Fish Audio S2

Fish Audio S2是Fish Audio於2026年3月11日發布的文本轉語音(TTS)模型，主打超強情感可控性與完全開源。用戶可通過自然語言指令實現詞級或短語級的精細韻律與情緒調節，支持插入如[laugh]或自由描述，標誌著開源TTS技術在表現力上取得重大突破。原生支持多說話人處理，單次推理可處理多個說話人，支持對話輪轉和打斷。基於約1000萬小時、覆蓋近50種語言的音頻數據訓練，結合強化學習對齊與雙自回歸架構。在多項基準測試中展現領先自然度與表現力，推理延遲低於150毫秒。完全開源。

基本介紹

• 外文名：Fish Audio S2
• 發布時間：2026年3月11日 

核心功能

Fish Audio S2的核心優勢在於其前所未有的情感控制能力和技術開放性：

精細化情緒控制：用戶可在文本中直接插入如 [laugh]（笑）、[whispers]（耳語）、[super happy]（超級開心）等標籤，甚至自由描述如“專業播音腔”或“升高音調”，實現對語音在詞級或短語級的精準情緒與韻律調節。

完全開源：模型權重、微調代碼及基於SGLang的流式推理引擎全部在GitHub與Hugging Face平台公開。其旗艦版本S2-Pro擁有約44億參數。

超低延遲：推理延遲低於150毫秒，適合對話機器人、虛擬主播等實時套用場景。

原生多說話人支持：單次推理即可處理多個說話人，支持對話輪轉、打斷，並能保持音色一致性與自然的情感傳遞，無需額外處理。

技術基礎

Fish Audio S2基於約1000萬小時、覆蓋近50種語言的音頻數據訓練，結合了強化學習對齊與雙自回歸架構。在多項基準測試中，它展現出領先的自然度與表現力。