เปิดตัว Drama 3: นวัตกรรมโมเดลเสียง 35B MoE ที่สั่งการแสดงได้เหมือนผู้กำกับ
Fish Audio ได้ประกาศเปิดตัวโมเดลสังเคราะห์เสียงพูดแบบเปิดเผยน้ำหนัก (Open-Weight) รุ่นใหม่ล่าสุดในชื่อ 'Drama 3' ซึ่งพัฒนาขึ้นเพื่อยกระดับงาน Text-to-Speech (TTS) จากการอ่านออกเสียงข้อความธรรมดา สู่การแสดงบทบาทที่มีอารมณ์และความรู้สึกสมจริง โดยตัวโมเดลใช้สถาปัตยกรรม Mixture-of-Experts (MoE) มีพารามิเตอร์รวม 35 พันล้านพารามิเตอร์ และเปิดใช้งานจริงประมาณ 3 พันล้านพารามิเตอร์ต่อโทเค็น (Qwen3.5-35B-A3B backbone)
สถาปัตยกรรมภายในประกอบด้วย 40 เลเยอร์ โดยใช้การผสมผสานระหว่าง Gated DeltaNet 3 เลเยอร์ ต่อเลเยอร์ Gated Full-Attention 1 เลเยอร์ ซึ่งส่งผลให้มีเพียง 1 ใน 4 เลเยอร์เท่านั้นที่ต้องบันทึก KV Cache ควบคู่ไปกับตัวถอดรหัสเชิงสาเหตุแบบ Codebook-MTP เพื่อเพิ่มประสิทธิภาพในการคำนวณและการตอบสนอง
จุดเด่นสำคัญของ Drama 3 คือความสามารถในการรับคำสั่งกำกับการแสดงด้วยภาษาธรรมชาติ เช่น การใส่คำสั่งเสียงแทรกระหว่างประโยค (Point Cues) อาทิ [sighs] สำหรับการถอนหายใจ และคำสั่งกำกับระดับคำเฉพาะเจาะจง (Paired Word-Level Tags) เช่น <whisper>...</whisper> เพื่อกำหนดให้ออกเสียงกระซิบ นอกจากนี้ยังรองรับการสร้างเสียงสนทนาที่มีตัวละครต่างกันสูงสุดถึง 16 ตัวละครในคำสั่งเดียว ผ่านแท็กกำกับตัวละครตั้งแต่ <|speaker:0|> ไปจนถึง <|speaker:15|>
ข้อกำหนดด้านฮาร์ดแวร์ เกณฑ์วัดผล และโมเดลสิทธิ์การใช้งาน
ในการรันโมเดล Drama 3 ที่ความแม่นยำระดับ FP8 จำเป็นต้องใช้การ์ดประมวลผลกราฟิกของ NVIDIA ที่มีหน่วยความจำวิดีโอ (VRAM) ไม่ต่ำกว่า 48 GB ขณะเดียวกัน Fish Audio ได้จัดเตรียมโมเดลที่ผ่านการทำ Quantization ในระดับ int4 ซึ่งช่วยลดขนาดพื้นที่จัดเก็บไฟล์น้ำหนักลงจาก 37.0 GB เหลือ 20.8 GB สำหรับการติดตั้งบนโครงสร้างพื้นฐานระดับรองลงมา
ในด้านประสิทธิภาพการออกเสียง Drama 3 ทำคะแนนบนเกณฑ์วัด Artificial Analysis Pronunciation Robustness ได้ที่ 93.2% โดยทำได้ 95.9% ในกลุ่มคำศัพท์เชิงเทคนิคและชื่อแบรนด์ และ 86.3% ในการออกเสียงลำดับคำที่แม่นยำตรงตัว นอกจากนี้ยังบันทึกคะแนนคุณภาพด้านเสียง (Quality Elo) อยู่ที่ 1242 คะแนน พร้อมรองรับการโคลนเสียงได้ครอบคลุมถึง 83 ภาษา
Fish Audio เผยแพร่น้ำหนักโมเดลภายใต้สัญญาอนุญาต 'Fish Audio Community License v1.0' ซึ่งเปิดให้ใช้งานได้ฟรีทั้งสำหรับงานที่ไม่แสวงหากำไรและงานเชิงพาณิชย์ ตราบใดที่องค์กรมีรายได้รวมไม่เกิน 500,000 ดอลลาร์สหรัฐต่อปี ส่วนบริการประมวลผลผ่าน API คิดอัตรามาตรฐานที่ 50 ดอลลาร์สหรัฐต่อ 1 ล้านตัวอักษร โดยมีราคาโปรโมชันลดเหลือ 10 ดอลลาร์สหรัฐต่อ 1 ล้านตัวอักษรจนถึงวันที่ 12 พฤศจิกายน 2026
เสียงสะท้อนจากกลุ่มนักพัฒนา: ชื่นชมความยืดหยุ่น แต่กังวลเรื่องทรัพยากร
ในกลุ่มนักพัฒนาและวิศวกรด้าน AI เสียงตอบรับแรกเริ่มเป็นไปในทิศทางบวกอย่างมากต่อความสามารถในการเรนเดอร์บทละครเสียงที่มีตัวละครหลายตัวพร้อมกันในคำสั่งเดียว ผู้ทดสอบระบุว่าการสั่งงานด้วยแท็กการแสดงช่วยลดขั้นตอนการตัดต่อเสียงหลังบ้านและการประกอบแทร็กเสียงสนทนาที่เคยซับซ้อนลงได้อย่างมีนัยสำคัญ
อย่างไรก็ตาม กลุ่มผู้ใช้งานพบข้อจำกัดสำคัญสองประการ ประการแรกคือข้อกำหนดฮาร์ดแวร์ขั้นต่ำ 48 GB VRAM สำหรับโมเดลพื้นฐาน ซึ่งทำให้การทดสอบบนเวิร์กสเตชันระดับผู้บริโภคทั่วไปเป็นไปได้ยากและต้องพึ่งพาเซิร์ฟเวอร์เฉพาะทาง ประการที่สอง ผู้ประเมินยังสังเกตว่าคะแนน Elo ด้านคุณภาพของเสียง แม้จะอยู่ในเกณฑ์สูงสำหรับโมเดลแบบเปิด แต่ยังคงมีระยะห่างเมื่อเทียบกับบริการคลาวด์แบบปิดระดับพรีเมียมอย่าง ElevenLabs
นอกจากนี้ วิศวกรโครงสร้างพื้นฐานยังชี้ให้เห็นว่า ระบบรันไทม์ในปัจจุบันถูกจำกัดอยู่บนสถาปัตยกรรม NVIDIA CUDA และเฟรมเวิร์ก SGLang-Omni เท่านั้น โดยยังไม่มีการรองรับการรันบน AMD ROCm, Apple Silicon (MPS) หรือ CPU โดยตรงในเอกสารเปิดตัวอย่างเป็นทางการ
นัยสำคัญต่อภาคธุรกิจและอุตสาหกรรมสร้างสรรค์ในประเทศไทย
สำหรับภาคธุรกิจในประเทศไทย โดยเฉพาะสตูดิโอผู้พัฒนาเกม ผู้ผลิตสื่อแอนิเมชัน พอดแคสต์ และสำนักพิมพ์หนังสือเสียง การมาถึงของ Drama 3 ช่วยเปิดประตูสู่การสร้างคอนเทนต์เสียงเชิงพาณิชย์ที่มีต้นทุนต่ำลงมาก การรองรับภาษาที่มากถึง 83 ภาษาและการโคลนเสียงเปิดโอกาสให้บริษัทไทยสามารถพัฒนาคอนเทนต์หลายภาษาเพื่อส่งออกไปยังตลาดต่างประเทศได้สะดวกรวดเร็วขึ้น
ในแง่ของโมเดลธุรกิจ เงื่อนไขของสัญญาอนุญาต Fish Audio Community License v1.0 ที่ยกเว้นค่าธรรมเนียมสำหรับธุรกิจที่มีรายได้ต่ำกว่า 500,000 ดอลลาร์สหรัฐต่อปี (ประมาณ 17-18 ล้านบาท) ถือเป็นประโยชน์อย่างยิ่งสำหรับสตาร์ตอัปและธุรกิจขนาดกลางและขนาดย่อม (SMEs) ในไทย ช่วยให้สามารถทดลองพัฒนาผลิตภัณฑ์เสียงเชิงโต้ตอบ เช่น ระบบตอบรับลูกค้าอัจฉริยะ (IVR) หรือผู้ช่วยเสียงเสมือนจริง โดยไม่มีภาระค่าไลเซนส์ล่วงหน้า
อย่างไรก็ดี องค์กรในไทยที่ต้องการนำโมเดลไปติดตั้งใช้งานเองจำเป็นต้องประเมินต้นทุนโครงสร้างพื้นฐานคลาวด์หรือเซิร์ฟเวอร์ GPU ที่รองรับ 48 GB VRAM ควบคู่ไปกับการทดสอบความถูกต้องของการออกเสียงวรรณยุกต์และคำเฉพาะในภาษาไทยอย่างละเอียด ก่อนนำไปใช้ในกระบวนการผลิตจริง
ธุรกิจสื่อ เกม แอนิเมชัน และคอลเซ็นเตอร์ในไทยสามารถสร้างเสียงพากย์การแสดงคุณภาพสูงที่มีอารมณ์ซับซ้อนได้เอง โดยไม่ต้องพึ่งพา API แบบปิด พร้อมสิทธิ์ใช้งานเชิงพาณิชย์ฟรีสำหรับธุรกิจที่มีรายได้ไม่เกินเกณฑ์ที่กำหนด