlicht, und das Erste, was den meisten auffiel, war die Größe: 35 Milliarden Parameter, Mixture of Experts, etwa 3 Milliarden aktiv pro Token. Das Zweite war die Benchmark-Zahl: 93,2 Prozent bei der Aussprache-Robustheit, vorher 88,1 Prozent bei S2.1 Pro – laut Berichten genug, um ein Modell mit offenen Gewichten oben in dieser Tabelle zu platzieren.
Beides ist einen Absatz wert und nicht mehr. Was die Arbeit mit Stimme tatsächlich verändert, ist das Eingabeformat.
Du tippst keinen Satz mehr. Du schreibst eine Szenennotiz.
Altes Text-to-Speech hatte einen Job: Zeichen rein, Audio raus. Emotion war etwas, dem man hinterherjagte, indem man eine andere Stimme wählte, die Geschwindigkeit schob und würfelte, bis ein Take saß.
Drama 3 nimmt Anweisungen in eckigen Klammern, in normaler Sprache, mitten im Skript. Fish' eigenes Beispiel packt vier davon in eine Zeile: zusammenreißen und sagen, dass es okay ist, dann ein zittriger Atemzug, dann ein kleines Lachen, dann in ein Flüstern fallen. Die Wörter ändern sich nie. Alles, was die Zeile spielbar macht, steckt in den Klammern.
Es gibt eine zweite Ebene. Gepaarte Tags umschließen einzelne Wörter, sodass eine Passage flach bleiben kann und eine Wendung darin brüchig wird. Seufzer, Lachen und Pausen landen dort, wo sie hingehören, statt in der Post hineinkopiert zu werden.

Wer schon einmal einen menschlichen Schauspieler geführt hat, erkennt das wieder. Es ist ein Skript mit Randnotizen. Wer nur TTS benutzt hat, findet das etwa zehn Minuten seltsam – und dann will er nicht mehr anders arbeiten.
Mehrere Sprecher in einem Durchlauf
Die andere strukturelle Änderung: Eine einzelne Generierung kann bis zu sechzehn Sprecher tragen. Keine sechzehn zusammengeklebten Clips, sondern ein Lauf, mit Stimmen, die unterscheidbar bleiben und laut Fish auf den Ton der anderen reagieren.
Wer schon einmal eine Dialogszene aus einzelnen TTS-Clips gebaut hat, weiß, was das erspart. Kein Nachmittag mehr damit, den Raumklang zwischen Zeile 4 und Zeile 5 anzugleichen, oder ein ganzes Gespräch neu aufzunehmen, weil eine Stimme abgedriftet ist. Langform-Konsistenz ist dieselbe Geschichte: Stimme und Tempo halten über ein Skript, statt alle paar tausend Zeichen zurückzusetzen.
83 Sprachen, ein Modell, kein Endpunkt pro Sprache. Ein Sprachwechsel innerhalb einer Szene wird unterstützt, und das ist der Punkt, der zählt, wenn man denselben Inhalt in vier Märkten braucht.
Was es kostet, seine Meinung zu ändern
Hier ist das leise ökonomische Argument. In einer klassischen Aufnahmesession heißt ein Wort zu korrigieren: die Zeile neu aufnehmen. Und die Zeile neu aufnehmen heißt: Timing, Atem und emotionaler Bogen verschieben sich leicht. Also akzeptierst du eine Naht oder drehst die Szene neu.
Drama 3 bringt Audio-Inpainting mit, das ein ausgewähltes Segment neu generiert, ohne die Performance drumherum anzutasten. Theoretisch sinken die Kosten für eine Ein-Wort-Korrektur damit fast auf null.
Praktisch ist das zum Start gesperrt. Berichte zur Veröffentlichung sagen, das Inpainting einzelner Wörter lief im einladungsbasierten Test, eine öffentliche Editing-API sei erst geplant. Das wertvollste Feature der Ankündigung ist also wahrscheinlich noch nicht nutzbar. Fish räumt außerdem ein, dass dieselbe Anweisung in verschiedenen Takes unterschiedliche Ergebnisse liefern kann, und empfiehlt, mehrere zu erzeugen und eines auszuwählen – was heißt: Das Werkzeug braucht weiter ein menschliches Ohr, keinen Ein-Klick-Knopf.
Die drei Dinge, die dich stoppen werden
Hardware. In FP8 brauchst du rund 48 GB VRAM auf einer NVIDIA-Karte. Keine CPU, kein Apple MPS, kein AMD. Jemand aus der Community hat es binnen eines Tages in 4 Bit auf einen Mac gequetscht, aber das ist Basteln, kein Produktivbetrieb. Für die meisten Teams führt der realistische Weg über die API oder eine Plattform-Integration.
Lizenz. Die Gewichte liegen auf Hugging Face unter der Fish Audio Community License v1.0. Kostenlos unter 500.000 Dollar Jahresumsatz. Darüber wird verhandelt. Wer es als gehosteten Voice-Dienst weiterverkaufen will, braucht unabhängig vom Umsatz eine eigene Vereinbarung.
Benchmarks, die du nicht prüfen kannst. Die 93,2 Prozent und der Platz eins unter den offenen Gewichten erreichen die meisten Leser aus zweiter Hand. Leaderboard-Seite, Methodik und Model Card liegen nicht alle am selben Ort, und ElevenLabs hat nicht reagiert. Aussprache-Robustheit ist eine echte, messbare Größe – Namen, Zahlen und Fremdwörter beim ersten Versuch richtig lesen –, also ist die Richtung glaubwürdig und das genaue Ranking vorläufig.
Wie man es tatsächlich ausprobiert
Am schnellsten über die gehostete API. Text plus eine reference_id für eine geklonte Stimme schicken, Format und Bitrate wählen, Audio zurückbekommen. Der Listenpreis liegt bei etwa 15 Dollar pro Million Zeichen, mit einem Aktionspreis für einen Teil von Oktober und November. Ein 30-Minuten-Podcast landet damit bei ungefähr vierzig Cent – eine Zahl, nach der man Stimme nicht mehr als Fixkosten behandelt.
Wer die Gewichte will, liest zuerst die Model Card, prüft den VRAM gegen die FP8-Anforderung und liest die Lizenz, bevor er ein Produkt darauf baut. Die 35 Milliarden sind keine Marketingzahl; sie sind der Grund, warum das eine gemietete Karte braucht und keinen Laptop.
In dieser Reihenfolge testen
Wenn du eine Stunde hast, steck sie in die Fehlerfälle, nicht in die Showcase-Zeilen.
Fang mit einem Satz an, in dem ein Name, eine Zahl und ein Akronym in derselben Klausel stehen – genau die Form, bei der TTS-Engines stolpern. Dann setz eine Klammeranweisung dazu und schau, ob die Korrektur das schwierige Wort übersteht. Wenn der Name weiterhin stimmt, macht die Aussprache-Behauptung etwas Reales.
Dann lass dieselbe Zeile fünfmal laufen und hör auf die Varianz. Fish sagt, Ergebnisse unterscheiden sich zwischen Takes, und empfiehlt, mehrere zu erzeugen. Das ist ehrlich, und es heißt, dein Workflow braucht einen Auswahlschritt. Wenn die fünf Takes wild auseinanderliegen, ist die Anweisung ein Vorschlag und keine Steuerung.
Dann probier einen Dialog mit zwei Sprechern, bei dem einer den anderen unterbricht. Mehrsprecher-Generierung ist leicht zu demonstrieren und schwer zu treffen, weil Unterbrechung verlangt, dass das Modell Überlappung modelliert statt abwechselnde Beiträge. Hier klingen die meisten Multi-Voice-Systeme wie eine Leseprobe und nicht wie eine Szene.
Zum Schluss: Wechsle mitten in der Szene die Sprache. Konsistenz über einen Sprachwechsel ist das Feature, das zählt, wenn man lokalisiert – und das, wofür niemand Beispiele postet.
Schreib auf, was bricht. Die Liste ist nützlicher als jeder Benchmark-Prozentsatz, weil sie dir sagt, welche Jobs zu diesem Modell gehören und welche in die Kabine.
Warum das mehr zählt als der Score
Sprachgenerierung ist seit etwa zwei Jahren gut genug für Narration. Nicht gut genug ist sie für Performance – den Unterschied zwischen eine Zeile lesen und sie meinen. Diese Lücke haben menschliche Regisseure in der Kabine geschlossen, und Cutter, die um die flachen Takes herumgeschnitten haben.
Drama 3 schließt diese Lücke nicht. Es verschiebt die Steuerung in den Text, und das heißt: Wer das Skript schreibt, führt jetzt auch die Lesung. Für einen Podcast, ein Spiel, ein Hörbuch oder einen synchronisierten Kurzfilm verschiebt sich damit, wer die Arbeit macht und wann.
Das Werkzeug ist nicht fertig. Das beste Feature steckt hinter einer Warteliste, die Hardware-Hürde ist hoch, und der Benchmark braucht unabhängige Bestätigung. Aber das Interface stimmt, und Interfaces sind der Teil, der meistens bleibt.
Verwandte Artikel
Eine community-gepflegte Tabelle von Taps, die Werbung in chinesischen Android-Builds abschaltet
Es fasst das System nicht an, entsperrt nichts, flasht nichts. Es legt nur die Schalter um, die die Hersteller ohnehin vorgesehen haben. Der Preis ist eine Liste, die jemand weiterführen muss.
GPT Image 2.6 hielt den Tokenpreis und erhöhte die Rechnung
GPT Image 2.6 übernimmt jeden Tokenpreis von 2.5 und kostet pro Bild dennoch mehr, weil ein größerer Teil der Arbeit in Ausgabe-Token landet. Elf Tage nach dem Start sagt die Preisstruktur mehr als jede Rangliste.
Jemand hat IDM von außen nachgebaut und aufgeschrieben, was er nicht angefasst hat
Eine Rust-Neuimplementierung von Internet Download Manager verspricht 5x Tempo und 86 Sprachen. Das interessantere Dokument ist der Absatz, der erklärt, wie sie ohne jede Kopie entstanden ist.
Rune ist ein Rust-UI-Framework, das gebaut wurde, damit ein Agent seine eigene Arbeit prüfen kann
Rune rendert headless, gibt seinen Elementbaum aus und nimmt geskriptete Eingaben an. Damit bekommt ein Coding-Agent ein Signal zum Diffen, das ein Screenshot nie liefert. Das Framework ist Pre-Release und nimmt keine Pull Requests an.