Editor’s Note
XピックアップFish Audio「Drama 3」は音声の再演・部分編集まで統合 Hermes連携はAPI経由
Teknium氏は日本時間10月14日、Fish Audioの音声生成モデル「Drama 3」にHermes Agent向けプラグインがあると紹介した。Drama 3の変化は、単語一つの声色を調整できることだけではない。前のテイクを踏まえた演じ直しや音声の一部分だけの修正、複数人物の会話、長尺生成までを一つのモデルで扱う。音声エージェントを組む人には、生成し直す範囲を小さくできる可能性が実用上のポイントだ。
単語の調整から、テイク全体のやり直しへ
モデルカードと技術報告によると、Drama 3は350億パラメータのMoE（処理ごとに一部だけを使う構成）で、1トークン当たり30億パラメータを動かす。複数の参照音声からの声の複製、最大16人物の話者タグ、長文の自動分割、ストリーミング生成に対応し、ウェイトも公開された。
従来の一回ごとの生成と比べ、次の指示で過去テイクを修正する、途中だけを補完する、映像の場面に合わせて吹き替える、といった編集工程を同じモデルへ寄せたのが特徴だ。文章を丸ごと録り直すのではなく、「この一語だけ少し驚いた調子に」と直す感覚に近い。ただし、これらはFish Audioの資料に基づく機能説明であり、本記事では品質や速度を実機検証していない。Xで示された「最も感情豊かで制御しやすい」という評価も提供側の主張だ。
Hermes連携は「ローカル実行」ではない
Hermes AgentのプラグインカタログにあるFish Audio連携は、音声合成のほか、文字起こし、音声検索、声の複製・設計を追加するクラウドAPIプラグインだ。カタログ版v1.5.2はHermes 0.21.6以上、LinuxまたはmacOS、Fish AudioのAPIキーとクレジットを必要とし、hermes plugins install fish-audio --enableで導入する。
つまり、Drama 3の公開ウェイトを手元で動かす経路とは別物だ。自己ホストする場合は、モデルカードが案内するSGLang-Omniなどの環境を別に用意する必要がある。「Hermesからすぐ呼ぶ」と「モデルをローカルで管理する」は、同じ発表の中でも運用コストの異なる選択肢になる。
導入前に残る二つの食い違い
2026年10月14日の確認時点では、カタログ固定版v1.5.2のモデル一覧にあるのはdrama-3-previewだけだが、プラグインのリポジトリmainはdrama-3も列挙している。カタログから入れた版が正式なモデルIDを受け付けるかは、一次資料同士から確定できない。
また「open-weight」は無条件のオープンソース利用を意味しない。添付ライセンスは、商用利用を年間総収益50万ドル未満に限り、第三者向けHosted Serviceには別契約を求める。一方でモデルカード上部はResearch Licenseと表示し、添付のCommunity License v1.0と食い違う。商用導入や外部提供を考えるなら、モデルの性能評価より前に、この表示と契約条件を提供元へ確認したい。
参考資料
- fish-audio — Plugin Catalog | Hermes Agent
- 100yenadmin/fish-audio-hermes
- fishaudio/drama-3 モデルカード
- Fish Audio Drama 3 Technical Report
- Fish Audio Community License Agreement — Drama 3
