← Torna al blog
Aicirca 6 min di lettura

Drama 3 trasforma il doppiaggio in regia

Pubblicato 9 nov 2026
Drama 3 trasforma il doppiaggio in regia

Fish Audio ha rilasciato Drama 3 il 13 ottobre, e la prima cosa che quasi tutti hanno notato è la dimensione: 35 miliardi di parametri, mixture of experts, circa 3 miliardi attivi per token. La seconda è il numero del benchmark: 93,2% sulla robustezza della pronuncia, contro 88,1% del precedente S2.1 Pro, abbastanza — si dice — per mettere un modello a pesi aperti in cima a quella particolare classifica.

Ognuno dei due merita un paragrafo e non di più. Quello che cambia davvero il modo in cui si lavora sulla voce è il formato dell'input.

Non scrivi più una frase. Scrivi una nota di scena.

Il vecchio text-to-speech aveva un compito: prendere caratteri, restituire audio. L'emozione era qualcosa che inseguivi scegliendo un'altra voce, spostando la velocità e tirando i dadi finché una take suonava giusta.

Drama 3 accetta indicazioni tra parentesi quadre, in linguaggio naturale, dentro la sceneggiatura. L'esempio di Fish ne mette quattro in una riga sola: trattieni e di' che va tutto bene, poi un respiro tremante, poi una piccola risata, poi scivola nel sussurro. Le parole non cambiano mai. Tutto ciò che rende la battuta recitabile vive tra le parentesi.

C'è un secondo livello. Tag a coppie avvolgono singole parole, così un passaggio può restare piatto e una frase al suo interno può farsi fioca. Sospiri, risate e pause vanno dove devono andare invece di essere incollati in post.

A condenser microphone in a shock mount inside a vocal booth, waveform light on the grille

Se hai mai diretto un attore, la sensazione è familiare: è una sceneggiatura con note a margine. Se hai usato solo TTS, per una decina di minuti è un modo strano di lavorare, poi è l'unico modo in cui vuoi lavorare.

Più voci in una sola passata

L'altro cambio strutturale è che una singola generazione può contenere fino a sedici parlanti. Non sedici clip incollate: una passata, con voci che restano distinte e che, secondo Fish, reagiscono al tono l'una dell'altra.

Chi ha montato una scena di dialogo partendo da clip TTS separate sa cosa sparisce. Non passi più un pomeriggio a pareggiare il room tone tra la battuta 4 e la 5, né a rifare un intero scambio perché una voce era andata alla deriva. La coerenza sulla lunga durata è la stessa storia: voce e ritmo tengono lungo la sceneggiatura invece di azzerarsi ogni qualche migliaio di caratteri.

83 lingue, un modello, nessun endpoint per lingua. Il cambio di lingua dentro una scena è supportato, ed è la parte che conta per chi localizza lo stesso contenuto in quattro mercati.

Che cosa fa al costo di cambiare idea

Ecco l'argomento economico silenzioso. In una sessione di registrazione tradizionale, correggere una parola significa rifare la battuta, e rifare la battuta significa che tempi, respiro e arco emotivo si spostano un po'. Quindi o accetti una cucitura o rifai la scena.

Drama 3 include un audio inpainting che rigenera un segmento selezionato senza toccare la recitazione intorno. In teoria, il costo di una correzione da una parola crolla a quasi zero.

In pratica, al lancio, è bloccato. Le cronache del rilascio dicono che l'inpainting di una singola parola era in test su invito, con una API di editing pubblica solo pianificata. È la funzione più preziosa dell'annuncio e probabilmente non puoi usarla. Fish ammette anche che la stessa indicazione può dare risultati diversi tra una take e l'altra e consiglia di generarne diverse e sceglierne una: il che dice che serve ancora un orecchio umano, non un pulsante.

Le tre cose che ti fermeranno

Hardware. In FP8 servono circa 48GB di VRAM su una scheda NVIDIA. Niente CPU, niente Apple MPS, niente AMD. Qualcuno in community l'ha compresso in 4 bit su un Mac in un giorno, ma è smanettamento, non produzione. Per la maggior parte dei team la strada realistica è l'API o un'integrazione su piattaforma.

Licenza. I pesi sono su Hugging Face con la Fish Audio Community License v1.0. Gratis sotto 500.000 dollari di ricavi annui. Sopra, si negozia. Se vuoi rivenderlo come servizio vocale ospitato, serve un accordo separato a prescindere dai ricavi.

Benchmark che non puoi verificare. Il 93,2% e il «primo tra i pesi aperti» arrivano ai più di seconda mano. La pagina della classifica, la metodologia e la model card non stanno tutte nello stesso posto, ed ElevenLabs non ha risposto. La robustezza della pronuncia è una cosa reale e misurabile — nomi, numeri e parole straniere letti bene al primo tentativo — quindi tratta la direzione come credibile e la posizione esatta come provvisoria.

Come provarlo davvero

La via più rapida è l'API ospitata. Mandi il testo più un reference_id per una voce clonata, scegli formato e bitrate, ricevi l'audio. Il listino sta intorno ai 15 dollari per milione di caratteri, con una tariffa promozionale per parte di ottobre e novembre. Un podcast da 30 minuti arriva intorno ai quaranta centesimi a quel prezzo, ed è il tipo di numero che ti fa smettere di trattare la voce come un costo fisso.

Se vuoi i pesi, parti dalla model card, confronta la VRAM con il requisito FP8 e leggi la licenza prima di costruirci un prodotto. I 35B non sono una cifra di marketing: sono il motivo per cui serve una scheda a noleggio e non un portatile.

Provarlo in questo ordine

Se hai un'ora, spendila sui casi di fallimento, non sulle battute da vetrina.

Parti da una frase con un nome, un numero e un acronimo nella stessa proposizione: la forma esatta su cui i motori TTS inciampano. Poi aggiungi un'indicazione tra parentesi e guarda se la correzione sopravvive alla parola difficile. Se il nome esce ancora giusto, la promessa sulla pronuncia fa qualcosa di reale.

Poi leggi la stessa battuta cinque volte e ascolta la varianza. Fish dice che i risultati cambiano tra le take e suggerisce di generarne diverse. È onesto, e significa anche che il flusso di lavoro ha bisogno di un passo di selezione. Se le cinque take sono molto diverse, l'indicazione è un suggerimento, non un controllo.

Prova poi uno scambio a due voci in cui un personaggio interrompe l'altro. La generazione multi-parlante è facile da mostrare e difficile da centrare, perché l'interruzione richiede che il modello modelli la sovrapposizione invece di alternare i turni. È qui che quasi tutti i sistemi multi-voce suonano come una lettura a tavolino, non come una scena.

Infine cambia lingua a metà scena. La coerenza attraverso il cambio di lingua è la funzione che conta se localizzi, ed è quella di cui nessuno pubblica esempi.

Scrivi cosa si rompe. La lista è più utile di qualsiasi percentuale di benchmark, perché ti dice quali lavori affidare a questo modello e quali tenere in cabina.

Perché questo conta più del punteggio

La generazione vocale è abbastanza buona per la narrazione da circa due anni. Non lo è per la recitazione: la differenza tra leggere una battuta e dirla sul serio. Quel divario lo chiudevano i direttori in cabina e i montatori che tagliavano intorno alle take piatte.

Drama 3 non chiude quel divario. Sposta i controlli nel testo, il che significa che chi scrive la sceneggiatura ora è anche chi dirige la lettura. Per un podcast, un gioco, un audiolibro o un corto doppiato, è un vero spostamento di chi fa il lavoro e quando.

Lo strumento non è finito. La funzione migliore è dietro una lista d'attesa, l'asticella hardware è alta e il benchmark ha bisogno di conferme indipendenti. Ma l'interfaccia è giusta, e le interfacce sono la parte che tende a restare.

Articoli correlati