← Voltar ao blog
Aicerca de 7 min de leitura

O Drama 3 transforma dublagem em direção de cena

Publicado 9 de nov. de 2026
O Drama 3 transforma dublagem em direção de cena

A Fish Audio lançou o Drama 3 em 13 de outubro, e a primeira coisa que a maioria notou foi o tamanho: 35 bilhões de parâmetros, mistura de especialistas, cerca de 3 bilhões ativos por token. A segunda foi o número do benchmark, 93,2% em robustez de pronúncia, contra 88,1% no S2.1 Pro anterior, o suficiente, segundo a empresa, para colocar um modelo de pesos abertos no topo daquela tabela específica.

Os dois merecem um parágrafo e nada mais. O que realmente muda a forma como o trabalho de voz é feito é o formato da entrada.

Você não digita mais uma frase. Você escreve uma nota de cena.

A síntese de voz antiga tinha um trabalho: receber caracteres e devolver áudio. Emoção era algo que você perseguia escolhendo outra voz, mexendo na velocidade e jogando os dados até uma tomada soar certa.

O Drama 3 aceita instruções entre colchetes, em linguagem comum, no meio do roteiro. O exemplo da própria Fish coloca quatro numa única linha: segure o choro e diga que está tudo bem, depois uma respiração trêmula, depois uma risada curta, depois caia para um sussurro. As palavras não mudam. Tudo o que torna a fala atuável mora nos colchetes.

Existe uma segunda camada. Tags em par envolvem palavras isoladas, então um trecho pode ficar plano e uma expressão dentro dele pode ficar ofegante. Suspiros, risadas e pausas entram onde devem entrar, em vez de serem colados na pós-produção.

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

Se você já dirigiu um ator humano, isso vai parecer familiar. É um roteiro com anotações na margem. Se você só usou TTS, é um jeito estranho de trabalhar por uns dez minutos e depois passa a ser o único jeito que você quer usar.

Vários falantes numa única passada

A outra mudança estrutural é que uma geração pode sustentar até dezesseis falantes. Não dezesseis clipes emendados — uma execução, com vozes que continuam distintas e que, segundo a Fish, respondem ao tom umas das outras.

Quem já montou uma cena de diálogo a partir de clipes de TTS separados sabe o que isso elimina. Você deixa de passar uma tarde igualando o tom de sala entre a fala 4 e a fala 5, ou regravando uma troca inteira porque uma voz derivou. Consistência em formato longo é a mesma história: a voz e o ritmo se mantêm ao longo do roteiro em vez de resetar a cada poucos mil caracteres.

83 idiomas, um modelo, sem endpoint por idioma. Trocar de idioma dentro de uma cena é suportado, e é essa a parte que importa para quem localiza o mesmo conteúdo em quatro mercados.

O que isso faz com o custo de mudar de ideia

Aqui está o argumento econômico silencioso. Numa sessão de gravação tradicional, corrigir uma palavra significa regravar a fala, e regravar a fala significa que o tempo, a respiração e o arco emocional mudam um pouco. Então você aceita uma emenda ou refaz a cena.

O Drama 3 traz um recurso de inpainting de áudio que regenera um trecho selecionado sem mexer na atuação em volta. Em teoria, isso derruba o custo de corrigir uma palavra para quase zero.

Na prática, no lançamento, está bloqueado. A cobertura do lançamento diz que o inpainting de palavra única estava em teste por convite, com uma API pública de edição apenas planejada. É o recurso mais valioso do anúncio e provavelmente você ainda não pode usar. A Fish também reconhece que a mesma indicação pode produzir resultados diferentes entre tomadas e recomenda gerar várias e escolher uma — o que mostra que ainda é uma ferramenta que precisa de ouvido humano, não de um botão de um clique.

As três coisas que vão te barrar

Hardware. Em FP8 você precisa de cerca de 48 GB de VRAM numa placa NVIDIA. Sem CPU, sem Apple MPS, sem AMD. Alguém da comunidade conseguiu rodar em 4 bits num Mac em um dia, mas isso é experimentação, não produção. Para a maioria das equipes, o caminho realista é a API ou uma integração de plataforma.

Licença. Os pesos estão no Hugging Face sob a Fish Audio Community License v1.0. Gratuito abaixo de US$ 500 mil de receita anual. Acima disso, você negocia. Se quiser revender como serviço de voz hospedado, é um acordo separado, independentemente da sua receita.

Benchmarks que você não consegue conferir. O número de 93,2% e a colocação de «número um entre pesos abertos» chegam à maioria dos leitores de segunda mão. A página do ranking, a metodologia e o model card não estão todos no mesmo lugar, e a ElevenLabs não se pronunciou. Robustez de pronúncia é algo real e mensurável — nomes, números e palavras estrangeiras lidos corretamente na primeira tentativa — então trate a direção como crível e o ranking exato como provisório.

Como testar de fato

O caminho mais rápido é a API hospedada. Envie o texto mais um reference_id de uma voz clonada, escolha formato e bitrate, receba o áudio. O preço de tabela fica em torno de US$ 15 por milhão de caracteres, com uma tarifa promocional em parte de outubro e novembro. Um podcast de 30 minutos sai perto de quarenta centavos nessa tarifa, o tipo de número que faz você parar de tratar voz como custo fixo.

Se você quer os pesos, comece pelo model card, confira sua VRAM contra o requisito de FP8 e leia a licença antes de construir um produto em cima. O tamanho de 35B não é número de marketing; é o motivo pelo qual isso precisa de uma placa alugada e não de um notebook.

Teste nesta ordem

Se você tem uma hora, gaste nos casos de falha, não nas frases de vitrine.

Comece com uma frase que tenha um nome, um número e uma sigla na mesma oração — exatamente o formato que faz motor de TTS tropeçar. Depois acrescente uma indicação entre colchetes e veja se a correção sobrevive à palavra difícil. Se o nome ainda sai certo, a promessa de pronúncia está fazendo algo real.

Em seguida, rode a mesma fala cinco vezes e escute a variância. A Fish diz que os resultados diferem entre tomadas e sugere gerar várias. Isso é honesto, e também significa que seu fluxo precisa de uma etapa de seleção. Se as cinco tomadas são muito diferentes, a indicação é sugestão, não controle.

Depois tente uma troca de dois falantes em que um personagem interrompe o outro. Geração multi-falante é fácil de demonstrar e difícil de acertar, porque interrupção exige que o modelo modele sobreposição em vez de turnos. É aí que a maioria dos sistemas multi-voz soa como leitura de mesa, não como cena.

Por fim, troque de idioma no meio da cena. Consistência ao longo da mudança de idioma é o recurso que importa se você localiza, e é o que ninguém posta exemplo.

Anote o que quebra. A lista é mais útil que qualquer percentual de benchmark, porque diz quais trabalhos mandar para esse modelo e quais manter na cabine.

Por que este importa mais que a nota

Geração de voz está boa o bastante para narração há uns dois anos. O que ainda não estava boa o bastante era a atuação — a diferença entre ler uma fala e dizer ela de verdade. Essa lacuna era fechada por diretores humanos na cabine e por editores que cortavam em volta das tomadas sem vida.

O Drama 3 não fecha essa lacuna. Ele move os controles para o texto, o que significa que quem escreve o roteiro agora também dirige a leitura. Para um podcast, um jogo, um audiolivro ou um curta dublado, isso é uma mudança real em quem faz o trabalho e quando.

A ferramenta não está pronta. O melhor recurso está atrás de lista de espera, a barra de hardware é alta e o benchmark precisa de confirmação independente. Mas a interface está certa, e interface é a parte que costuma ficar.

Artigos relacionados