Fish Audio Drama 3 技术报告
Fish Audio推出开源语音生成模型Drama 3，可将文本转化为按指示演绎的语音。其混合专家模型骨干共350亿参数，每个token激活30亿参数。模型支持根据多个参考样本克隆声音、遵循自然语言指令、在多轮对话中修改演绎、生成多角色场景、通过填补方式编辑语音，以及生成长篇或流式音频。新增功能包括多轮修改、场景配音、填补式编辑和流式文本输入。报告称，该模型在单张H200上每秒生成271帧，高于Fish Audio S2的177帧。模型权重已在GitHub和Hugging Face开放。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。