‏Drama 3: مدل تبدیل متن به گفتار Fish Audio که کارگردانی می‌شه

شرکت Fish Audio مدل Drama 3 رو به‌صورت Preview عرضه کرده؛ یه مدل TTS (یعنی تبدیل متن به گفتار) که برای «کارگردانی» ساخته شده. حرف اصلی Fish Audio اینه که فقط کلمه‌ها رو تعیین نمی‌کنی، اجرا رو هم هدایت می‌کنی. مثلاً یه جملهٔ ساده مثل «I'm fine. Really. Go on without me.» رو می‌شه با پنج حس کاملاً متفاوت خوند.

کنترل‌ها همه متن ساده‌ان که می‌شه خوند و ویرایش کرد. می‌تونی تو کروشه یه توضیح آزاد بنویسی، مثلاً [warm and relaxed, like talking to an old friend]، و فقط به تگ‌های آماده محدود نیستی. صداهایی مثل [sigh]، خنده، نفس یا [pause] رو هم دقیقاً هر جا بخوای می‌ذاری. برای اینکه یه افکت فقط روی چند کلمه اعمال بشه، تو ویرایشگر انتخابشون می‌کنی و یه تگ جفتی (یعنی تگ باز و بسته دور همون کلمه‌ها) مثل Whisper یا Slower می‌زنی.

توضیح‌ها رو می‌شه به هر زبونی نوشت و به گفتهٔ سازنده، اجرا از دستور پیروی می‌کنه، فرقی نمی‌کنه به انگلیسی باشه یا چینی یا اسپانیایی. یه قابلیت Auto Tag هم داره که خودش به متن خامت تگ اضافه می‌کنه تا یه نقطهٔ شروع داشته باشی. بعد هر چی خوب بود نگه می‌داری و بقیه رو عوض می‌کنی.

برای گفت‌وگو هم می‌تونی به هر شخصیت یه صدا بدی، دیالوگ ساده بنویسی و Drama 3 کل صحنه رو یه‌جا اجرا کنه. یه نمونه‌ش صحنهٔ بازجویی یه کارآگاه و مظنونه. صدای مجوزدار Uncle Roger هم برای نمونه‌ها استفاده شده. از طریق API هم کار می‌کنه: کافیه به endpoint مربوط به TTS درخواست بدی و هدر model رو drama-3 بذاری. همهٔ تگ‌ها اونجا هم کار می‌کنن.

خود Fish Audio می‌گه مدل هنوز در حال بهتر شدنه و نتیجه‌ها بین هر بار تولید فرق می‌کنه. پس پیشنهادش اینه چند بار تولید کنی و بهترینو انتخاب کنی. تو دورهٔ Preview هم مدل مرتب آپدیت می‌شه.

نکات کلیدی:

• Drama 3 مدل TTS شرکت Fish Audio هست و الان تو مرحلهٔ Preview عرضه شده.
• حس و لحن هر جمله رو با توضیح آزاد داخل کروشه تعیین می‌کنی.
• تگ‌های جفتی مثل Whisper یا Slower فقط روی کلمه‌های انتخاب‌شده اثر دارن.
• توضیح‌ها رو می‌شه به هر زبونی نوشت، نه فقط انگلیسی.
• Auto Tag خودش به متن خام دستورهای اجرا اضافه می‌کنه.
• تو API با گذاشتن هدر model روی drama-3 در دسترسه.
• نتیجه‌ها بین هر تولید فرق می‌کنه، پس بهتره چند نسخه بگیری.