Fish Audio在arXiv技术报告中发布开源语音生成模型Drama 3，称其能把文本转成带有“导演指令”的表演。模型基于350亿参数的混合专家（MoE）主干，每个token激活30亿参数，支持多参考音频的音色克隆、自然语言指令控制，并新增多轮改稿、多角色场景配音、通过填充（infilling）编辑已有语音和流式文本输入。报告称Drama 3采用混合线性注意力主干与新的码本多token预测音频解码器，训练流程包括三阶段预训练、指令微调和以单一人类偏好学习模型为唯一奖励的大批量强化学习。作者表示权重已在GitHub和Hugging Face发布，推理可通过SGLang-Omni运行；报告还称单张H200上单流解码速度为271帧/秒，Fish Audio S2为177帧/秒。