Drama 3 porta la direzione d’attore dentro il TTS

Fish Audio ha annunciato Drama 3 il 13 ottobre: il modello text-to-speech è disponibile sul sito, nelle app e via API. La novità da guardare è il controllo della recitazione: indicazioni in linguaggio naturale accompagnano il copione e possono cambiare l’interpretazione durante una frase. Per chi prepara dialoghi, animatic o voiceover, il punto non è aggiungere emozione indistinta, ma collocarla dove serve alla scena. ([beta.fish.audio])

Le istruzioni entrano tra parentesi quadre prima del passaggio interessato: intenzione, ritmo, destinatario della battuta. Respiri, risate e pause si inseriscono nel punto in cui devono avvenire; tag accoppiati circoscrivono invece un sussurro o un’enfasi a parole precise. La documentazione permette inoltre di scrivere la direzione in una lingua diversa dal dialogo. Attenzione all’integrazione: se l’header del modello manca o contiene un errore, l’API torna a S2.1 Pro senza far fallire la richiesta. ([docs.fish.audio])

Sotto c’è un’architettura mixture-of-experts da 35 miliardi di parametri, con circa 3 miliardi attivi per token. I pesi sono scaricabili; il modello supporta 83 lingue e la generazione multi-speaker. Sono caratteristiche utili per sperimentare scene e versioni linguistiche, non una verifica della qualità sul nostro materiale. Il test da fare resta quindi sul copione reale: pronuncia, tenuta della voce e aderenza alle indicazioni vanno ascoltate separatamente, senza promuovere una take solo perché espressiva. ([huggingface.co])

Il confine operativo più importante riguarda le correzioni. Fish mostra editing interattivo e audio inpainting, ma li dichiara ancora in piccoli test su invito, con un’API di editing in arrivo. Non vanno quindi presentati come strumenti già disponibili a tutti. Anche “pesi aperti” richiede precisione: la Community License prevede condizioni commerciali legate al fatturato e una licenza separata per offrire il modello come servizio. Non è un rilascio open-source senza restrizioni. ([beta.fish.audio])

Per una prima prova proponiamo una scena breve, con una sola voce e un cambio d’intenzione leggibile: una rassicurazione che diventa esitazione. Tenete identico il testo e cambiate soltanto la direzione, poi ascoltate le take senza guardare quale prompt le ha generate. Annotate dove cade la pausa e quale parola riceve l’accento. Solo dopo passate al dialogo fra personaggi. È un modo concreto per capire se il controllo serve davvero al montaggio, prima di costruire un workflow attorno alle funzioni di editing ancora riservate.