Fish Audio Drama 3の使い方
— AI1つで3人を演じ分ける日本語ボイスドラマの作り方

2026年10月26日 ／ Routine Labo

Fish Audio が 2026年10月13日に正式公開した音声モデル Fish Audio Drama 3。 原稿の中に [小声で、焦りながら] のような演出を書くと、その通りに演じて読み上げます。 しかも1回の生成で最大16人の掛け合いが作れます。 このページでは、3人のボイスドラマの書き方、日本語の読み間違いの直し方、料金と API の落とし穴を、音声つきでまとめます。

Fish Audio Drama 3 とは・何が新しい

Fish Audio Drama 3 は、Fish Audio の新しい音声モデルです（API のモデル名 drama-3・前のモデルは S2.1 Pro）。 9月23日にプレビュー、10月13日に正式公開されました。新しい点は3つです。

• 演出を文章で書ける：[涙をこらえながら、無理に笑って] のように、角括弧の中に日本語で書ける
• 1回で最大16人の掛け合い：話者ごとに声を割り当てる（Gemini の音声は1回2人まで）
• 一部だけ作り直せる：気に入らない所だけ直す

モデルの重みも公開されていますが、動かすには GPU のメモリが約46〜48GB 必要です。普通は Web か API で使います。

出典：Fish Audio「Fish Audio Drama 3」発表ブログ（2026-10-26 取得）
fish.audio

1年前の世代（S1）と同じ原稿を同じ声で読ませると、ふつうのナレーションは AI の判定で差が出ませんでした。 変わったのは「読み上げ」ではなく「演技」と「掛け合い」です。

料金・無料で使える？・商用は？

公式ブログは「100万文字」、ドキュメントは「100万バイト」と書いていて食い違っています。 実際に24回生成して請求額を確かめると、バイトで数えた額と一致しました（1ドル=150円で換算）。

出典：Fish Audio ドキュメント「Pricing and rate limits」・料金ページ（2026-10-26 取得）
docs.fish.audio・fish.audio

評価は？ネットの反応は？

人が聞き比べて順位を付ける Artificial Analysis の投票で、Fish Audio Drama 3（Preview）は声の好みで10位（Elo 1249・重みを公開しているモデルでは最上位）。 1位は ElevenLabs v4 Turbo（1338）、5位は Gemini 3.8 Flash TTS（1283）です。 一方、英語の発音の正確さは1位（93.2%）と Fish Audio は発表しています。どちらも英語の評価で、日本語の順位は出ていません。

出典：Artificial Analysis「Text to Speech Leaderboard」（2026-10-26 取得）
artificialanalysis.ai

• X・@alex_prompter：同じ台本を指示あり・なしで比べ、「声が人間っぽくても読み方で台無しになる」問題を指示で直せると紹介（x.com・10/13頃）
• X・@kimmonismus：冷静に始めて、文の途中で苛立ちをにじませる演出ができる（x.com・10/13頃）
• ブログ・クーラット：2人の掛け合い31秒を1回で生成。1行目が2人目だと声が切り替わらないこともあった（freecraftlog.com・10/14）
• DEV・RitzaCo：ElevenLabs と比べると ElevenLabs のほうが人間っぽい。金額と日付を読み間違えた（dev.to・10/22）

使い方①：3人のボイスドラマを作る

Web では Drama 3 の Text to Speech で話者を追加して、それぞれに声を割り当てます。 API では行の頭に <|speaker:0|> から順に話者の番号を書き、声の ID を同じ順番で並べます。 演出は角括弧の中に日本語で書けて、読み上げられません。

<|speaker:0|>[小声で、焦りながら] 本番まであと5分です。台本、まだですか？
<|speaker:1|>[のんきに、少し笑って] 大丈夫です。AIに書かせてるので。
<|speaker:2|>[申し訳なさそうに、ため息まじりに] …そのAI、さっきからずっと「考え中」です。
<|speaker:1|>[急に真顔になって] <whisper>皆さん、落ち着いて聞いてください。今日の台本は、ありません。</whisper>
<|speaker:2|>[こらえきれずに吹き出して] いや、言い方！

大丈夫です。もう、慣れましたから。

[涙をこらえながら、無理に笑って] 大丈夫です。もう、慣れましたから。

声が入れ替わる行があるので、掛け合いは2〜3テイク作って、入れ替わっていないテイクを選ぶのがコツです（公式もテイクごとのばらつきを認め、何本か作って選ぶ前提にしています）。 2026年10月26日に API で生成し、AI の文字起こし（Gemini 3.8 Flash）で判定しました。

使い方②：日本語の読み間違いと直し方

東雲の空が、少しずつ明るくなってきました。
今夜は十六夜の月がきれいですね。
発表は9/25の午後でした。

しののめの空が、少しずつ明るくなってきました。
今夜はいざよいの月がきれいですね。
発表は九月二十五日の午後でした。

同じ10文を、ElevenLabs v4（9月30日）・Gemini 3.8 Flash TTS（9月25日）と同じ方法（AI の文字起こし）で判定しました。声はモデルごとに違います。 Drama 3 は日付の「9/25」を分数として読み、もう1回作っても同じでした。 直し方は ひらがな（しののめ・いざよい）と漢字の日付（九月二十五日）で、3つとも正しく読めました。

API で使うときの1行

API はヘッダに model: drama-3 を書きます。書き忘れてもエラーは出ず、前のモデル S2.1 Pro で作られます（公式ドキュメントにも明記）。 同じ原稿で試すと、女性の「考え中？」が男性の声になり、ささやきが消え、料金も S2.1 Pro の単価（100万バイト15ドル）で引かれました。

curl -X POST https://api.fish.audio/v1/tts \
  -H "Authorization: Bearer $FISH_API_KEY" \
  -H "Content-Type: application/json" \
  -H "model: drama-3" \
  -d '{
    "text": "<|speaker:0|>[小声で、焦りながら] 本番まであと5分です。台本、まだですか？\n<|speaker:1|>[のんきに、少し笑って] 大丈夫です。AIに書かせてるので。",
    "reference_id": ["<話者0の声のID>", "<話者1の声のID>"],
    "format": "mp3"
  }' --output drama.mp3

出典：Fish Audio ドキュメント「Drama 3」（2026-10-26 取得）
docs.fish.audio

どこに使えるか

まとめ

• 演技と掛け合いは Drama 3：原稿に演出を書けて、1回で3人。25秒が3秒弱
• 読みの正確さと声の好みは ElevenLabs：難読語10文で v4 は7つ、Drama 3 は4つ
• 値段は割引中なら Drama 3：11月12日まで100万バイト10ドル（定価50ドルだと逆転しうる）
• コツ：掛け合いは2〜3テイクから選ぶ／日付と難読語は書き方で直す／API は model: drama-3 を必ず書く