Fish AudioのDrama 3 Previewは、Artificial AnalysisのText to Speechリーダーボードで新たにオープンウェイトのText to Speechモデルとして#1にランクインしました。このモデルは、Pronunciation RobustnessリーダーボードでもEleven v4やEleven v4 Turboを抑えて全モデル中首位に立っています
Drama 3 Previewは、@FishAudioによる新しいオープンウェイトのText to Speechモデルで、音声クローンと自然言語によるコントロールに対応し、多人数の登場人物が登場するシーンや長尺コンテンツ向けに構築されています。ウェイトはFish Audio Community Licenseの下でHugging Faceから入手可能です。
主なポイント:
➤ Pronunciation Robustness: Drama 3 Previewは93.2%を獲得し、91.7%のEleven v4と90.1%のEleven v4 Turboを抑えて#1にランクインしました。Standalone TermsとPreserving Exact Sequencesでは#1、Expanding Shorthandでは#2です。
➤ Provider Voice: Drama 3 Previewは1,857回の出現でElo 1,243（+16/-16）を記録し、#10にランクイン。前モデルのFish Audio S2.1 Pro（1,142）を101ポイント上回りました。
➤ Controlled Voice: Drama 3 Previewは1,804回の出現でElo 1,058（+15/-15）を記録し、#14にランクインしています。
➤ オープンウェイト: Drama 3 Previewは、当社の3つのText to Speechリーダーボードすべてで#1のオープンウェイトモデルです。Pronunciation Robustnessでは、次点のオープンウェイトモデルであるMistralのVoxtral TTS（78.1%）を15ポイント上回り、Provider Voice Arenaでは1,221のBreeze TTS 2を上回っています。Drama 3は、83言語に対応する35Bパラメータのmixture-of-expertsモデル（アクティブ3B）で、Hugging Faceから入手可能です。
➤ 価格: Drama 3 Previewは、Fish Audio API経由で1M文字あたり15ドルで利用可能です。これはS2.1 Proと同じ価格で、1M文字あたり80ドルのEleven v4や1M文字あたり40ドルのEleven v4 Turboと比較されます。
詳細とサンプルの音声は以下からご覧ください 🧵