Según MarkTechPost (AI/ML News), Fish Audio lanzó Drama 3, una tecnología de síntesis de voz que transforma scripts con instrucciones de actuación en speech natural. Este modelo, con un total de 35 billones de parámetros, activa aproximadamente 3 billones por token, distribuidos entre 8 expertos de 256 y un componente compartido. La arquitectura se basa en Qwen3.5-35B-A3B, una red de lenguaje con 40 capas, estructurada en grupos de tres capas de DeltaNet con un solo bloque de atención gateada por cada grupo. Solo una de cada cuatro capas conserva información de clave y valor, optimizando el rendimiento en tareas de generación de voz. Los datos de desempeño revelan una precisión de hasta 95,9% en la pronunciación de marcas, lugares y términos técnicos, mientras que baja a 86,3% en secuencias exactas como códigos, rutas o correos electrónicos, indicando una limitación en contextos específicos. El modelo está disponible en Hugging Face y a través de una API accesible para desarrolladores, permitiendo la creación de diálogos, audiolibros y subtítulos con múltiples voces. Para su ejecución, requiere al menos una GPU NVIDIA de 48 GB en formato FP8, sin soporte para CPUs, Apple MPS ni AMD ROCm. Los resultados oficiales se midieron en una GPU H200, lo que evidencia un alto costo de infraestructura para su operación.
El modelo permite a escritores incluir instrucciones de actuación en formato de texto, como "[barely holding it together]" o etiquetas como "<whisper>", que afectan solo el texto encerrado. Cualquier lengua puede ser utilizada en las direcciones, independientemente del idioma del audio generado. El soporte multilingüe alcanza 83 idiomas, y permite hasta 16 voces distintas en una sola solicitud mediante etiquetas <|speaker:0|> hasta <|speaker:15|>. Cada voz se define por un ID único en la API, lo que facilita la reproducción de escenas completas en una sola llamada. A pesar de su alto rendimiento en evaluaciones de calidad, Drama 3 aún queda por debajo de servicios cerrados en el ámbito de precisión de pronunciación, especialmente en escenarios técnicos.
Para inversionistas y profesionales del sector peruano, este avance en inteligencia artificial representa una oportunidad clave. En un entorno donde el contenido audiovisual y digital se expande rápidamente —como en la creación de contenidos educativos, narrativas de marca o servicios de atención al cliente—, herramientas como Drama 3 permiten producir voz natural y personalizada sin necesidad de equipos de voz humanos. Sin embargo, el requisito de una GPU de 48 GB y la limitación de licencia por ingresos podrían dificultar su adopción en pequeñas empresas o entidades locales. Aunque el modelo está abierto, su implementación requiere infraestructura costosa, lo que impulsa la necesidad de buscar soluciones más accesibles para el mercado peruano. La tecnología, por ahora, está dirigida a desarrolladores avanzados, pero su potencial para impulsar el contenido audiovisual local podría crecer con el desarrollo de plataformas más sencillas y adaptadas a condiciones reales de uso en el país.