Fish Audio Drama 3: النموذج الأكثر تعبيراً في تحويل النص إلى كلام الذي بنيناه على الإطلاق

Drama 3 هو النموذج الأكثر تعبيراً في تحويل النص إلى كلام من Fish Audio: يفيض بالمشاعر أكثر بكثير من S2.1 Pro، ويحتل المرتبة الأولى في اختبار Artificial Analysis لمتانة النطق (Pronunciation Robustness).

13 أكتوبر 2026 | Drama 3 متاح اليوم في خدمة تحويل النص إلى كلام على fish.audio، وتطبيق Fish Audio (iOS و Android) وواجهة البرمجة (API). حتى 12 نوفمبر: خصم 80% على API و 50% على خطط المبدعين الجديدة.

باختصار:

• نفس التوجيه، أداء أقوى. امنح Drama 3 نفس التوجيهات التي تعطيها لـ S2.1 Pro، وستحصل على دموع تبدو حقيقية، وغضب مكتوم، وضحكة تخترق ملامح الجدية.
• يتبع توجيهاتك بدقة. الهمس يظل همساً، والضحكة تقع في مكانها المحدد، ويتغير أسلوب الإلقاء حيثما تطلب ذلك، حتى في منتصف الجملة.
• كل كلمة تُنطق بدقة. يحتل Drama 3 المرتبة الأولى في اختبار Artificial Analysis المستقل لمتانة النطق: حيث نطق 93.2% من الكلمات الصعبة والأرقام والرموز بشكل صحيح، مقارنة بـ 88.1% لنموذج S2.1 Pro.
• أوزان مفتوحة. يمكنك تشغيل Drama 3 بنفسك من Hugging Face، وهو مجاني للاستخدام التجاري إذا كان دخلك السنوي أنت والجهات التابعة لك أقل من 500,000 دولار أمريكي (ترخيص Fish Audio Community License v1.0).

افتح Drama 3 في تحويل النص إلى كلام ←

في فيديو الإطلاق، يقوم Uncle Roger بتوجيه نسخة ذكاء اصطناعي من صوته، تم إنشاؤها واستخدامها بإذنه.

الآن جاء دورك. صوت Uncle Roger متاح على Fish Audio، لذا يمكنك توجيهه بنفسك.

وجه Uncle Roger في Drama 3 ←

نفس التوجيه، مشاعر أعمق بكثير

توضع التوجيهات بين أقواس مربعة، وتكتب بالطريقة التي تتحدث بها إلى ممثل. إليك جملة واحدة، بنفس الصوت ونفس التوجيه، على S2.1 Pro ثم على Drama 3.

S2.1 Pro

Drama 3

[barely holding it together, forcing a smile] I'm fine. [shaky breath] Really. [small laugh] [whispering] Go on without me.

استمع إلى الابتسامة المتكلفة بينما يرتجف الصوت، وإلى النفس والضحكة والهمس التي تأتي بالضبط في مكان كتابتها.

الدموع، الغضب، الضحك

هذه هي المشاعر التي غالباً ما تفشل نماذج الكلام في تجسيدها. في كل جملة، استمع إلى التوجيه الثاني: فهو المكان الذي ينكسر فيه الصوت، أو ينخفض، أو يفسح المجال لضحكة.

صوت مخنوق بالبكاء.

[choked up, crying quietly] I left his jacket by the door. [voice breaking] I keep thinking he'll walk in and ask for it.

كتم الغضب.

[through gritted teeth, keeping his voice down] I asked you to do one thing tonight. [slow, dangerously quiet] Just one.

تضحك رغم محاولتها التماسك.

[straight-faced, trying very hard to stay serious] No, I love it, it really suits you. [cracking up despite herself] I'm sorry, it's just a very brave haircut.

يتبع توجيهاتك بدقة

أضف توجيهاً جديداً حيثما تتغير الحالة المزاجية، وسيتغير أسلوب الإلقاء هناك.

[breathless, speaking fast] Just turn off the lights. Stay away from the windows. [voice drops to a terrified whisper] And whatever you hear out there… [slow, deadly serious] <emphasis>do not open that door.</emphasis>

توضع الكلمات الأخيرة داخل وسم مزدوج، <emphasis>…</emphasis>، والذي يوجه الكلمات الموجودة بين وسمي الفتح والإغلاق فقط. في واجهة تحويل النص إلى كلام، حدد الكلمات واختر وسماً من قائمة Tags.

يتحدث Drama 3 بـ 83 لغة. اكتب التوجيه بأي لغة تفكر بها؛ ليس من الضروري أن تطابق لغة الجملة.

توجيه باللغة الصينية

[像是在强忍着眼泪，却努力笑着] I'm fine. Really. Go on without me.

توجيه باللغة الإسبانية

[conteniendo las lágrimas, pero sonriendo] I'm fine. Really. Go on without me.

توجيه باللغة اليابانية

[涙をこらえながら、無理に笑って] I'm fine. Really. Go on without me.

كل كلمة تُنطق بدقة

زيادة التعبير لا تفيد إلا إذا ظلت الكلمات واضحة. يختبر Artificial Analysis ذلك بشكل مستقل: حيث يضع معيار متانة النطق الخاص به كلمات صعبة في جمل إنجليزية (أرقام، رموز، أسماء تجارية، وكلمات يعتمد نطقها على السياق)، ويقوم مستمعون بشريون بالتحقق من كل كلمة صعبة. نطق Drama 3 نسبة 93.2% منها بشكل صحيح، وهي أعلى درجة في قائمة المتصدرين، مقابل 88.1% لـ S2.1 Pro.

أكبر المكاسب مقارنة بـ S2.1 Pro كانت في أسماء العلامات التجارية والأماكن والمصطلحات التقنية، وفي الكلمات التي يعتمد نطقها على السياق؛ كما تحسنت المتواليات الدقيقة مثل مسارات الملفات وعناوين البريد الإلكتروني من 79.4% إلى 86.3%.

اطلع على قائمة متصدرين متانة النطق ←

كيف تعلم Drama 3 اتباع التوجيهات

نماذج الكلام، بما في ذلك نموذجنا S2، يتم ضبطها عادةً بمكافآت لكونها سهلة النسخ ولأنها تشبه المقطع المرجعي، وهذه الدرجات تخفض قيمة الضحك أو الهمس. أما Drama 3 فتم ضبطه بمكافأة واحدة بدلاً من ذلك: نموذج لما فضله البشر من النسخ المسجلة. يسمع هذا النموذج أيضاً النص والصوت، لذا تظل الدقة والتشابه مهمين؛ لكنه ببساطة لا يعاقب على ضحكة طلبتها أنت. يحتوي التقرير التقني على التفاصيل.

فيما يُستخدم Drama 3

يقدم Drama 3 أفضل أداء له في الجمل المكتوبة التي يتم إنتاجها مرة واحدة والاحتفاظ بها.

• الكتب الصوتية والسرد. يمكن لـ Drama 3 قراءة فصل كامل بنبرة متزنة، والسماح للصوت بالتهدج في الجملة المؤثرة، مع نطق "الفصل السابع عشر" بشكل صحيح.
• الدراما الصوتية والبودكاست القصصي. يمكن لجملة واحدة أن تنتقل من الذعر إلى الهمس إلى التهديد، كما في جملة الباب المذكورة أعلاه.
• الألعاب والرسوم المتحركة. تحصل كل جملة حوار على توجيهها الخاص: غضب من خلال أسنان مطبقة، أو ضحكة لا يمكن كبتها.
• الفيديوهات القصيرة. تحصل الفيديوهات القصصية والمقاطع الكوميدية على البكاء والنكات في وقتها المناسب، سواء على الويب أو في تطبيق Fish Audio.

"لقد أصبح الذكاء الاصطناعي الصوتي جيداً جداً في توليد الكلام. الخطوة التالية هي توجيه الأداء. Drama 3 هو نموذجنا الأكثر تعبيراً وقابلية للتحكم حتى الآن. إنه يضع المبدعين في مقعد المخرج: صِف ما تريده بلغة بسيطة، استمع للنتيجة، واضبط فقط اللحظات التي لا تعمل بشكل جيد. هذا يهم أكثر في المشاريع الطويلة مثل الكتب الصوتية والدبلجة متعددة اللغات، حيث لا يجب أن تعني كلمة واحدة خاطئة إعادة توليد فصل كامل."

— ريسا كاو، المؤسس المشارك والرئيس التنفيذي لشركة Fish Audio

شغل Drama 3 بنفسك

مثل S2، تم إصدار Drama 3 كأوزان مفتوحة، لذا يمكنك تشغيله بنفسك. يأتي تحت ترخيص جديد، Fish Audio Community License v1.0: مجاني للأبحاث والاستخدام غير التجاري، ومجاني للاستخدام التجاري إذا كان دخلك أنت والجهات التابعة لك أقل من 500,000 دولار أمريكي سنوياً. فوق ذلك، أو لتقديم Drama 3 للآخرين كخدمة TTS أو استنساخ صوت أو استدلال أو API، فأنت بحاجة إلى ترخيص من Fish Audio ([email protected]). كما يحظر الترخيص استنساخ صوت شخص حقيقي دون موافقته. يظل S2 تحت رخصة Fish Audio Research License. الأوزان والترخيص الكامل متاحان على Hugging Face، والكود متاح على GitHub.

معظم النماذج الصوتية التجارية لا تفصح عن كيفية بنائها. إليك كيف يعمل Drama 3. إنه نموذج واحد ضخم يستخدم جزءاً صغيراً فقط من نفسه في كل خطوة، مع ذاكرة مناسبة للنصوص الطويلة ومقاطع صوتية متعددة. يقوم وحدة فك ترميز صوتية جديدة، codebook-MTP decoder، بالاستماع لما تم توليده حتى الآن، بما في ذلك مقطعك الصوتي، بينما يملأ النسيج الدقيق لكل صوت. وكما ذكرنا أعلاه، تم ضبطه بنموذج لما فضله البشر من النسخ المسجلة.

للمطورين والباحثين

الشكل 2 من التقرير التقني. يقرأ العمود الفقري (backbone) موجه النظام، والنص المستهدف، ثم إطارات الصوت الخاصة به، حيث يتم إدخال كل منها كتمثيل مدمج لأكوادها 0 و 1. يعمل وحدة فك الترميز codebook-MTP فوق الحالة المخفية للعمود الفقري في كل موضع. تأخذ طبقاتها الأربع المشتركة تلك الحالة، والكود 0 المتوقع، وأكواد إطار الإدخال 2-9، والتي تتجاوز العمود الفقري، ثم تتوقع طبقات MTP 1-9 الأكواد المتبقية واحداً تلو الآخر. يتم توقع الأكواد أينما كان التوكن التالي هو إطار صوتي، وتعتمد كل طبقة بشكل سببي (causally) على الوقت، ويقوم جهاز فك ترميز الرموز الصوتية بتحويل الأكواد العشرة إلى موجة صوتية.

• العمود الفقري (Backbone). مزيج من الخبراء (MoE) بـ 35 مليار معلمة، مع حوالي 3 مليار معلمة نشطة لكل توكن (8 من أصل 256 خبيراً موجهاً بالإضافة إلى خبير مشترك واحد)، تم تهيئته من النموذج اللغوي Qwen3.5-35B-A3B.
• الانتباه الهجين (Hybrid attention). 40 طبقة في كتل مكونة من ثلاث طبقات Gated DeltaNet وطبقة gated full-attention واحدة. تحمل طبقات DeltaNet التاريخ في حالة ثابتة الحجم؛ طبقة واحدة فقط من كل أربع طبقات تحتفظ بذاكرة KV cache.
• وحدة فك ترميز Codebook-MTP. تحل محل Fast AR الخاص بـ S2 لكل إطار. تغذي أربع طبقات مشتركة تسع طبقات كاملة العرض، واحدة لكل دفتر أكواد صوتي (1-9)، وتعتمد كل طبقة بشكل سببي على التسلسل بأكمله، بما في ذلك الأكواد الدقيقة للصوت المرجعي.
• دمج دفتر الأكواد الجزئي. يتم تغذية دفتري الأكواد 0 و 1 فقط للعمود الفقري (كان S2 يغذي العشرة جميعاً)، للحد من تحيز التعرض. تذهب الأكواد 2-9 مباشرة إلى وحدة فك الترميز.
• المرمز (Tokenizer). هو نفسه الخاص بـ S2، لم يتغير ومبني على Descript Audio Codec: بتردد 44.1 كيلو هرتز، وعشرة دفاتر أكواد (واحد دلالي وتسعة متبقية)، حوالي 21.5 إطار في الثانية، سببي بالكامل.
• التدريب. ثلاث مراحل ما قبل التدريب، ضبط دقيق للتعليمات، ثم التعلم المعزز (RL).
• التعلم المعزز (RL). نموذج مكافأة واحد متعلم من تفضيلات البشر ولا توجد مكافآت قائمة على القواعد. استخدام GRPO بدون عقوبة KL، 1,536 موجه × 8 نسخ مسجلة لكل خطوة.
• الاستدلال. على بطاقة H200 واحدة، يقوم محرك الاستدلال بفك ترميز دفق واحد بسرعة 271 إطاراً في الثانية، مقابل 177 لـ S2، على الرغم من أن Drama 3 يحتوي على أكثر من سبعة أضعاف المعلمات. الاستدلال متاح عبر SGLang-Omni.

يحتوي التقرير التقني على كامل التفاصيل.

Drama 3 في واجهة البرمجة (API)

كل النصوص في هذا المنشور تعمل في API كما هي مكتوبة. اضبط رأس model على drama-3 وضع النص، بما في ذلك الأوسمة، في text:

curl https://api.fish.audio/v1/tts \
  -H "Authorization: Bearer <your-api-key>" \
  -H "Content-Type: application/json" \
  -H "model: drama-3" \
  -d '{
    "text": "[breathless, speaking fast] Just turn off the lights. Stay away from the windows. [voice drops to a terrified whisper] And whatever you hear out there… [slow, deadly serious] <emphasis>do not open that door.</emphasis>",
    "reference_id": "536d3a5e000945adb7038665781a4aca",
    "format": "mp3"
  }' \
  -o door.mp3

إنها نفس نقطة النهاية (endpoint) الخاصة بـ S2.1 Pro، لذا فإن تبديل التكامل الحالي لا يتطلب سوى تغيير واحد في الرأس. الأوسمة والمعلمات موجودة في وثائق Drama 3.

احصل على مفتاح API ←

قريباً

يتم حالياً اختبار أداتين للتحرير في نطاق ضيق للمدعوين فقط، وستتوفر واجهة برمجة تطبيقات للتحرير قريباً. إليك لمحة أولى.

التحرير التفاعلي

استمع إلى نسخة مسجلة، وأخبر Drama 3 بما يجب تغييره، وسيقوم بتشغيل الجملة مرة أخرى مع مراعاة النسخ السابقة. يمكن أن يكون التوجيه نسبياً ("أنعم من تلك") أو جديداً تماماً.

الجملة: The results just came in. We didn't make it.

النسخة 1: حزن عميق ومنكسر

النسخة 2: "أنعم وأكثر دفئاً مقارنة بالسابقة"

النسخة 3: "أكثر تسلية من قبل؛ تخلص من الألم"

ترميم الصوت (Audio Inpainting)

لديك نسخة تعجبك، ثم يتغير النص. حدد الكلمة، واكتب الكلمة الجديدة، وسيقوم Drama 3 بإعادة توليد تلك الكلمة فقط، لتناسب الصوت والمزاج والسرعة من كلا الجانبين. كل شيء آخر يظل كما هو في النسخة التي وافقت عليها بالفعل. إليك جملة البكاء من أعلاه بعد إعادة كتابة كلمة واحدة:

تركت سترته وشاحه عند الباب. ما زلت أظن أنه سيدخل ويطلبه.

النسخة الأصلية

بعد التعديل (فقط كلمة "وشاحه" هي الجديدة)

عرض الإطلاق

للمطورين: من 13 أكتوبر إلى 12 نوفمبر، يبلغ سعر Drama 3 API 10 دولارات لكل مليون حرف، بخصم 80% من السعر الرسمي البالغ 50 دولاراً.

للمبدعين: يكلف Drama 3 نفس عدد الاعتمادات مثل S2.1 Pro. حتى 12 نوفمبر، أي خطة Plus أو Pro أو Max جديدة تحصل على خصم 50%: الشهر الأول في الخطة الشهرية، أو السنة الأولى في الخطة السنوية. علق على منشور الإطلاق الخاص بنا خلال أول 48 ساعة وسنمنحك شهراً مجانياً من Fish Audio Plus.

تختلف النسخ المسجلة، لذا قم بتوليد القليل منها واحتفظ بالتي تعجبك. إذا أخفقت نسخة في اتباع توجيهك، فانشر النص على Discord؛ فهذا هو النوع من الملاحظات الذي نحتاجه بشدة.

أحضر نصك. وأحضر توجيهك.

وجه جملتك الأولى في Drama 3 ←