‏Drama 3 از Fish Audio: تبدیل متن به گفتار با احساس

Drama 3 یه مدل TTS (یعنی تبدیل متن به گفتار) از Fish Audio هست که به گفته خود شرکت پراحساس‌ترین مدلشون تا الانه. فرقش اینه که می‌تونی وسط متن یه دستور کارگردانی به انگلیسی ساده بذاری، مثلاً «slowly realizing something's wrong». مدل هر چیزی که بعد از این تگ میاد رو با همون حس می‌خونه تا یه دستور جدید برسه. یعنی یه جمله می‌تونه آروم شروع بشه و با وحشت تموم بشه، درست مثل یه صداپیشه.

این با TTSهای قدیمی فرق داره که یه تنظیم کلی لحن یا یه پارامتر «style» ثابت قبل از تولید می‌گرفتن. اونا معمولاً روی تلفظ درست تمرکز دارن و یه جمله‌ای که وسطش حس عوض می‌شه رو صاف و بی‌روح می‌خونن. نویسنده مقاله یه مثال می‌زنه: پیام پشتیبانی که با «سفارشتون تو راهه» شروع می‌شه و یهو می‌رسه به «صبر کن، این آدرس درست نیست». اینجا تحویل صدا باید وسط جمله تغییر کنه.

Drama 3 می‌تونه یه گفتگوی کامل با چند گوینده رو یه‌جا بسازه. به هر شخصیت یه صدا می‌دی و مشخص می‌کنی هر خط مال کیه. مدل طوری ساخته شده که صدای هر نفر تو کل صحنه ثابت بمونه و قاطی نشه. قبلاً برای این کار باید برای هر شخصیت جدا TTS صدا می‌زدی و خروجی‌ها رو به هم می‌چسبوندی، که کنترل لحن و ریتم کل صحنه رو سخت می‌کرد. طبق دموی Fish Audio، تگ‌های کارگردانی تو زبون‌های دیگه هم کار می‌کنن.

سه راه برای استفاده هست. اول API خود Fish Audio، که فقط پارامتر model رو روی drama 3 می‌ذاری. دوم یه MCP server (یعنی پروتکلی که ابزارها رو به ایجنت‌ها وصل می‌کنه) که می‌شه به Claude Code یا Codex وصلش کرد تا تولید صدا مستقیم داخل جریان کار ایجنت انجام بشه. سوم یه node رسمی برای ابزارهای اتوماسیون بصری. endpoint استریم هم timestampهای سطح کلمه برمی‌گردونه، یعنی زیرنویس دقیقاً با صدا هماهنگ می‌شه بدون مرحله جدا برای هم‌ترازی.

نویسنده می‌گه اگه فقط متن اطلاعاتی ساده مثل اعلان یا خلاصه سند می‌خونی، احتمالاً یه مدل ساده‌تر و ارزون‌تر کافیه. جایی که Drama 3 به درد می‌خوره محتواییه که لحن توش معنی داره. نوشتن دستور به انگلیسی ساده هم دردسر SSML و markup مخصوص prosody رو کم می‌کنه، یعنی با ویرایش یه جمله لحن رو عوض می‌کنی. قیمت مشخصی تو دمو اعلام نشده و باید از صفحه قیمت Fish Audio چک بشه.

نکات کلیدی:

• دستور احساسی به انگلیسی ساده وسط متن نوشته می‌شه و روی ادامه جمله اثر می‌ذاره.
• گفتگوی چندنفره با صدای ثابت برای هر شخصیت تو یه بار تولید پشتیبانی می‌شه.
• endpoint استریم timestamp سطح کلمه برای زیرنویس می‌ده.
• دسترسی از طریق API، MCP server (سازگار با Claude Code و Codex) و یه node رسمی.
• تگ‌های کارگردانی فقط مخصوص انگلیسی نیستن.
• قیمت Drama 3 تو دموی عمومی اعلام نشده.