📘 Fish Audio是什么？

Fish Audio由前英伟达研究员Shijia Liao于2024年创立，最初只是他在卧室里用一张RTX 4090显卡训练的开源项目Fish Speech。没想到这个项目在GitHub上迅速走红，至今已获得超过3.2万个Star。

2025年，Fish Audio正式成立公司，总部设在帕洛阿尔托。到2026年，团队只有22人，却做到了年经常性收入（ARR）2100万美元，平台用户超过800万。2026年7月，公司完成了5200万美元的种子轮融资，由今日资本（徐新创办）和Coreline Ventures领投，连梅西的Play Time也参与了投资。

它的核心价值可以用一句话概括：让语音合成既有"质感"又有"控制感"——不仅声音像真人，还能精准控制语气、情感和节奏。

⚡ 核心功能与AI亮点

S2.1 Pro：当前最强语音模型

Fish Audio目前最先进的模型是S2.1 Pro，在盲测中，近67%的听众偏好它超过其他主流竞品。这个模型目前通过付费API提供，支持83种以上语言，能从5秒音频片段中快速克隆声音。

超15000种自然语言情感控制

这是Fish Audio最独特的地方。你不需要记住什么专业参数，直接用自然语言描述你想要的语气——比如"用兴奋的语气说""温柔一点""像在讲一个悲伤的故事"——模型就能理解并执行。这种控制粒度对内容创作者、游戏配音、有声书制作来说非常实用。

专业级语音克隆

Fish Audio的语音克隆支持两种方式：

持久克隆（Persistent Model）：上传一段或多段音频训练一个可复用的声音模型，适合需要长期使用同一种声音的场景。
即时克隆（Instant Clone）：每次生成时直接传入参考音频，不需要单独训练模型，适合一次性或临时用途。

克隆时建议使用干净、单声道、无背景音的音频，时长10秒到几分钟效果最佳。你还可以同时上传音频对应的文本，能进一步提升发音准确度。

多语言支持与本地化

支持83种以上语言，覆盖主流语种和小语种，适合出海业务、多语言配音等场景。

语音转文字（ASR）

除了TTS，Fish Audio也提供语音识别模型，支持将音频转成文本，适合需要语音转录的场景。

开源模型与社区生态

Fish Audio已经开源了3款语音模型，其中最知名的是Fish Speech S1-mini（0.5B参数），适合本地部署。社区在GitHub上贡献了大量代码，也积累了大量共享声音模型——平台上已有超过200万个社区声音模型。

🛠️ 如何安装与使用

Fish Audio提供两种主要使用方式：云端API和本地自托管。

方案一：云端API（推荐给大多数用户）

最快上手的方式，注册账号后直接调用API即可。

1. 注册账号并获取API Key

前往fish.audio注册账号，登录后在Dashboard的API Keys页面创建一个新Key，保存好。

2. 安装Python SDK

pip install fish-audio-sdk

3. 设置环境变量并生成语音

export FISH_API_KEY=你的API密钥

from fishaudio import FishAudio
from fishaudio.utils import save

client = FishAudio()  # 自动读取FISH_API_KEY

# 基础TTS
audio = client.tts.convert(text="你好，欢迎使用Fish Audio。")
save(audio, "output.mp3")

4. 使用克隆声音

# 先创建一个声音模型
voice = client.voices.create(
    title="我的声音",
    voices=[open("my_voice.wav", "rb").read()],
    description="克隆自录音",
    visibility="private"
)

# 用这个声音生成语音
audio = client.tts.convert(
    text="现在我用克隆的声音说话。",
    reference_id=voice.id
)

对Node.js开发者，Fish Audio也提供了JavaScript SDK。

方案二：本地自托管（适合需要私有化部署的团队）

Fish Audio的开源模型支持本地部署，适合对数据隐私要求高的企业。

硬件要求：建议24GB以上显存的GPU（如RTX 4090或A100），系统推荐Linux或WSL。

安装步骤：

# 克隆仓库
git clone https://github.com/fishaudio/fish-speech.git
cd fish-speech

# 创建conda环境
conda create -n fish-speech python=3.12
conda activate fish-speech

# 安装依赖（以CUDA 12.9为例）
pip install -e .[cu129]

本地部署后可以通过命令行、HTTP API或WebUI进行推理。Fish Audio也提供了Docker镜像，支持一键部署。

移动端App

Fish Audio还提供iOS和Android移动应用，支持在手机上直接克隆声音、文本转语音、语音转文字和多角色故事创作，适合内容创作者在路上使用。

🧠 使用技巧与最佳实践

克隆声音的音频质量决定成败

声音克隆效果好坏，80%取决于参考音频。尽量用干净、单声道、只有一个人在说话的音频。避免背景音乐、混响或多人对话。10秒到2分钟的清晰语音效果最好，如果能同时提供音频对应的文本，发音会更精准。

善用"自然语言情感控制"

不用去调什么音调、语速参数，直接用日常语言描述你想要的语气就行。比如"用惊讶的语气说""语速慢一点，带点犹豫"。平台支持超过15000种自然语言控制词，多试几种描述方式，效果会不一样。

区分"持久克隆"和"即时克隆"

如果同一个声音要用很多次，走持久克隆流程——训练一次拿到voice.id，后面反复用。如果只用一次，比如给某个角色临时配一句话，用即时克隆更省事。

本地部署时善用--compile优化

如果你在RTX 4090这类显卡上本地跑模型，加上--compile参数能让推理速度提升约10倍。注意这个选项在Windows和macOS上暂不支持。

🌍 全球使用情况与数据

用户规模

截至2026年中，Fish Audio平台用户已超过800万。GitHub上Fish Speech主仓库获得超过3.2万Star。平台上社区共享的声音模型已超过200万个。

企业客户

HeyGen、Retell、LiveKit、OpenArt、Telnyx、Sanas等公司已在使用Fish Audio的API服务。

营收与融资

2026年7月，年经常性收入（ARR）达到2100万美元，相比2月的1000万美元翻了一倍。人均创造ARR接近95万美元，这个数字在AI初创公司里相当亮眼。同期完成5200万美元种子轮融资。

💰 收费模式

Fish Audio提供两种收费体系：面向个人创作者的订阅制，和面向开发者的API按量付费。

订阅套餐（个人创作者）

免费版：每月8000积分，约7分钟生成，单次500字符上限，3个公开音色槽位。
Plus（5.5美元/月，年付66美元）：每月25万积分，约200分钟生成，含10个私有音色槽位，可使用Voice Design功能。
Pro（37.5美元/月，年付450美元）：每月200万积分，约1620分钟生成，含3个团队席位，无限音色槽位，5个专业音色槽位。
Max（749美元/月，年付8988美元）：每月2500万积分，适合大规模生产团队。

每分钟生成约消耗600-625积分。

API按量付费（开发者/企业）

TTS模型：15美元/百万UTF-8字节，约相当于18万英文单词或12小时语音。
ASR语音识别：0.36美元/音频小时。
Voice Design：0.01美元/成功请求。

API没有订阅费，用多少付多少。并发限制根据累计消费金额自动提升：消费100美元以下5并发，100美元以上15并发，1000美元以上50并发。

注意：网上流传的周订阅9.99美元等信息似乎是第三方App或不同市场的定价，建议以官方最新价格为准。

❓ 常见问题与排障

Fish Audio和ElevenLabs有什么区别？

两者都是AI语音领域的头部玩家。Fish Audio的差异化在于：一是更强的"自然语言情感控制"能力，超过15000种控制词，不需要调参数；二是开源策略，部分模型可以本地部署，适合对数据隐私有要求的团队。价格上，Fish Audio的15美元/百万字符在竞品中也属于有竞争力的区间。

免费版能用什么？

免费版每月有8000积分，大约能生成7分钟语音，单次上限500字符，只能使用公开音色槽位，不能商用。另外，新注册用户在API端通常会有5美元的试用额度。

声音克隆需要多少音频素材？

10秒以上的清晰音频即可生成可用克隆，1-2分钟效果更佳。如果音频质量很好，5秒也能出效果。关键是音频干净、无背景噪音。

本地部署需要什么配置？

推理至少需要12GB显存，推荐24GB（如RTX 4090）。系统建议Linux或WSL。如果只是测试，CPU模式也能跑，但速度会慢很多。

遇到CUDA显存不足怎么办？

可以尝试用--half参数启用FP16推理，减少显存占用。也可以关掉其他占用GPU的应用，或者调小批处理大小。

生成的语音有杂音或不够清晰？

首先检查参考音频的质量。如果参考音频本身有背景噪音或混响，克隆出来的声音也会有问题。平台默认开启了enhance_audio_quality参数，会帮你降噪和归一化，但如果原始素材太差，效果还是会打折扣。

Fish Audio