Fish Audioの「Drama 3 Preview」とは？発音堅牢性1位のTTS

室谷代表取締役

いやー、また音声のリーダーボードが動きましたね。Artificial Analysisが、Fish Audioの新しいテキスト読み上げモデル「Drama 3 Preview」を紹介していて、これがオープンウェイトのTTSで首位、しかも発音の堅牢性では全体1位なんですよ。

テキトー教師DotAI 認定講師

出ましたね。単に「新しいTTSが出た」という話じゃないんですよ。

読み上げの正確さと、演技の指示出しという2つの軸を同時に押し上げてきたのがポイントで。講座でも「音声生成は感情表現が苦手」という話をずっとしてきたので、そこに正面から来たなと。

室谷代表取締役

ですよね。しかもプレビュー版としての公開で、APIももう使える。

価格も既存のS2.1 Proと同じ設定なんですよ。

Drama 3 Previewとは？Fish Audioが公開した新TTSモデル

室谷代表取締役

まず定義から整理すると、Drama 3 Previewは、Fish Audioが2026年10月13日に公開したテキスト読み上げ（TTS）モデルで、複数キャラクターのシーンや長尺コンテンツ向けに作られ、ボイスクローニングと自然言語による演技指示に対応しています。

テキトー教師DotAI 認定講師

ここ大事なんですけど、発表したのはFish Audioで、それを評価したのがArtificial Analysisです。Artificial Analysisがモデルを作ったわけではないですからね。

室谷代表取締役

そうそう。で、Artificial AnalysisのTTSリーダーボードで、Drama 3 Previewはオープンウェイトモデルとして総合1位を獲得した、と。

重みはHugging Faceで、Fish Audio Community Licenseのもとで公開されています。

テキトー教師DotAI 認定講師

ライセンス名は正確に言っておきたいですね。Modified MITではなく、Fish Audio Community License v1.0です。

研究・非商用は無料、商用も一定条件までは無料という形です。

室谷代表取締役

そのあたりは後半で詳しくやりますけど、MYUUUでも音声まわりの検証をよくやるので、これは触ってみたいなと。Hugging Faceの位置づけがあいまいな人は、Hugging Faceとは？できること・料金・商用利用とNVIDIA買収の現在を先に読んでおくと理解が早いです。

テキトー教師DotAI 認定講師

あと、名前の表記も正確に。「Drama 3 Preview」であって、正式版の「Drama 3」とはリリース段階が違います。

プレビューなので仕様が変わる可能性がある、という前提は持っておきましょう。

Drama 3 Previewでできること ― 自然言語での演技指示とマルチキャラクター音声

室谷代表取締役

ここが一番おもしろいところなんですけど、Drama 3 Previewは音声タグを細かく書かなくても、自然言語で演技の指示ができるんですよ。

テキトー教師DotAI 認定講師

そうなんです。公式ブログでは「指示は角括弧に入れて、俳優に言うように書く」と説明されています。

たとえば [barely holding it together, forcing a smile] のような形ですね。

室谷代表取締役

しかも、指示は行の途中でも変えられる。ささやきはささやきのまま、笑いは置いた場所で起きる、読み方が変わる場所で変わる、と。

これは従来のTTSだとかなり難しかった部分です。

テキトー教師DotAI 認定講師

公式の例がわかりやすいんですよ。泣き声、こらえた怒り、笑いをこらえる演技がそれぞれ例示されていて、たとえば [choked up, crying quietly] とか [through gritted teeth, keeping his voice down] みたいに書く。

感情表現が平坦になりがちだった部分に、直接指示を入れられるようになったわけです。

室谷代表取締役

あと、一部の単語だけに指示をかけたいときは <emphasis>…</emphasis> のようなペアのタグで囲む。テキスト読み上げ画面で単語を選んでタグをメニューから選ぶ、という操作も用意されていると。

テキトー教師DotAI 認定講師

マルチキャラクター対応というのも見逃せないです。複数の声のクリップを持たせて、長い台本を扱えるメモリを備えている。

オーディオブック、音声ドラマ、ゲームやアニメの台詞、ショート動画といった「一度作って残す台本」に向いていると公式が書いています。

室谷代表取締役

指示の言語は、話す言語と一致していなくてもいいんですよね。公式では中国語、スペイン語、日本語で書いた指示の例が挙がっていて、83言語に対応と。

これは制作の現場だとかなり効きますよ。

テキトー教師DotAI 認定講師

講座でも受講生さんから「日本語で指示を書いていいのか」という質問が出るんですけど、公式が日本語の指示例を出しているのは大きいですね。

Drama 3 Previewの使い方・始め方 ― Hugging FaceとFish Audio API

室谷代表取締役

使い方の入口は大きく3つです。fish.audio上のText to Speech、Fish Audioアプリ（iOSとAndroid）、そしてAPI。

テキトー教師DotAI 認定講師

整理するとこうです。

• Web: fish.audio の Text to Speech から利用
• アプリ: Fish Audio アプリ（iOS / Android）
• API: 既存のS2.1 Proと同じエンドポイントで、modelヘッダを drama-3 に変えるだけで切り替え可能
• 自前実行: Hugging Faceで重みを取得、コードはGitHubで公開

室谷代表取締役

APIの切り替えが1ヘッダーで済むというのは、既にS2.1 Proを組み込んでいる開発者にとってはかなり大きいですよ。

テキトー教師DotAI 認定講師

公式のcurlの例だと、model: drama-3 のヘッダーを付けて、text にタグ込みの台本をそのまま入れる形になっています。reference_idで参照音声を指定して、formatでmp3などを指定する。

室谷代表取締役

自前で動かす場合はライセンスの確認が必須です。Fish Audio Community License v1.0は、研究・非商用は無料、商用も本人と関連会社の年間売上が50万ドル未満なら無料。

それを超える場合や、Drama 3をTTS・ボイスクローニング・推論サービスやAPIとして第三者に提供する場合は、Fish Audioからライセンスを取得する必要があります。

テキトー教師DotAI 認定講師

あと、本人の同意なく実在の人物の声をクローニングする行為はライセンスで禁止されています。ここは講座でも必ず触れるようにしています。

室谷代表取締役

ライセンスの細かい条件は、Fish Audioの料金と無料で使える範囲、商用利用の条件をまとめて解説で整理しているので、あわせて確認しておくといいですよ。

Drama 3 Previewの料金と提供範囲 ― 日本語は使える？

室谷代表取締役

料金なんですけど、Artificial Analysisのリーダーボードでは、Drama 3 PreviewはFish Audio APIで100万文字あたり15ドルと表示されています。S2.1 Proと同じ価格ですね。

テキトー教師DotAI 認定講師

ただし、公式ブログにはローンチオファーが書かれていて、2026年10月13日から11月12日まで、Drama 3のAPIは100万文字あたり10ドル、通常50ドルの80%オフとされています。ここは期間限定なので混同しないようにしたいですね。

室谷代表取締役

クリエイター向けプランも、同じ期間にPlus、Pro、Maxの新規プランが50%オフ。月額プランなら初月、年額プランなら初年が対象と。

あと、ローンチ投稿に48時間以内にコメントすると、Fish Audio Plusが1か月無料になるキャンペーンもあったようです。

テキトー教師DotAI 認定講師

日本語対応の話も整理しておきましょう。Drama 3は83言語に対応していて、公式ブログには日本語で書いた演技指示の例も掲載されています。

室谷代表取締役

ただ、Artificial Analysisの発音堅牢性のベンチマークは英語で測られている点は注意ですね。日本語の読み上げ品質を同じ指標で保証しているわけではないので、そこは自分で試すのが確実です。

テキトー教師DotAI 認定講師

提供範囲としては、Web、iOS/Androidアプリ、APIが同日から利用可能。重みはHugging Face、コードはGitHubで公開されています。

発音堅牢性93.2%で1位 ― Eleven v4を上回った意味

室谷代表取締役

ここが今回のニュースの核心です。発音堅牢性、つまり難しい単語や数字、コードを正しく読めるかを測る指標で、Drama 3 Previewは93.2%を記録して全体1位。

Eleven v4の91.7%、Eleven v4 Turboの90.1%を上回りました。

テキトー教師DotAI 認定講師

この指標、単に「読み上げがうまい」という話じゃないんですよ。4つのカテゴリに分かれていて、それぞれ意味が違う。

テキトー教師DotAI 認定講師

整理するとこうです。

• Standalone Terms（固有名詞・専門用語）: ブランド名、地名、技術用語を正しく読めるか。Drama 3 Previewは95.9%で1位
• Preserving Exact Sequences（記号列の保持）: コード、パス、メールアドレスなどを正確に読めるか。86.3%で1位
• Expanding Shorthand（略記の展開）: 数字、日付、単位、記法を自然に読めるか。93.6%で2位
• Contextually Appropriate（文脈依存の読み分け）: 同じ綴りでも文脈で読みが変わる語。95.3%

室谷代表取締役

特に効くのが、固有名詞と文脈依存の読み分けですよ。Fish AudioのS2.1 Proは固有名詞87.3%、文脈依存86.1%だったのが、Drama 3 Previewではそれぞれ95.9%、95.3%まで上がっている。

テキトー教師DotAI 認定講師

記号列も79.4%から86.3%に改善しています。ファイルパスやメールアドレスを正確に読ませたい用途では、この差は実務で効いてきますね。

室谷代表取締役

公式ブログでも、S2.1 Proとの比較表が公開されていて、全体で88.1%から93.2%への改善と説明されています。

テキトー教師DotAI 認定講師

ここで注意したいのは、Artificial Analysisの指標は英語で測られているという点と、各モデルは単一の音声で測定されているという点です。多言語の品質をそのまま保証する数字ではないので、そこは正確に伝えたいですね。

室谷代表取締役

あと、このベンチマークのプロンプトは正規化なしでそのままモデルに送られ、モデルがテキスト正規化の設定を持つ場合はデフォルトが使われる、という測定条件も公開されています。評価の前提を押さえておくと、数字の意味が読み解きやすくなります。

テキトー教師DotAI 認定講師

実際のサンプルも公開されています。たとえば「Revenue from the capital markets business, which houses its trading desks, rose 7.1% to $892.2 million from the previous quarter.」のような、数字と金融用語が混ざった文。

テキトー教師DotAI 認定講師

もう一つが「Your gut microbiome contains trillions of bacteria that influence digestion, immunity, and even mental health through the gut-brain axis.」という、専門用語を含む文です。

室谷代表取締役

こういう文を読み間違えると、長尺の制作では章ごと再生成になるわけですよ。だから発音の堅牢性は地味だけど効くんですよね。

オープンウェイト首位の実力 ― 35B MoEモデルの立ち位置

室谷代表取締役

で、Drama 3 Previewはオープンウェイト部門でも首位なんですけど、ここは数字を正確に見ておきたい。

テキトー教師DotAI 認定講師

まず、Artificial AnalysisのProvider Voice ArenaでのEloは1,243（±16）、登場回数1,857回で総合10位。SpeechifyのSimba 3.2が1,245で、そのすぐ後ろ、Breeze TTS 2の1,221より前、という位置づけです。

テキトー教師DotAI 認定講師

前モデルのFish Audio S2.1 Proが1,142だったので、101ポイントの上昇。これはかなり大きいですね。

室谷代表取締役

全体首位はEleven v4 TurboでElo 1,330。なので「総合1位」ではなく「オープンウェイト部門1位」と「発音堅牢性1位」と正確に言う必要があります。

テキトー教師DotAI 認定講師

そこは誤読されやすいところなので、丁寧に。オープンウェイト勢の中では、発音堅牢性で2番手のMistralのVoxtral TTSが78.1%なので、Drama 3 Previewは15ポイント差をつけている。

Provider Voice ArenaでもBreeze TTS 2の1,221を上回っています。

室谷代表取締役

モデル構成も公開されていて、Drama 3は35Bパラメータのmixture-of-experts（MoE）で、1トークンあたり約3Bがアクティブ、83言語対応。Qwen3.5-35B-A3Bの言語モデルから初期化されていると。

テキトー教師DotAI 認定講師

アーキテクチャの説明も技術レポートに詳しく書かれています。40層をGated DeltaNet 3層＋gated full-attention 1層のブロックで組むハイブリッドアテンション、codebook-MTPデコーダ、部分的なcodebook fusion、トークナイザはS2から変更なしでDescript Audio Codecベースの44.1kHz、10コードブック、約21.5フレーム/秒。

室谷代表取締役

推論速度も書かれていて、H200 1台で毎秒271フレーム、S2が177フレームだったので、パラメータが7倍以上あるのに速くなっていると。

テキトー教師DotAI 認定講師

学習の方も興味深いんですよ。3段階の事前学習、指示ファインチューニング、そしてRL。

RLは人間の選好を学習した報酬モデル1つだけで、ルールベースの報酬は使っていない。GRPOでKLペナルティなし、1ステップあたり1,536プロンプト×8テイク。

室谷代表取締役

この「選好モデル1つだけ」という設計が、笑いやささやきを罰しない仕組みにつながっていると公式は説明しています。従来は文字起こしのしやすさや参照クリップとの類似度に報酬が置かれていて、そこが笑いやささやきを減点していた、と。

テキトー教師DotAI 認定講師

このあたりの評価指標の考え方は、Artificial Analysis Decision Indexとは？決定モデルを評価する新指標で扱っている評価の話とも通じますね。

室谷代表取締役

今後の予定も公式に書かれていて、Interactive EditingとAudio Inpaintingという2つの編集ツールが小規模な招待制テスト中、編集APIも近日提供予定と。Interactive Editingは「前のテイクより柔らかく」のような相対的な指示もできる、と説明されています。

テキトー教師DotAI 認定講師

Audio Inpaintingは、気に入ったテイクの一部の単語だけを差し替える機能ですね。台本が変わったときに、その単語だけを前後の声・感情・ペースに合わせて再生成する。

長尺制作ではかなり嬉しい機能です。

室谷代表取締役

ただし、これらは現時点では招待制のテスト中なので、誰でもすぐ使えるわけではない点は押さえておきましょう。

よくある質問

室谷代表取締役

ここからは、よく聞かれるポイントを整理していきます。

テキトー教師DotAI 認定講師

まず「Drama 3 Previewとは何か」。Fish Audioが2026年10月13日に公開したTTSモデルで、複数キャラクターのシーンや長尺コンテンツ向け、ボイスクローニングと自然言語での演技指示に対応しています。

室谷代表取締役

「Drama 3 Previewの使い方」は、fish.audioのText to Speech、Fish Audioアプリ（iOS / Android）、APIの3つが入口。APIは既存のS2.1 Proと同じエンドポイントで、modelヘッダを drama-3 に変えるだけで切り替えられます。

テキトー教師DotAI 認定講師

「Drama 3 Previewの料金」は、Artificial Analysisのリーダーボード上ではFish Audio APIで100万文字あたり15ドル。公式ブログでは2026年10月13日から11月12日まで、APIが100万文字あたり10ドル（通常50ドルの80%オフ）のローンチオファーが案内されています。

室谷代表取締役

「Drama 3 Previewの日本語」は、Drama 3が83言語に対応していて、公式ブログに日本語で書いた演技指示の例も掲載されています。ただし、Artificial Analysisの発音堅牢性のベンチマークは英語で測られている点は補足しておきたいですね。

テキトー教師DotAI 認定講師

「Fish Audio Drama 3 Preview」の立ち位置としては、Artificial AnalysisのTTSリーダーボードでオープンウェイトモデルとして総合1位、発音堅牢性で全体1位（93.2%）です。

室谷代表取締役

「Drama 3 Preview Hugging Face」は、重みがHugging Faceで公開されていて、ライセンスはFish Audio Community License v1.0。研究・非商用は無料、商用も本人と関連会社の年間売上が50万ドル未満なら無料です。

テキトー教師DotAI 認定講師

「Drama 3 Previewはオープンソースか」という質問もよく来ますが、正確にはオープンウェイトで、ライセンスには商用利用の条件と、同意のない実在人物の声のクローニング禁止が含まれています。

室谷代表取締役

「Drama 3 Previewの従来モデルとの違い」は、S2.1 Proと比べて発音堅牢性が88.1%から93.2%に改善、Provider Voice ArenaのEloも1,142から1,243へ101ポイント上昇しています。

テキトー教師DotAI 認定講師

「Drama 3 Previewは正式版か」については、名前のとおりプレビュー版としての公開なので、仕様が変わる可能性はあります。正式版の提供時期については、現時点では明らかにされていません。

室谷代表取締役

あと、Interactive EditingとAudio Inpaintingは招待制のテスト中で、編集APIは近日提供予定と公式に書かれていますが、具体的な提供時期は現時点では明らかにされていません。

テキトー教師DotAI 認定講師

まとめると、Drama 3 Previewは「発音の正確さ」と「演技の指示出し」という、これまで別々に扱われがちだった2つの課題に同時にアプローチしてきたモデル、というのが今回のニュースの本質ですね。

室谷代表取締役

そうですね。オープンウェイトで、APIも既存のエンドポイントのまま切り替えられる。

制作の現場で試しやすい形になっているのは大きいですよ。MYUUUでも早速触ってみます。