Fish Speech 声 2026.10.13

セリフに「演出」を付けて読むドラマ特化TTS「Drama 3」（プレリリース）

公式発表： Fish Audio Drama 3 — Pre-Release

テキストを「演出つきの演技」に変えるオープンソースTTS。自然な言葉で演技指導ができ、複数キャラの掛け合い、テイクの言い直し、声のクローンまで1つのモデルで扱う。ただし動かすには大きめのGPUが要る。

指示2人の言い合い。Aは苛立ち、Bは泣きそうに

テイク1▶ 生成された音声

メモA、もっと苛立って。でも最後は泣きそうに

テイク2▶ 演技を直して再生成

テイクを直す流れのイメージ（公式の説明をもとに再構成）

何が変わったか

Drama 3は「セリフを演じる」ことに振った音声生成モデル。単なる読み上げではなく、監督が役者に指示を出すようなワークフロー（指示→テイク→直し）を、1つのモデルの中で回せることを狙っている。オープンソースで、モデルもHugging Faceで公開されている。

2人芝居のシーン生成

複数キャラクターの掛け合いをまとめて生成できる。会話劇のセリフを、キャラごとに声を変えて一気に起こす使い方ができる。

キャラAなんで黙ってたんだよ

キャラB（泣きそうに）…言えなかったの

テイクを言い直させる

生成したセリフに「もっと苛立って、でも泣きそうに」のようなメモを渡すと、次のターンで演技を直してくる。監督が役者に指示を出す感覚に近い。

メモもっと苛立って、でも最後は泣きそうに

テイク2▶ 演技を直して再生成

一言だけ差し替える

録り直しではなく、音声の部分編集（インフィリング）で特定の箇所だけ直せる。長尺の朗読やドラマの一部修正に向く。

長尺の朗読→一言だけ直したい→部分編集（インフィリング）

「ローカルで演技系ボイス」は、素材を外に出さない制作方針にも合う本命ルート。ただし48GB級のGPUは個人環境では重い部類なので、まずPlaygroundで質を確認し、ローカル運用は機材と相談するのが現実的。