Fish Audio ra mắt open-weight model Drama 3 hỗ trợ điều khiển ở cấp độ từ

Người dùng nay có thể chỉ định chính xác sắc thái cảm xúc của từng từ trong một đoạn ghi âm giọng nói và chỉnh sửa các bản thu cụ thể mà không cần tạo lại toàn bộ câu. Text-to-speech model Drama 3 dùng các hướng dẫn bằng tiếng Anh thông thường đặt trong ngoặc vuông để điều chỉnh tông giọng, nhịp độ và phong cách, cho phép tạo ra các đặc tính như thì thầm hoặc giọng nói mạnh mẽ. Mô hình của Fish Audio là open-weight và có sẵn qua ứng dụng lẫn API, hỗ trợ tiếng cười, tiếng thở dài và hội thoại đa người nói.

Fish Audio vừa gọi vốn thành công 52 triệu USD ở vòng seed và ghi nhận hơn 15 triệu người dùng. Việc tích hợp mô hình này với SGLang-Omni mang lại thời gian trung bình cho đoạn âm thanh đầu tiên là 89ms trên một GPU H200 duy nhất. Hiệu suất tăng lên mức thông lượng cao hơn 72% và độ trễ thấp hơn 37% ở 256 luồng đồng thời khi chuyển bộ tạo giọng nói sang GPU H200 thứ hai sử dụng cấu trúc topology SPG.