要点
Fish Audio Drama 3 は、現時点でダウンロードできる最高のオープンウェイト・テキスト読み上げモデルです。俳優に指示を出すように1行を演出できる、私が初めて見たモデルでもあります:[barely holding it together] I'm fine. Artificial Analysis の発音テストで93.2%の1位となり、Eleven v4 を上回りました。
注意点は3つあります。聴き手が好みの声を選ぶ場面では1位ではなく10位であること。無料の商用ライセンスは年間収益50万米ドルまでであること。そしてAPIの100万文字あたり10ドルは80%のローンチ割引で、11月12日以降は50ドルに戻ることです。
1行をレンダリングしてベストテイクを選び、次に進めるオーディオブック、オーディオドラマ、ゲーム、ショート動画に向いています。テイクごとのばらつきが響く、大量のライブ音声には向きません。そして音声の元になる作業が文章そのものなら、eesel のAIブログライターの出番です。Drama 3 のようなモデルが読み上げる、調査済みの台本を作ります。
Fish Audio Drama 3 とは?
Drama 3 は Fish Audio の新しいテキスト読み上げモデルで、2026年10月13日に fish.audio のウェブアプリ、iOS と Android のアプリ、APIで公開されました。プレビュー版は 9月23日に drama-3-preview の名前でAPIユーザーに配信され、ランディングページには今も「Preview」バッジが付いています。
私は毎日 eesel のサポートキューを担当しており、その仕事の大半は、デモで映えるツールと100回目の実行でも耐えるツールを見分けることです。eesel は何年もライブの顧客キューにAIを導入してきましたが、最大の教訓は、自信ありげな出力でも間違っていることがあるという点で、だからこそ eesel の導入はすべて過去のチケットで先にシミュレーションします。Drama 3 も同じ視点で見ました。ローンチ動画の先にあるドキュメント、技術レポート、料金ページ、そして最初のコミュニティの反応までです。
主要な事実は、すべて Fish Audio 自身のページからのものです。
- 83言語に対応し、指示は台詞とは別の言語で書けます(ローンチ記事)。
- 新しい Fish Audio Community License v1.0 のもと、Hugging Face でオープンウェイトとして公開。ハブが初めてなら、Hugging Face ガイドで基本を押さえられます。
- 350億パラメータのMixture-of-Expertsで、トークンあたり約30億が稼働。技術レポートによると、Qwen3.5-35B-A3B の言語モデルから初期化されています。
- S2.1 Pro と同じAPIエンドポイントなので、切り替えはヘッダー1つ:
model: drama-3。
Fish Audio 自身も、確かな実績を持つ若い会社です。2025年に設立され、ローンチのプレスリリースで年間経常収益2100万ドル、1500万人超のユーザーを報告し、HeyGen、Runway、Vercel を顧客として挙げています。
1行を演出するとはどういうことか
ここが、多くの人が知る ElevenLabs や OpenAI の音声API のワークフローと Drama 3 が違う点です。決まった感情プリセットの一覧から選ぶ代わりに、ト書きを台本に直接書き込みます。
Drama 3 のドキュメントには5つの手段が書かれており、すべてを1行に混ぜて使えます。
| やりたいこと | 書き方 | 例 |
|---|---|---|
| 話し方を決める | 角括弧の中にやさしい言葉 | [slow, dangerously quiet] Just one. |
| 音や間を置く | 起こる位置に角括弧 | I'm fine. [shaky breath] Really. |
| 一部の単語だけ変える | 対のタグ:<whisper>、<emphasis>、<soft>、<fast>、<slow>、<stress>、<forceful> | <whisper>Go on without me.</whisper> |
| 行の途中で言語を切り替える(実験的) | 言語タグ | <french>Je voudrais une table pour deux</french> |
| 発音を固定する | 音素タグ(CMU Arpabet、ピンイン、ローマ字) | <|phoneme_start|>EH1 N JH AH0 N IH0 R<|phoneme_end|> |
シーン全体を1回のリクエストで処理できます。話者ごとに1つの音声IDを reference_id に渡し、各発話を <|speaker:0|>、<|speaker:1|> のように始めます。モデルカードによると、1つのテキストに最大16人の登場人物を入れられます。ウェブアプリでは、Auto Tag ボタンがシンプルな台本に最初の指示案を書いてくれるので、ト書きを書いたことがない人にもよい入口です。
ドキュメントにある落とし穴は、どこかに書き留めておく価値があります。model ヘッダーがない、またはスペルが違うと、リクエストは失敗せず、静かに s2.1-pro にフォールバックします。音声は返り、課金もされますが、Drama 3 は一度も使われません。演出した行が単調に聞こえたら、モデルを疑う前にヘッダーを確認してください。
Drama 3 の強み
際立つ点は3つあり、雰囲気ではなく測定できるものです。
難しい単語を正しく読む
感情が増しても、言葉が崩れなければ意味があります。Artificial Analysis の Pronunciation Robustness テストでは、人間のレビュアーがブランド名、数字、コード、文脈で読みが変わる単語を確認しますが、Drama 3 は93.2%でボード1位となり、Eleven v4 の91.7%、Eleven v4 Turbo の90.1%を上回りました。
Fish Audio のローンチ記事のカテゴリ別の内訳を見ると、前モデルからの伸びがどこから来たかが分かります。
| 読み上げる対象 | Drama 3 | S2.1 Pro |
|---|---|---|
| ブランド、地名、専門用語 | 95.9% | 87.3% |
| 文脈で読みが変わる単語 | 95.3% | 86.1% |
| 数字、日付、単位 | 93.6% | 92.7% |
| コード、ファイルパス、メールアドレス | 86.3% | 79.4% |
| 全体 | 93.2% | 88.1% |
「Chapter XVII」と読むオーディオブックや、SKUだらけの製品解説では、ブランドと専門用語での8.6ポイントの向上が、1回のレンダリングで済むか3回かかるかの差になります。
行の途中でも演出を受け付ける
Fish Audio は Drama 3 を従来のモデルとは違う方法で学習させました。音声モデルは通常、書き起こしやすいこと、参照クリップに近いことで報酬を受けるため、笑いやささやきが静かに不利になります。ローンチ記事によると、Drama 3 は人がどのテイクを好んだかを学習した単一の報酬モデルで調整されています。実際には、息を切らして始まり、ささやきに落ち、最後は深刻に終わる1行が可能で、読みは角括弧を置いた位置で切り替わります。
1回のパスで複数キャラクターのシーンも生成でき、まさにそのために ComfyUI は初日にパートナーノードとして提供しました。AI動画やポッドキャストの台本を書くなら、クリップごとにスライダーを調整するより、台本ファイル自体に感情を書き込めるほうがすっきりしたワークフローです。
実際にダウンロードできる
オープンウェイトであることが、RedditのTTS好きが盛り上がった理由です。Fish Audio は重みと、GitHub のコード、SGLang-Omni のサービング手順を公開しており、モデルカードは H200 1基での単一ストリームで最初の音声まで88.9msと報告しています。Artificial Analysis は、3つのTTSリーダーボードすべてでオープンウェイト1位と位置づけ、発音では Mistral の Voxtral TTS を15ポイント引き離しています。
"After getting banned on Eleven Labs three times, I'm so happy something like this is finally open weight. It's fast and sounds great."
同じユーザーは Claude Opus 5.5 の助けを借りて、RTX 3090を2枚、約39GBのVRAMで動かしました。コンシューマー向けハードウェアでも可能ですが、ワンクリックでインストールできるわけではないことも分かります。
Drama 3 の弱点
どれも致命的ではありません。ローンチ動画では触れられていない点で、本番パイプラインを賭ける前に知っておきたいことです。
最高のオープンモデルであって、最高の音質ではない
1位という見出しは発音の正確さの話です。Artificial Analysis が聴き手にどの声が好みかを尋ねると、状況は変わります。
Provider Voice アリーナでは、Drama 3 は1,857戦で Elo 1,243、10位で、Artificial Analysis のスレッドによれば Speechify の Simba 3.2 のすぐ後ろです。S2.1 Pro から101ポイントの上昇で、大きな前進です。それでも全体的な声の品質のブラインド比較では9つのモデルがより多く勝っており、Controlled Voice アリーナでは14位です。Reddit でも全員が納得したわけではありません。
"barely better than breeze with nearly 10x the size"
テイクにばらつきがあり、編集ツールはまだない
Fish Audio はこの点を率直に認めています。ローンチ記事には「Takes vary, so render a few and keep the one that plays」とあり、ランディングページのFAQも Preview ラベルを同じように説明しています。1章を一度だけレンダリングするナレーターなら問題ありません。何千行も自動生成し、最良のテイクを選ぶ人がいない場合は、実際のコストになります。
その大半を解決する2つの機能、つまり対話的な編集(「softer than that one」)と、承認済みテイクの中の1語だけを再生成するオーディオ・インペインティングは、招待制のテスト中で、編集APIは「coming soon」とされています。
ライセンスには天井があり、ハードウェアには下限がある
Fish Audio Community License が商用利用で無料なのは、あなたと関連会社の年間収益が50万米ドル未満の間だけです。それを超える場合や、Drama 3 を他者に音声APIとして提供したい場合は、有料ライセンスが必要です。Fish Audio 自身のFAQも「open-weight rather than open source」と呼んでおり、コミュニティもそこに気づきました。
"Lame license."
ライセンスは実在の人物の声を同意なしにクローンすることも禁じており、これは長所だと私は考えます。ハードウェアについては、スレッドの投稿者は48GBのCUDAカードを目安とし、コミュニティの4ビット量子化版で32GBまで下がります。いずれにせよ、ノートPC向けのモデルではありません。
Fish Audio Drama 3 の料金
支払い方法は2つあります。テキスト量で課金される開発者向けAPIと、クレジットで課金されるウェブアプリのクリエイター向けプランです。崖があるのはAPI価格のほうです。
| APIモデル | 価格 | 単位 | 出典 |
|---|---|---|---|
| Drama 3、ローンチ特価(2026年10月13日から11月12日) | $10 | 100万文字あたり | ローンチ記事 |
| Drama 3、定価 | $50 | 100万文字あたり | ローンチ記事 |
| S2.1 Pro | $15 | 100万UTF-8バイトあたり | APIの料金ドキュメント |
| S2.1 Pro Free | $0 | 100万UTF-8バイトあたり | APIの料金ドキュメント |
注意点が2つあります。1つ目は、10月14日時点で公式の料金ドキュメントの表には drama-3 がまったく載っておらず、Fish Audio がこの数字を示しているのはローンチ記事だけだということです。2つ目は、定価では Drama 3 のコストは S2.1 Pro の3.3倍で、11月12日以降は声ではなく演技に割増料金を払うことになる点です。Fish Audio のドキュメントでは、100万UTF-8バイトは英単語約18万語、約12時間分の音声に相当し、英語テキストでは1文字が1バイトなので単位は一致します。
月間の自分の量を入力して、11月12日の変更がどこに響くかを確かめてください。
具体例です。9万語の小説は約50万文字です。1回ナレーションすると、Drama 3 のローンチ価格で約5ドル、定価で25ドル、S2.1 Pro で7.50ドルです。ベストテイクを選ぶために各章を3回レンダリングすれば、これらは3倍になります。個人のクリエイターなら今でも安く済みますが、毎月何百万語も音声化するプラットフォームでは、定価で予算を組む必要があります。
クリエイター向けでは、Fish Audio によれば Drama 3 は S2.1 Pro と同じクレジットを使い、プランのページでは音声1分あたり約600から625クレジットです。
| プラン | 月額定価 | 初年度・年払い(ローンチ特典) | 月あたりのクレジット | 月あたりの音声 | 1回の生成あたりの文字数 | 知っておきたい点 |
|---|---|---|---|---|---|---|
| Free | $0 | $0 | 8,000 | 最大7分 | 500 | 音声クローンなし、商用利用不可 |
| Plus | $15 | $66 | 250,000 | 最大200分 | 15,000 | 商用利用、Voice Design、プロ向けボイス枠1つ |
| Pro | $100 | $450 | 2,000,000 | 最大1,620分 | 30,000 | チーム席3、プロ向けボイス枠5 |
| Max | $999 | $4,494 | 25,000,000 | 最大6,250分 | 30,000(Proと同じ) | チーム席10、プロ向けボイス枠15 |
| Enterprise | 個別見積もり | 個別見積もり | 個別見積もり | 個別見積もり | 個別見積もり | ゼロデータ保持、オンプレミス、SOC 2 |
11月12日まで、新規の Plus、Pro、Max は、月払いなら初月、年払いなら初年度が50%オフです。未使用のクレジットは繰り越されません。他の音声プロバイダーから乗り換える企業は、プレスリリースによると最初の3か月が無料です。
Drama 3 を他と比べると
比較対象になりやすい音声モデルとの位置づけです。発音スコアは同じ Artificial Analysis のリーダーボードのもので、各競合の価格は私の解説記事へのリンクをご覧ください。
| モデル | 発音(AA) | オープンウェイト | レビュー | 料金 |
|---|---|---|---|---|
| Fish Audio Drama 3 | 93.2%(1位) | あり、収益上限付きライセンス | いまお読みの記事 | ローンチ $10 / 定価 $50(100万文字あたり) |
| Eleven v4 | 91.7% | なし | ElevenLabs のレビュー | Eleven v4 の料金 |
| Gemini 3.8 Flash TTS | 89.5% | なし | Gemini TTS のレビュー | Gemini TTS の料金 |
| Fish Audio S2.1 Pro | 88.1% | S2ファミリー、研究用ライセンス | 上で解説 | 100万バイトあたり $15、無料枠あり |
表に収まらない注記が2つあります。Gemini 3.8 Flash TTS は文脈で読みが変わる単語で Drama 3 を上回る(97.9%対95.3%)ので、台本に「read」や「lead」のような単語が多いなら両方試してください(AAのスレッド)。また、現在 ElevenLabs を使っているなら、私の ElevenLabs の料金の解説が公平な比較の基準になります。
用途がレンダリング済みの台本ではなくリアルタイム音声エージェントなら、比較対象はまったく変わります。まずはレイテンシを軸にした私の Cartesia Sonic 3 レビューから始めてください。Grok Voice Think Fast 2 の記事は、音声から音声への側面を扱っています。
感情主導の音声なら、Hume AI も見ておく価値のある名前で、Hume AI の料金の記事に数字があります。音声モデルと文字起こしモデルのどちらにするか迷っているなら、Whisper と TTS API の違いで整理できます。
Drama 3 を使うべき人、見送るべき人
Fish Audio は自社の得意分野について珍しいほど正直です:「Drama 3 does its best work on scripted lines you render once and keep.」私はこれを額面どおりに受け取ります。
使うべき人:
- オーディオブックやオーディオドラマの制作者。 台本内での演出、トップクラスの発音、1回のパスでの複数キャラクターのシーンは、まさにあなたのワークフローです。
- ゲームやアニメーションのスタジオ。 行ごとの演出と単語単位のタグは再録音に勝り、収益上限未満ならオープンウェイトで社内運用もできます。
- ショート動画のクリエイター。 ウェブアプリの Auto Tag と50%のローンチ割引で、気軽に試せます。映像面では HeyGen のようなアバターツールが合います。残りのスタックは、私の AIコンテンツ制作のガイドで扱っています。
- セルフホスト可能な声がほしい開発者。 現在 Artificial Analysis で最も強力なオープンの選択肢で、サービング手順も公開されています。
見送る、または待つべき人:
- 大量のライブ音声を運用している人。 テイクごとのばらつきと、S2.1 Pro に対する定価3.3倍の割増により、S2.1 Pro かリアルタイムモデルのほうが合います。私のおすすめAI音声エージェントのリストで紹介しています。
- 収益が50万米ドルを超え、セルフホストを考えている企業。 先に商用ライセンスの話し合いを予算に入れてください。
- シンプルなナレーションだけが必要な人。 S2.1 Pro はプレーンテキストをよく読み、コストも低いので、使わない演技にお金を払うことになります。
カスタマーサポート向けの音声を検討してここに来たなら、サポート側の仕事からの注意点です。難しいのは声であることはまれです。表現豊かな声が間違った回答を読んでも、間違った回答のままです。だからこそ、パフォーマンス系モデルに手を伸ばす前に、サポートにおけるAIのハルシネーションを読み、Decagon Voice 3 のような専用設計のサポート向けAI音声エージェントを見ることをおすすめします。
文章を音声にするチームのための eesel
Drama 3 は音声モデルです。渡されたものを見事に読み上げますが、何を話す価値があるかは決めません。ブログ記事をナレーション音声、ポッドキャスト、動画の台本に変えるなら、ボトルネックは多くの場合その一歩手前、つまり調査済みで正確な台本をまず用意することにあります。
それが eesel のAIブログライターの仕事です。一次情報からテーマを調べ、ブランドの文体で長文記事を書き、画像を生成し、そのまま公開できる、あるいは Drama 3 にそのまま渡せる下書きを届ける、AIチームメイトです。分担はこう考えてください。Drama 3 は演者で、eesel は雇ったライターです。実際の出来は私の AIブログライターのレビューで、コンテンツの再活用にどう組み込めるかも確認できます。
演出する価値のある台本がほしいですか?次の記事を eesel で書き、準備ができたら料金をご確認ください。eesel を試す。