Fish Audio Drama 3 slår ElevenLabs på engelsk uttale

Fish Audio Drama 3 topper en uavhengig test av engelsk uttale foran ElevenLabs, samtidig som modellen kan styre følelser, flere stemmer og lange scener. Det er en kombinasjon som fortjener oppmerksomhet fra alle som lager lydbøker, dubbing, spilldialog, podkast eller stemmer til AI-agenter.

Men overskriften trenger to viktige presiseringer. Drama 3 slår ikke nødvendigvis ElevenLabs på alt. Den leder på en bestemt uttaletest, mens Eleven v4 Turbo fortsatt ligger øverst på den samlede kvalitetsrangeringen hos samme testmiljø. Og «gratis» betyr åpne modellvekter med lisensgrenser – ikke fri kommersiell bruk for enhver bedrift og heller ikke gratis maskinvare.

Likevel er dette et skikkelig spennende modellslipp. Drama 3 er laget for å behandle en stemmeinnspilling mer som en fremføring du kan regissere enn som en lydfil du må godta. Du kan beskrive følelsen i vanlig språk, legge inn lyder og pauser og bruke flere rollefigurer. Fish Audio viser også redigering av små deler uten å kaste resten av opptaket, men den funksjonen er foreløpig bare i en liten, invitasjonsbasert test.

Hva er Fish Audio Drama 3?

Fish Audio Drama 3 er en tekst-til-tale-modell med 35 milliarder parametere, hvor omtrent 3 milliarder er aktive for hvert token. Den støtter 83 språk, stemmekloning, opptil 16 rollefigurer i samme tekst og styring med instrukser skrevet i vanlig språk. Modellen er bygget for scener og lengre innhold, ikke bare korte opplesninger.

Ifølge det offisielle modellkortet for Drama 3 bruker modellen en Mixture of Experts-arkitektur. Det betyr at alle de 35 milliardene parameterne ikke jobber samtidig. Bare en relevant del aktiveres under genereringen. Det kan gi mer kapasitet uten at beregningskostnaden vokser like mye som i en tett modell med samme totale størrelse.

Navnet Drama er ganske presist. Du kan sette inn instrukser som [whisper], [angry] eller [laughing], beskrive en følelse med en vanlig setning og avgrense effekten til bestemte ord. Én tekst kan inneholde høyst 16 stemmer merket fra <|speaker:0|> til <|speaker:15|>. Dermed kan en hel dialog genereres i sammenheng i stedet for at hver replikk må lages separat og limes sammen etterpå.

Slår Drama 3 virkelig ElevenLabs?

Ja, på uttaletesten Pronunciation Robustness gjør Drama 3 det best med 93,2 prosent korrekt uttale. Testen måler vanskelige engelske navn og faguttrykk, ord som uttales ulikt etter sammenhengen, forkortelser, datoer, enheter og eksakte sekvenser som e-postadresser og filstier. Menneskelige lyttere vurderer de markerte delene av hvert lydklipp.

Artificial Analysis beskriver metoden som en engelsk test der hver modell måles med én stemme. Teksten sendes inn uten at testselskapet normaliserer den først, og hvert klipp vurderes av opptil tre uavhengige personer. Det er altså en langt mer konkret påstand enn at noen i markedsavdelingen syntes lyden var fin.

Fish Audio oppgir delresultater på 95,9 prosent for navn, steder og tekniske uttrykk, 95,3 prosent for ord som må tolkes ut fra sammenhengen, 93,6 prosent for tall, datoer og enheter og 86,3 prosent for eksakte sekvenser. Det svakeste området er med andre ord fortsatt koder, filstier og e-postadresser. 86,3 prosent er bra, men ikke et tall jeg ville overlatt korrekturlesingen til.

Det er også her «slår ElevenLabs» må holdes innenfor rekkverket. Resultatet gjelder uttalerobusthet på engelsk. Artificial Analysis oppgir samtidig Eleven v4 Turbo som modellen med høyest samlet Quality Elo. Drama 3 kan derfor være bedre til å lese vanskelige tekstbiter riktig uten at det automatisk betyr at stemmen er mer naturlig, bedre på norsk eller foretrukket av lyttere i alle typer innhold.

For norske brukere er det viktigste hullet at lanseringsmaterialet ikke dokumenterer en tilsvarende norsk uttaletest. Støtte for 83 språk er lovende, men et tall på en språkliste sier lite om hvordan modellen håndterer norske navn, dialekter, sammensatte ord og blandingen av bokmål og engelske tech-termer. Det må testes med teksten du faktisk skal bruke.

Hva kan du styre i en fremføring?

Drama 3 lar deg gi instrukser til hele replikken eller bare noen få ord. På Fish Audios interaktive Drama 3-side kan du beskrive hvordan en replikk skal sies, legge inn lyder og pauser eller pakke en bestemt del inn i en tagg for eksempelvis hvisking eller lavere tempo. Instruksjonen kan skrives på et annet språk enn selve replikken.

Fish Audio demonstrerer også interaktiv redigering i flere runder. Hvis første forsøk nesten sitter, kan du be om en mykere eller tristere variant med den forrige genereringen som sammenheng. Men per 14. oktober er denne funksjonen ikke åpnet for alle. Den testes med en liten, invitert gruppe, og et redigerings-API skal komme senere. I den vanlige tjenesten må du foreløpig endre instruksen og generere replikken på nytt.

Det samme gjelder audio inpainting. Fish Audio viser et eksempel der «Wednesday» byttes til «Thursday», mens stemmen og overgangene før og etter endringen beholdes. Alle som har måttet regenerere et langt stemmespor fordi ett ord ble feil, skjønner verdien av dette. Men også inpainting er foreløpig en forhåndsvisning for inviterte, ikke en funksjon du kan regne med i den åpne tjenesten i dag.

Lang tekst deles automatisk i biter og kan strømmes bit for bit. I en scene kan modellen holde flere rollefigurer samlet i samme generering. Det gjør Drama 3 særlig relevant for lydbøker, spill, animasjon, dramatiserte podkaster og dubbing – innhold der rytme og samspill betyr minst like mye som en pen enkeltstemme.

Hvor krevende er Drama 3 å kjøre lokalt?

Drama 3 krever minst 48 GB GPU-minne i FP8 på NVIDIA-maskinvare. Den offisielle serveringsoppskriften bruker SGLang-Omni og CUDA. Dette er altså åpne vekter, men ikke en modell de fleste drar i gang på en vanlig PC.

Maskinvarekravet er den store praktiske haken. En kraftig forbruker-GPU med 24 GB minne er ikke nok alene etter de offisielle kravene. Fish Audio anbefaler SGLang-Omni for effektiv servering, og modellen kan startes som en lokal tjeneste med kommandoen sgl-omni serve --model-path fishaudio/drama-3 --port 8000. Installasjonen bruker en forhåndsversjon av SGLang-Omni med Fish Audio-støtte.

Ytelsestallene er målt på NVIDIA H200, ikke på et normalt hjemmekort. Ved én samtidig strøm oppgir modellkortet 88,9 millisekunder til første lyd og en real-time factor på 0,131. Det betyr at hele lyden ble produsert betydelig raskere enn avspillingstiden i akkurat dette oppsettet. Ved 64 samtidige strømmer steg tiden til første lyd, men gjennomsnittlig real-time factor holdt seg på 0,801.

Dette er gode serverresultater, men de sier lite om hva du får på rimeligere kort. De viser først og fremst at den store MoE-modellen kan serveres effektivt når maskinvaren er på plass. Hvis du bare vil høre hva den kan, er den nettbaserte prøveversjonen et langt mer fornuftig startpunkt enn å kjøpe maskinvare på grunnlag av en benchmark.

Er Drama 3 virkelig gratis?

Drama 3 kan prøves gratis på nettet, og modellvektene kan lastes ned. Men lisensen er ikke en vanlig Apache- eller MIT-lisens. Fish Audio Community License v1.0 tillater gratis forskning og ikke-kommersiell bruk. Kommersiell bruk er gratis bare når du og tilknyttede virksomheter har mindre enn 500 000 dollar i årlig omsetning.

API-et er heller ikke gratis. Lanseringstilbudet fra Fish Audio er 10 dollar per million tegn til 12. november, omtrent 95 kroner med kursen brukt her. Deretter er oppgitt listepris 50 dollar, cirka 475 kroner per million tegn.

Med en USD-kurs på omtrent 9,49 kroner 14. oktober 2026 tilsvarer grensen cirka 4,75 millioner kroner i årlig omsetning. Beløpet er bare en forståelig norsk størrelsesorden, ikke en juridisk omregning av lisensen. Passerer virksomheten grensen, må den skaffe lisens fra Fish Audio.

Det kreves også en egen avtale hvis du vil tilby Drama 3 til andre som tekst-til-tale-, stemmeklonings-, inferens- eller API-tjeneste. At vektene ligger på Hugging Face betyr derfor ikke at hvem som helst kan pakke dem inn i en konkurrerende tjeneste. Les lisensen ut fra det du faktisk skal bygge før modellen blir en del av et kommersielt produkt.

Selve lyden du genererer, eier du etter lisensen så langt loven tillater det. Men også her gjelder den vanlige fornuften: En modell som kan klone stemmer gjør ikke andres stemme til din eiendom. Bruk egne opptak eller stemmer du har en klar avtale om å bruke.

Når er Drama 3 et bedre valg?

Drama 3 er mest interessant når teksten skal fremføres, ikke bare leses opp. Har du flere rollefigurer, lange manus, følelsesskifter eller behov for å rette en liten del uten å regenerere alt, treffer modellen et reelt problem. For en enkel sanntidsagent med korte og nøkterne svar kan en mindre og raskere modell fortsatt være et mer praktisk valg.

Den passer også godt som neste modell å sammenligne med Scenema Audio og emosjonell prompting. Drama 3 angriper mye av den samme utfordringen og samler flere rollefigurer og detaljert regi i én arbeidsflyt. Den varslede lokale lydredigeringen kan gjøre pakken enda mer interessant når funksjonen åpnes bredere. Det er mer enn enda en stemmekloner med et nytt modellnavn.

Hvis lav terskel for lokal drift er viktigst, bør du se kravet på 48 GB før du ser på topplasseringen. Andre modeller kan gi mer mening på forbrukermaskinvare, og verktøy som audio.cpp for lokal lyd-AI viser hvorfor enkel utrulling kan være viktigere enn å vinne ett målepunkt.

Mitt råd er enkelt: Prøv den gratis nettversjonen med et representativt norsk manus før du vurderer API eller lokal drift. Ta med navn, tall, datoer, forkortelser, engelske fagord og de følelsesskiftene innholdet faktisk trenger. Sammenlign blindt med modellen du bruker i dag. Ikke bytt leverandør fordi 93,2 prosent ser pent ut i en tabell.

Drama 3 er fortsatt merket Preview, og Fish Audio sier selv at resultatene varierer mellom genereringer. Lag derfor flere varianter og vurder stabiliteten, ikke bare det beste klippet. Hvis modellen leverer samme kontroll og presisjon på norsk som den gjør i den engelske uttaletesten, har ElevenLabs fått en svært interessant utfordrer. Men akkurat den norske dommen mangler fortsatt.

Ofte stilte spørsmål