Fish Audio Drama 3: voz con IA que se dirige como un actor

Fish Audio Drama 3: una voz sintética que se dirige como a un actor

El 13 de octubre de 2026, Fish Audio presentó Fish Audio Drama 3, un modelo de texto a voz (TTS) con pesos abiertos, publicado en Hugging Face, pensado para que quien lo usa dirija la interpretación de las voces y no solo el texto que leen. La compañía afirma que habla 83 idiomas, y su informe técnico incluye resultados específicos en español. Este modelo destaca por su capacidad para interpretar instrucciones en lenguaje natural y etiquetas específicas, permitiendo una dirección precisa de la entonación y emoción en las voces generadas.

Características técnicas y capacidades destacadas

Drama 3 es un modelo de mezcla de expertos (MoE) con 35.000 millones de parámetros, de los cuales aproximadamente 3.000 millones están activos por token. Esta arquitectura permite una generación de voz altamente expresiva y adaptable. Entre sus capacidades se incluyen:

Dirección en lenguaje natural: Los usuarios pueden insertar instrucciones como «[laughs]» o «<whisper>» para guiar la interpretación emocional y tonal de la voz generada.
Edición precisa: Es posible rehacer una toma a partir de una nota específica o editar una palabra dentro de un audio ya grabado sin necesidad de regenerar el contenido completo.
Gestión de múltiples personajes: Drama 3 puede manejar escenas con hasta 16 personajes, asignando voces distintas a cada uno mediante etiquetas específicas.

Requisitos de hardware y ejecución local

Para ejecutar Drama 3 en local, se requiere una GPU NVIDIA con al menos 48 GB de VRAM, utilizando precisión FP8. Esto implica que solo sistemas con hardware de alta gama podrán aprovechar plenamente las capacidades del modelo, lo que puede ser una limitación para creadores individuales o pequeñas empresas sin acceso a este tipo de infraestructura.

Licencia y uso comercial

El modelo se distribuye bajo la licencia Fish Audio Community License v1.0, que permite el uso comercial gratuito para empresas con ingresos anuales inferiores a 500.000 dólares. Sin embargo, esta licencia prohíbe la clonación de la voz de una persona sin su consentimiento, estableciendo un marco ético para el uso de la tecnología. Por encima de ese umbral de ingresos, o para ofrecer Drama 3 a terceros como servicio de voz o de clonación, hace falta una licencia de Fish Audio.

Quien no tenga una GPU de ese nivel puede usarlo a través de la API de Fish Audio: la tarifa es de 50 dólares por millón de caracteres, con un precio de lanzamiento de 10 dólares por millón hasta el 12 de noviembre.

Qué tal funciona en español

El informe técnico de Fish Audio mide la precisión en 24 idiomas con el MiniMax Multilingual Testset, que transcribe el audio generado y cuenta los errores. En español, Drama 3 tiene una tasa de error de palabras del 0,96 %, ligeramente inferior al 1,09 % de ElevenLabs v4. No obstante, su predecesor, Fish Audio S2, mostró una tasa de error del 0,91 %, y Inworld TTS-2 alcanzó un 0,90 %, así que en español no es el más preciso de la tabla. Son, además, mediciones de la propia empresa: conviene probarlo con textos propios antes de usarlo en producción.

Implicaciones para creadores en español

Para los creadores de contenido en español, Drama 3 ofrece una herramienta poderosa para la producción de audiolibros, podcasts y otros formatos que requieren voces sintéticas expresivas y personalizables. La capacidad de dirigir la entonación y emoción mediante instrucciones en lenguaje natural facilita la creación de contenido más dinámico y atractivo. Sin embargo, es esencial considerar los requisitos de hardware y las restricciones de la licencia para asegurar un uso adecuado y ético del modelo.

Valoración: potente, pero no para cualquier equipo

Fish Audio Drama 3 aporta algo poco habitual en un modelo de pesos abiertos: control de la interpretación, edición de tomas y escenas con varios personajes en un solo modelo. Aunque presenta ciertas limitaciones en términos de requisitos de hardware y licencias, lo sensato para un creador o una empresa en España es probarlo primero por API con sus propios guiones y comparar el resultado con la herramienta que ya usa.