Компания Fish Audio опубликовала превью новой модели речи Drama 3, заменяющей короткие аудиотеги описательными подсказками.

Основное изменение в работе с подсказами

Вместо строгих одно‑ или двусловных аудиотегов авторы теперь могут описывать интонацию, темп и характер обычными текстовыми подсказками, чтобы формировать исполнение.

Ключевые возможности

В превью выделены несколько функциональных улучшений по сравнению с предыдущими релизами и показано более гибкое управление сгенерированным аудио.

• Избирательное регенерирование: движок может перегенерировать отдельное слово или фразу внутри существующего трека, не изменяя окружающее аудио.
• Смена голоса в середине высказывания: модель способна менять тембр говорящего в пределах одного предложения или фразы.
• Многоголосный диалог: Drama 3 может генерировать разговоры нескольких персонажей за один проход.
• Поддержка русского языка: система генерирует речь на русском наряду с другими поддерживаемыми языками.

Сравнение с версией 2.1

Тестирование с версией 2.1 показало, что некоторые теги не всегда влияли на выходной результат, а постановка ударения время от времени промахивалась при синтезе.

Напротив, использование той же подсказки с несколькими описательными фразами в Drama 3 давало более чёткое произношение и более естественную интонацию на протяжении предложений.

Некоторые сигналы реакции толпы, такие как аплодисменты или крики, в превью всё ещё игнорировались, но в целом подача продемонстрировала заметное улучшение по сравнению с предыдущей моделью.

Доступность и указание авторства

По сообщениям от Fish Audio, превью-сборка Drama 3 уже доступна бесплатно на сайте разработчика, а широкомасштабный выпуск планируется позже.

В ходе ранних тестов среди доступных голосов был спикер, обозначенный как Сергей Бурунов, чей сэмплированный тембр напоминал исполнение этого актёра в тех испытаниях.