Drama 3の生成速度と待ち時間を測る
この記事のポイント
- 多話者・長尺向けTTS
- SGLang-Omniで初日から動作
- H200でストリーミング推論
数字で見る
この記事に出てくる数字
| 参照音声秒数 | 3.9s |
|---|---|
| 温度 | 1.0 |
| 最大トークン数 | 500 |
どこで使えるか
長尺・多話者TTSを自前で動かしたい人向け。H200で初日から動作し、ストリーミング推論に対応。 Hugging Faceで公開済み H200で動作確認。Seed-TTS英語評価
スポンサーリンク
解説
かみくだいて説明します
fishaudioが2026-10-01に公開したDrama 3は、複数の話者が関わるシーンや長い尺のコンテンツに対応したテキスト読み上げモデルです。3.9 sの参考音声から声質をコピーする機能、自然言語で指示を出して発話のタイミングをコントロールする機能がついています。
複数の話者を一度に生成できるんですね。開発現場で組み込む場合、既存のシステムとどうつなげますか?
前回の生成結果から得られるVQトークンと呼ばれる、音声を細かく区切って番号を振ったリストそのままを、次の文章の続きとして送り込む形です。通常の言語モデルが前の文脈を次に渡すのと同じ要領で、編集を次々と重ねていけます。生成条件はtemperature 1.0、top_p 0.9、top_k 30、max_new_tokens 500に設定されています。
前のデータをそのまま次に渡す。では、実際にどれくらいの速さで音声が聞こえ始めるんですか?
測定ではNVIDIA H200を1枚使い、Seed-TTSの英語プロンプトでストリーミング配信を計測しています。最初の音が聞こえるまでの時間をTTFA、送信から最後の音が出るまでの時間をRTF、1秒あたりに生成される音声の区切り数をスループットと呼んでいます。
TTFAとRTFの違いがまだ掴めません。もう少しやさしく言うとどうなりますか?
分かりやすく言うと、TTFAはボタンを押してからスピーカーから最初の音が鳴るまでの待ち時間で、RTFはその音声が全部流れ終わるまでの通し時間です。スループットは1秒間に何個の音声を並行して作れるかの目安になります。
待ち時間と通し時間。では、長い物語を途中で切らずに続きから生成する仕組みはありますか?
あります。K5という仕組みで、2回目の編集を1回目の結果の上に直接重ねられます。文脈の中に以前の生成結果をそのまま残しながら、時間指定を正午から午後5時に書き換えるような修正も可能です。
以前の結果を残しながら修正できる。では、API経由で使う場合、特別なサーバーが必要ですか?
公開当日からSGLang-Omniという推論フレームワークで動作します。インストールからデプロイ、ストリーミングAPIの使い方まではDrama 3 Cookbookに手順がまとめられています。
最後に、このモデルを実際の長尺ドラマ制作に使う場合、どこがまだ解けていないんですか?
測定はNVIDIA H200を1枚使い、4回実行した平均値です。英語での精度については、要旨では触れていません。
出典
この記事のもとになった情報
- Hugging Face:fishaudio/drama-3
- 公開日:2026-10-01
※ 本文と音声は生成 AI が作成しています。内容は出典をご確認ください。
本作品のキャラクターには株式会社Live2Dの著作物であるサンプルデータが株式会社Live2Dの定める規約に従って用いられています。本作品は制作者の完全な自己の裁量で制作されています。このキャラクターモデルは株式会社Live2Dより許諾を得て商用利用しています。