AI配音开始会“演戏”了，Fish Audio新模型能听懂导演指令

同一句“我没事”，可以是真没事，也可以是强忍着眼泪说没事。让人工智能读准这三个字，和让它演出其中的情绪，是两道不同的题。

语音生成公司Fish Audio于10月13日发布Drama 3。它把文字转换成语音，重点提升对情绪、语气和台词演绎的控制，并公开模型权重，也就是训练完成后决定模型如何工作的参数，供开发者自行部署。[1-2]

对于短视频、游戏对白和有声书创作者，这次发布最值得关注的，是配音的修改方式：创作者可以像给演员讲戏一样写指令，而不用只在多个随机生成的版本中挑选。

从读出台词 到按要求演出台词

根据官方说明，用户可以在台词中加入自然语言指令，要求声音带着笑意、压低音量，或在一句话中途改变情绪。公司称模型支持83种语言，指令使用的语言也不必与台词相同。[1]

官方发布视频以喜剧角色Uncle Roger（罗杰叔叔）为主角，画面注明声音克隆已获许可。演示中，他要求合成声音把一句点评炒饭的吐槽说得更沮丧，随后又让它换一种语言表达。这些属于公司制作的产品演示，不能据此认定任意文本、口音和语言都能达到同样效果。[3]

视频还展示了一个更接近制作现场的细节：把评价炒饭的“灾难”换成“杰作”，保留前后语音。对于已经剪好画面、配上音乐的作品，局部修改意味着更少的重新对齐和返工。

画面来源：Fish Audio官方发布视频约2分04秒处。图示为产品演示，局部编辑工具仍处于邀请测试阶段。

这里需要区分已经上线与仍在测试的能力。Drama 3的文本转语音已在网页、移动应用及开发接口开放；官方博客将交互式编辑和局部音频重生成列在“即将推出”部分，称相关工具正在小范围邀请测试。普通用户目前不能把演示中的所有编辑功能都视为已经全面开放。[1]

模型可以下载 商用仍有门槛

Drama 3公开权重，并不意味着所有用途都可以免费使用。

按照随模型发布的社区许可，研究和非商业使用免费；满足条件的商业用户，其本人或企业与关联方合计年收入须低于50万美元。将模型作为供他人自行生成语音的托管服务提供时，原则上需要单独取得许可，协议也列有例外和适用条件。[4]

这与下载模型、在自己控制的制作流程中生成成品音频，是不同的使用方式。企业采用前，需要同时评估部署成本、授权条件和声音素材的使用依据。许可也明确限制未经同意模仿可识别自然人声音等行为。[4]

配音竞争开始落到返工成本上

一段演示听起来惊艳，只解决了商业制作的部分问题。长篇作品还要求人物音色稳定、专有名词准确、不同段落衔接自然，以及修改后能够接回原有时间线。

Drama 3指向的机会正在这里：如果用户能精准指定情绪，并只修改不满意的局部，配音工具的价值就可能从“生成一段声音”，延伸到完成整部作品的制作流程。

这也给商业语音平台提出了更具体的竞争要求。音质之外，稳定性、授权、协作和编辑效率，都可能决定创作者最终把作品交给谁。某个新模型的发布，还不足以宣告任何竞争对手的商业壁垒已经消失。

下一步要看的，是这些可控能力能否稳定交付到日常创作中，尤其是局部编辑正式开放后，究竟能替创作者省下多少返工。

参考资料

[1] FISH AUDIO. Fish Audio Drama 3：我们打造的情感表现力最强的文本转语音模型[EB/OL]. (2026-10-13)[2026-10-15].

[2] FISH AUDIO. Fish Audio Drama 3 model card[EB/OL]. [2026-10-15].

[3] FISH AUDIO. Fish Audio Drama 3 is here[EB/OL]. [2026-10-15].

[4] FISH AUDIO. Fish Audio community license agreement: Version 1.0[EB/OL]. (2026-10-13)[2026-10-15].