Fish Audio Drama 3 登陆 AI Gateway：用自然语言导演语音表演

Fish Audio 的文本转语音模型 Drama 3 已正式上线 AI Gateway，并开启了为期 30 天的 80% 折扣活动。这个模型目前处于预览阶段，但它带来的能力已经足够让音频创作者眼前一亮——你不再只是把文字念出来，而是可以像导演一样，用自然语言指令去调度每一句话的情绪、节奏和表演方式。

不只是朗读：把脚本变成表演

Drama 3 的核心卖点在于「可导演性」。传统的 TTS 工具通常只关心发音是否准确、音色是否好听，而 Drama 3 允许你在脚本文本中直接嵌入表演指令。

最基础的用法是用方括号标注情绪和节奏，比如 [warm and reassuring] Take your time. 这样的写法会让模型用温和、令人安心的语气说出这句话。你还可以在合适的位置添加音效和停顿，控制整段语音的呼吸感。

更进一步，你可以用 <whisper> 和 <emphasis> 这类标签包裹特定词语，改变它们的表达方式。把「I am right here」放进 whisper 标签里，模型就会用耳语的方式说出来——这种细节在过去需要专业配音演员反复调整才能实现。

TTS（Text-to-Speech，文本转语音）是将输入文字自动合成可听语音的技术。它通常由文本前端和声学后端两部分组成：前端负责分词、注音、韵律预测，后端则依据声学模型生成频谱，再由声码器还原成波形。早期 TTS 多采用拼接法和参数合成，音色机械、情感单一；近年来基于神经网络的端到端模型（如 Tacotron、VITS 以及各类大语言模型驱动的语音合成方案）显著提升了自然度。传统 TTS 的控制接口往往只有语速、音调、音量等少数几个数值参数，难以表达细腻的情绪层次。Drama 3 这类「可导演」模型把表演指令直接纳入文本输入，让情绪、语气、停顿等成为可书写、可复现的创作元素，本质上是在 TTS 的控制维度上做了一次扩展。

多语言指令与多角色对话

Drama 3 还有一个容易被忽略但很实用的特性：表演指令可以用与朗读文本不同的语言来书写。这意味着你可以用中文写导演指令，让模型用英文表演，或者反过来操作。对于跨国团队协作或多语言内容制作来说，这个设计省去了不少沟通成本。

多说话人对话是另一个关键能力。模型支持为每个角色分配独立的语音，这让有声书、播客剧、游戏对白等场景的制作流程大幅简化。过去你可能需要分别生成每个角色的音频再手动拼接，现在可以在一次调用中完成多角色对话。

多说话人语音合成（Multi-Speaker TTS）指的是用同一个模型为多个不同音色或角色生成语音。传统做法是每个角色单独调用一次合成接口，再在后期用音频编辑软件拼接、对齐时间轴，流程繁琐且容易在衔接处出现音量或底噪不一致。多说话人模型通过为每个角色分配独立的说话人嵌入（speaker embedding）或音色标识，在一次生成中完成整段对话，天然保证了角色之间的音色区分和时间连贯。对于有声书、广播剧、游戏对白、播客等包含大量对话的内容形态，这种能力可以显著压缩制作周期，也便于后续统一调整整体节奏。

如何接入：代码示例与模型名称

在 AI Gateway 上使用 Drama 3 非常简单。模型名称为 fish-audio/drama-3，通过 AI SDK 调用时代码结构清晰：

import { experimental_generateSpeech as generateSpeech } from 'ai';
import { writeFile } from 'node:fs/promises';

const result = await generateSpeech({
  model: 'fish-audio/drama-3',
  text: '[warm and reassuring] Take your time. <whisper>I am right here.</whisper>',
  voice: 'f3a2b90078d54a65af4b95f63bc7798e',
  outputFormat: 'mp3',
});

await writeFile('speech.mp3', result.audio.uint8Array);

可以看到，表演指令直接写在 text 字段里，和朗读内容融为一体。voice 参数指定音色，输出格式目前支持 mp3。如果你不想写代码，也可以直接在 AI Gateway 的 model playground 里试用 Drama 3。

AI Gateway 提供了什么

Drama 3 选择在 AI Gateway 上线，背后是这套网关服务对开发者的吸引力。AI Gateway 提供统一的 API 来调用不同模型，同时负责用量追踪、成本统计，以及重试、故障转移和性能优化配置——目标是在服务商本身出现波动时，仍能维持更高的可用性。

它还内置了自定义报表、零数据保留（Zero Data Retention）支持、API 密钥预算管理和路由规则等功能。定价方面，AI Gateway 按服务商原价计费，不加价、不收平台推理费，自带密钥（BYOK）的请求也不例外。对于需要控制成本又不想牺牲灵活性的团队来说，这些条件相当友好。

AI Gateway 是一类位于应用与模型服务商之间的中间层服务，核心价值是「统一接入 + 可观测 + 可治理」。开发者只需对接一套 API，就能调用多家厂商的不同模型，无需为每个服务商单独维护密钥、SDK 和错误处理逻辑。在稳定性方面，网关通常内置重试、超时和故障转移机制：当某个服务商出现限流或宕机时，请求可自动切换到备用通道，从而降低单点故障对业务的影响。在成本与合规方面，用量追踪、预算上限、自定义报表让团队能清楚地看到每个密钥、每个项目的消耗；零数据保留（Zero Data Retention）则承诺请求和响应数据不被服务商持久化存储，对涉及敏感信息的场景尤为重要。这些能力共同把「调用模型」从一次性编码任务，变成可长期运营的基础设施。

谁适合现在试试

Drama 3 目前处于预览阶段，80% 折扣会持续 30 天。如果你在做有声内容、角色配音、音频故事，或者需要批量生成带情绪的语音素材，现在是用低成本验证它是否适合你工作流的好时机。

它的自然语言导演能力和多说话人支持，确实把 TTS 从「朗读工具」往「表演工具」的方向推了一步。当然，预览阶段意味着稳定性和细节可能还有打磨空间，建议先用非关键项目试水。