Análise de Fish Audio Drama 3: Vale a Pena Experimentar?
Por Antônio García
Execute um script na maioria das ferramentas TTS e você obterá uma leitura monótona e seca toda vez. Fish Audio Drama 3 é uma exceção. Você não apenas cola o texto, mas orienta um ator de voz sobre como cada linha deve ser interpretada. Ele também pode processar uma cena inteira com vários personagens.
Esta análise cobre o que o modelo faz, o que não faz e quem se beneficiará ao usá-lo. A primeira coisa a notar: Drama 3 apenas converte texto em fala. Ele não pode mudar sua voz. Para isso, incluí uma seção no final sobre HitPaw VoicePea.
Parte 1: O que é o Fish Audio Drama 3?
Drama 3 é o modelo TTS mais recente da Fish Audio, projetado para direção de voz e criação de conteúdo, como dizem os documentos oficiais. A ideia é simples. Você escreve o roteiro, adiciona algumas notas sobre como cada linha deve ser interpretada, e o modelo segue suas notas.
Uma ferramenta TTS normal dá uma voz neutra para qualquer coisa que você insira. Drama 3 parece mais uma leitura de roteiro: as palavras são o diálogo, e as notas entre colchetes cobrem o humor e a entrega. Para obter um suspiro, uma risada ou até uma pausa, você simplesmente a coloca onde deseja.
Pode ser acessado através da requisição POST /v1/tts existente, com drama-3 definido no cabeçalho do modelo. As mesmas direções funcionam no aplicativo web também, então você pode experimentar sem escrever código. Há uma ressalva. Se o cabeçalho estiver ausente ou escrito incorretamente, você não será notificado de um erro. A requisição realmente roda no modelo s2.1-pro, e é fácil imaginar que você está ouvindo Drama 3 quando não está. É usado principalmente para narração, fala de personagens em filmes, dublagens de vídeo, jogos e histórias.
Parte 2: Principais Recursos do Fish Audio Drama 3
Geração de Voz Expressiva e Emocional
As direções devem ser colocadas entre colchetes, antes das palavras que devem afetar. Fale sobre elas como faria para um ator, a emoção, o que eles querem, a velocidade com que falam, com quem falam. Os documentos acompanham a linha "Estou bem. Sério. Continuem sem mim." Mude o colchete para um raivoso ou feliz e as mesmas palavras soarão completamente diferentes.
Não precisam estar em inglês. Uma nota em chinês é escrita em uma linha em inglês em um exemplo do qual há um registro. Portanto, se você tem uma forma de comunicar uma performance, em qualquer idioma, então pode pedir uma performance.
Diálogo com Múltiplos Falantes e Áudio de Longa Duração
Uma única requisição pode levar a uma discussão completa. IDs de voz são inseridos em reference_id e cada turno é precedido por uma tag de falante, como <|speaker:0|> ou <|speaker:1|>. A demonstração da Fish Audio é uma breve cena no interior de uma nave espacial, com um capitão calmo, um engenheiro em pânico e um narrador.
Os documentos não indicam nenhum limite de duração. Roteiros de animação, podcasts dramáticos e projetos de histórias podem funcionar melhor trabalhando uma cena por vez. Eu começaria capítulo por capítulo e ouviria a consistência das vozes ao longo de cada capítulo para um livro desse tamanho.
Direção de Voz e Edição de Roteiro
Colchetes são apenas uma parte disso. Sons e pausas podem estar em qualquer lugar onde seriam usados naturalmente, por exemplo, uma respiração trêmula, uma mini-risada. Apenas essas tags (whisper, emphasis, soft, fast, slow, stress e forceful) são suportadas e apenas modificam as palavras entre elas. Tags de idioma podem tornar uma frase em francês, espanhol, alemão, japonês, chinês, coreano ou italiano, embora os documentos chamem isso de recurso experimental. Tags de fonema permitem selecionar a pronúncia e o estresse, para nomes e termos técnicos, baseados no CMU Arpabet para inglês.
Tudo é texto simples e uma correção fácil para uma linha é reescrever os parênteses e regenerar. Não há necessidade de usar nenhum software de edição de áudio.
Parte 3: Análise do Fish Audio Drama 3: Qualidade de Voz, Vantagens e Desvantagens
Uma palavra de aviso primeiro. A documentação não contém nenhuma pontuação de benchmark para Drama 3, e tudo que descrevo a partir das demos de áudio vem dos exemplos oficiais, não da minha própria medição. Considere cada "teste" que menciono como um desafio que você pode executar por conta própria.
Uma boa forma de testá-lo é escolher um roteiro curto e executá-lo várias vezes com direções diferentes, como triste, animado, bravo e hesitante. Em seguida, ouça esses quatro aspectos:
- Expressão emocional. Em uma única linha, as demos oficiais entregam bem uma voz quieta e tensa. Verifique se suas direções mais extremas soam atuadas ou apenas mais altas.
- Pronúncia. É por isso que existem tags de fonema. Experimente nomes de marcas e jargões cedo, e identifique o que sai errado.
- Consistência do falante. Com mais de um falante em uma cena, verifique se cada um ainda soa distinto após várias falas.
- Seguir instruções. Uma direção permanece em sua própria linha ou flui para a próxima?
Prós
- Resultados expressivos a partir de direções em linguagem comum
- Controle desde uma linha inteira até uma única palavra
- Interação multi-falante em uma única requisição
- Sons, pausas e tags de pronúncia para modelagem mais refinada
Contras
- Os resultados variam de uma geração para outra, então você frequentemente executará uma linha mais de uma vez.
- Com emoções incomuns, pode ser necessário alguns ajustes rápidos para obter um bom resultado.
- Mudar o idioma no meio da linha é experimental, e o quão bem funciona depende do idioma e da voz.
- Limites de acesso e uso podem variar dependendo do plano que você selecionar.
Os documentos dizem que a cobrança é de $50,00 por milhão de bytes UTF-8 de texto de entrada. Uma promoção de lançamento reduz isso para $10,00 por milhão até 12 de novembro de 2026, 09:00 PT. Texto em chinês ou japonês custa mais por sentença do que outros textos, pois a cobrança é por bytes e caracteres chineses e japoneses ocupam mais bytes.
Parte 4: Para que Você Pode Usar o Fish Audio Drama 3?
- Audiolivros e narração expressiva: Um narrador pode estar calmo em um parágrafo e tenso no próximo.
- Personagens animados e diálogo de vídeo: Com geração multi-falante, você pode produzir uma faixa de diálogo preliminar ou até final para uma animação curta ou explicativa.
- Jogos, interpretação de papéis e vozes de personagens: Se uma fala mudar, ela pode ser regravada em segundos.
- Curtas-metragens e narrativa dramática: Sons e pausas embutidos facilitam criar uma respiração ou um silêncio prolongado.
- Projetos de áudio criativos e conteúdo multilíngue: As direções funcionam em qualquer idioma, e com as tags experimentais de idioma, pode ser usado para tutores, guias de viagem e histórias que combinam idiomas.
Tenha um limite em mente. Drama 3 é uma ferramenta de texto para fala. Ela não pode alterar uma voz ao vivo ou transformar a entrada do seu microfone em outra pessoa.
Parte 5: Quer mudar sua voz? Experimente o HitPaw VoicePea AI Voice Changer
Se você quer soar diferente, um modelo de texto para fala não vai ajudar. Você precisa de um voice changer. HitPaw VoicePea, anteriormente conhecido como HitPaw Voice Changer, altera sua voz enquanto você fala, em vez de criar áudio a partir de um roteiro.
Principais Recursos do HitPaw VoicePea AI Voice Changer
- Efeitos de Voz: Oferece mais de 300 efeitos de voz, baixa latência e uma soundboard de memes embutida que suporta efeitos sonoros personalizados.
- Compatibilidade: Disponível para Windows e Mac, suporta 16 idiomas e oferece uma versão gratuita.
- Vozes para Jogos: Promove vozes de personagens para jogos como Fortnite, GTA e Minecraft.
- Suporte para Streaming: Permite que streamers mudem suas vozes em tempo real no Twitch, YouTube e Kick.
- Apps de Chamadas: Suporta Zoom, Microsoft Teams, Google Meet e Discord.
- Alteração de Voz em Arquivos: Aplica vozes de IA a arquivos de áudio e vídeo existentes em mais de 50 formatos.
- Covers de Músicas com IA: Permite aos usuários criar covers de músicas com IA.
- Requisitos de Hardware: Segundo o guia do usuário, efeitos de voz de IA em tempo real requerem uma placa gráfica razoavelmente capaz, recomendando dispositivos Nvidia com 4 GB e AMD com 6 GB.
Como Usar o HitPaw VoicePea AI Voice Changer
O guia oficial reduz a configuração a alguns passos:
Passo 1:Baixe e instale o VoicePea para Windows ou Mac na página do produto. A versão gratuita é suficiente para testar.
Passo 2:Abra as Configurações e escolha seu microfone real e fones de ouvido como entrada e saída. Se não ouvir nada, clique em "Detectar"; os ícones de microfone e alto-falante devem ficar verdes.
Passo 3:Escolha uma voz ou efeito sonoro e clique para aplicar. Passe o mouse sobre o avatar em desenho animado para ajustar volume, tom e timbre.
Passo 4:Ative "Voice Changer" e "Ouvir a mim mesmo", depois fale para verificar o resultado. Em um ambiente barulhento, ligue a redução de ruído, mas mantenha baixa, pois um ajuste alto pode filtrar partes da sua voz.
Passo 5:No app que você usará, como Discord ou Steam, abra as configurações de voz e defina o dispositivo de entrada para "HitPaw Virtual Audio".
Use fones de ouvido o tempo todo. Alto-falantes vazam para o microfone e criam um loop de feedback. Se ninguém conseguir ouvir você, o problema mais provável é que o dispositivo de entrada errado está selecionado.
Fish Audio Drama 3 vs. VoicePea: Qual Você Deve Escolher?
A única diferença é onde cada um começa. Drama 3 parte de um roteiro escrito e cria fala expressiva. VoicePea parte da sua voz e a modifica, ao vivo ou em um arquivo.
Use Drama 3 para narração roteirizada, diálogo multi-personagem ou qualquer tarefa que exija direção de cada fala. Se quiser soar como outra pessoa em um jogo, stream ou chamada, ou mesmo alterar uma gravação existente, use VoicePea. Você também pode combiná-los: gere o diálogo no Drama 3 e use VoicePea para as partes que você mesmo interpreta.
Perguntas Frequentes sobre o Fish Audio Drama 3
É o modelo de texto para fala da Fish Audio para performances dirigidas.
Segundo os documentos, custa $50,00 por milhão de bytes UTF-8, com $10,00 durante o período de lançamento até 12 de novembro de 2026. Essa página não menciona um nível gratuito, então verifique a página de preços da Fish Audio para planos e créditos atuais.
Sim. Inclua vários IDs de voz em reference_id e adicione uma tag de locutor a cada fala. Uma solicitação pode produzir uma cena completa.
Fish Audio documenta clonagem de voz como um recurso independente, e a página do Drama 3 menciona usar uma voz clonada de um falante bilíngue para troca de idioma. Certifique-se de clonar apenas vozes que você tem permissão para usar.
Conclusão
O que mais me impressiona no Drama 3 é o controle que ele oferece sobre a entrega. Direções entre colchetes, sons embutidos, tags ao nível da palavra e cenas com múltiplos locutores a partir de uma única solicitação o tornam adequado para narração, diálogos de animação e histórias centradas em personagens. No entanto, espere um pouco de aprendizado prático. Os resultados variam de uma geração para outra, e o que você pode fazer depende do seu plano.
Para narração expressiva com IA, vale a pena tentar. Para quem quer alterar a própria voz, HitPaw VoicePea é uma opção conveniente.
Deixe um Comentário
Crie sua avaliação para os artigos do HitPaw
