Fish Audio

Fish Audio是什么？

Fish Audio是一款面向内容创作、配音、本地化、实时语音产品和开发者集成的AI语音平台。用户可以在网页中输入脚本生成自然语音，也可以用短录音即时克隆声音、训练长期使用的声音模型、制作多人有声书、改变已有录音的音色，并完成转写、音乐与电影音效生成、音轨分离等处理。

平台当前以S2.1 Pro、S2 Pro和S1等语音模型为核心，同时提供REST API、WebSocket流式接口、Python与JavaScript SDK。网页会员和API余额是两套不同计费体系：会员按月发放Credits，API则主要按UTF-8字节、音频时长或成功请求量计费，购买前应先确定使用入口。

文字转语音

文字转语音支持80多种语言，可处理中文、英文及多语言混排。用户可以选择平台公开声音、自己的克隆声音或专业声音，调整语速、情绪与表演方式，并导出MP3、WAV、PCM或Opus等格式。

数字、日期、货币、缩写、品牌名和专业术语仍可能读错。正式项目应先制作发音测试集，将长脚本拆段试听，再统一专有名词和停顿规则。

S2.1 Pro语音模型

S2.1 Pro是当前推荐的生产模型，重点提升音质、首包延迟和吞吐量。它支持自然语言方向标签、多说话人对话、跨语言切换、即时声音克隆、流式音频和词级时间戳，适合语音代理、游戏角色、互动故事和大规模旁白。

官网展示的首段音频延迟约为100毫秒以内或70至90毫秒量级，但这属于特定硬件、地区、文本和网络条件下的指标，不等于所有请求都能达到。生产环境还要测量端到端网络、排队、播放器缓冲及并发限制。

S2 Pro与S1

S2 Pro是上一代模型，支持在方括号中使用自然语言描述情绪、语气和动作，也能一次生成多说话人对话。S1使用圆括号情绪标签，适合已有工作流兼容和特定声音效果。

不同模型对标签、语言、短句和复杂文本的表现不同。迁移模型时不能只替换名称，应重新检查音色相似度、节奏、敏感词、时间戳和单位成本。

即时声音克隆

即时克隆可从一段参考音频提取音色和说话风格，并把声音用于其他语言的语音生成。短样本适合快速试验，录音越干净、单人、无音乐且发音越稳定，结果通常越可靠。

声音相似不代表身份、情绪和口音能够完全复制。任何真人声音都应取得本人明确同意，并约定用途、期限、地域、可访问成员和删除方式；

不得用来冒充、诈骗或制作误导性声明。

增强与专业声音克隆

网页方案还区分增强克隆和Professional Voice。专业声音通常需要更规范的录音与训练流程，适合长期品牌声线、有声书和高一致性项目，并受会员中的专业声音槽位数量限制。

公开、私有和专业声音槽位不是生成分钟数。公开声音可能进入社区可发现范围，私有声音仅供账户或团队使用；

涉及演员、客户和未发布品牌声音时，应优先选择私有权限并检查共享设置。

Voice Design声音设计

Voice Design允许用文字描述年龄、音色、口音、速度、气质和用途，系统生成多个候选声音。它适合为虚构人物、广告和游戏快速探索声线，不需要先找到真人参考音频。

文字描述可能产生相近或不稳定结果。重要角色应保存参考音频和Voice ID，并验证候选声音是否与真实人物或受保护角色过度相似。

多人长音频与有声书

网页端可以组织多个角色和较长脚本，制作播客、对话、有声书和旁白项目。S2.1 Pro原生多人能力可在一次生成中切换说话人，减少后期拼接。

长文本容易积累重音、角色错位和响度差异。建议按章节生成，锁定每个角色的声音，并在最终导出前进行完整试听和响度标准化。

Voice Changer变声

Voice Changer把上传的录音转换为另一种声音，同时尽量保留原始节奏与表达。它适合把临时旁白替换成统一角色声线，也能用于跨语言或创意音频流程。

背景音乐、混响、重叠说话和强噪声会降低转换质量。变声不改变原录音的版权与同意要求，输入说话者和目标声音都必须具备合法授权。

音频转写

Fish Audio的ASR可把音频转为带分段时间戳的文本，便于字幕、检索和后续配音。API的transcribe-1当前按音频小时计费，并按秒向上取整。

多人重叠、方言、噪声和专有名词会影响准确率。法律、医疗、财务和公开字幕需要人工校对，不能把自动转写直接当作逐字证据。

音乐、音效与音频工具

网页应用还提供提示词生成音乐与电影音效、音轨分离及相关音频工具，适合给短视频、播客和游戏制作素材。不同工具的Credits消耗和商用边界可能不同，应在生成页核对。

AI生成不保证绝对无版权争议。发布前应保存生成记录，检查平台条款、样本相似度和目标发行渠道对AI音乐的要求。

Free免费方案

Free为0美元，无需信用卡，每月提供8000 Credits，按官网估算最多约7分钟生成；单次最多500字符，并包含3个公开声音槽位、标准生成速度、增强声音克隆和商业使用。

“最多7分钟”按约每分钟600至625 Credits估算，实际消耗会受模型、功能和设置影响。月度Credits不是永久余额，免费方案也不适合存放需要严格保密的声音。

价格与版本对比

Plus价格

Plus年度方案当前促销显示月均5.5美元、全年66美元，页面原价为15美元/月。每月提供250000 Credits，按基础消耗估算最多约200分钟；

单次最多15000字符，包含无限公开声音、10个私有声音槽位、Voice Design、1个专业声音槽位、优先使用最新模型、增强克隆和商业使用。

周年或年度折扣属于实时促销，结束后可能恢复原价。应以结算页的币种、税费、续费价格和账期为准。

Pro价格

Pro年度方案当前促销显示月均37.5美元、全年450美元，页面原价为100美元/月。每月提供2000000 Credits，最多约1620分钟、3个团队席位、单次30000字符、无限公开和私有声音槽位、5个专业声音槽位，并标注7天退款保证。

退款保证应按购买渠道、使用量和当前退款规则判断，并非所有已大量消耗额度的订单都必然退款。团队应在正式采购前确认成员权限、项目共享和声音所有权。

Max价格

Max年度方案显示月均749美元、全年8988美元，页面同时列出999美元/月的原始或月付价格。每月提供25000000 Credits，估算最多约6250分钟、10个团队席位和15个专业声音槽位，适合高频生产团队。

Max的Credits与标称分钟并非简单按统一比例换算，说明不同模型或工作流可能有差异。大批量客户应根据真实脚本做成本测试，而不是只按最大分钟数采购。

Enterprise企业方案

Enterprise按需报价，可提供年度或按量组织方案、批量折扣、零数据保留、私有化或本地部署、SOC 2相关企业能力和定制支持；SSO在当前比较页仍可能标为即将推出。

零数据保留和本地部署需要写入合同并核对覆盖范围，不能因为页面出现企业标签就默认所有输入、日志、备份和声音模型都不留存。

API按量价格

API没有强制月订阅或最低月消费。S2.1 Pro、S2 Pro和S1文字转语音当前均为每100万UTF-8字节15美元。

官方估算100万字节约等于18万英文单词或12小时语音，但中文字符通常占更多UTF-8字节，不能直接套用英文单词换算。

ASR当前为每音频小时0.36美元，按秒向上取整；Voice Design每次成功请求0.01美元。

失败、重试、长文本拆分和多版本生成都会改变最终成本。

S2.1 Pro Free API

s2.1-pro-free在公平使用政策下为0美元，支持83种语言，定位于测试、原型、开发和较小规模业务。它使用与S2.1 Pro相同的模型，但不提供首包延迟、数据处理协议或企业服务保证，免费开放期与规则也可能调整。

免费模型不等于无限制生产SLA。关键业务应准备付费模型、超时重试、熔断、缓存和替代供应商，并定期检查公平使用限制。

API并发等级

并发上限按账户累计预付金额分级：累计付费不足100美元的Starter通常为5并发；达到100美元的Elevated为15并发；

达到1000美元的High Volume为50并发；Enterprise按合同配置。

并发数不是每秒请求数，也不保证固定延迟。流式长请求会更久占用连接，开发者需要队列、限流、指数退避和可观测性。

REST、WebSocket与SDK

开发者可以通过REST发起普通生成，通过WebSocket接收流式音频，并使用官方Python和JavaScript SDK管理TTS、转写与声音模型。接口支持创建、列出、更新和删除声音，也可与LiveKit、Pipecat等实时语音框架集成。

API Key必须保存在服务端或密钥管理系统，不应写入网页、移动端包或公开仓库。生产系统还要验证文件类型、限制文本长度、记录请求ID，并处理流式连接断开。

GitHub与开源状态

Fish Audio网页平台、托管API、账户系统和社区声音市场不是完整开源产品。官方GitHub提供Fish Speech源码、模型相关资源、SDK和运维工具，但公开代码不等于可无条件商用。

当前Fish Speech主分支的代码和关联模型权重统一采用Fish Audio Research License。研究与非商业使用可按许可进行；

任何商业用途，包括企业内部运营、收费产品、托管服务或API，都需要另行取得Fish Audio书面商业许可。

旧页面中关于Apache或CC-BY-NC-SA的说明可能对应历史版本，判断时应以所使用版本随附的当前许可证为准。

本地部署

官方Fish Speech文档提供Linux或WSL安装、Docker、WebUI和API服务器方式，S2系列推理建议约24GB显存，也提供CPU路径。企业还可咨询VPC、本地、主权云或隔离网络部署。

能下载并运行模型不代表获得商业部署权。自托管还要承担GPU成本、模型安全、更新、滥用防护、日志与数据合规，商业项目必须先取得单独许可。

商业使用与声音授权

网页Free及付费方案当前都标注商业使用，但这一授权仅覆盖在遵守条款前提下使用服务生成的输出，不会替用户取得脚本、音乐、真人声音、角色、商标和其他上传素材的权利。

Hosted服务输出权利与Fish Speech研究许可证是两件事：通过会员或API生成商业内容，不表示可以把下载的模型权重用于商业自托管。敏感项目应保留同意书、声音来源和发布审核记录。

Fish Audio使用教程

完成一次基础任务

1. 确认录音、声音、音乐及参与者授权；
2. 把清晰音频上传或录入Fish Audio；
3. 选择语言、说话人和文字转语音等处理设置；
4. 使用S2.1 Pro语音模型生成转录、配音或清理结果；
5. 逐段检查姓名、数字、停顿、音量和情绪；
6. 导出前确认格式、响度、版权和隐私要求；

建立可复用的专业工作流

1. 用真实噪声、口音和多人片段建立测试集；
2. 比较文字转语音、S2.1 Pro语音模型和S2 Pro与S1的处理差异；
3. 保留原始录音和未经修改的转录；
4. 对外发布前安排人工听审；
5. 统计处理时长、错误率和额度消耗；
6. 定期更新术语表、声音授权和删除策略；

适合哪些用户？

• 制作视频旁白、播客、有声书和课程音频的创作者；
• 需要多语言配音、角色对话和本地化的内容团队；
• 希望快速建立品牌声音或游戏角色声音的企业；
• 构建Voice Agent、客服、陪伴应用和无障碍产品的开发者；
• 研究和评估可本地运行语音模型的技术团队。

产品优势

• 覆盖80多种语言并支持多语言自然切换；
• S2.1 Pro支持自然语言表演标签和原生多人对话；
• 网页端同时提供克隆、长音频、变声、转写和音频工具；
• REST、WebSocket、Python与JavaScript SDK较完整；
• 提供公平使用限制下的免费API模型；
• 既有托管服务，也有研究用途的可下载模型与企业部署选项。

限制与注意事项

• 网页Credits、API余额和自托管许可证相互独立，不能把会员分钟直接用于API；
• 促销价格、免费模型和公平使用政策可能变化，预算应以结算页和控制台为准；
• AI声音会出现发音、角色、情绪和相似度偏差；
• 声音克隆、变声和社区声音必须核验授权，重要内容需要人工试听；
• FishSpeech当前研究许可证不授予商业使用权；

常见问题

Fish Audio免费吗？

网页Free每月提供8000 Credits，最多约7分钟；API另有公平使用限制下的s2.1-pro-free模型，但没有生产SLA和数据处理协议保证。

Fish Audio多少钱？

当前年度促销中Plus为全年66美元，Pro为450美元，Max为8988美元；Enterprise定制。

促销和续费价会变化，以结算页为准。

API如何收费？

S2.1 Pro、S2 Pro和S1 TTS当前均为每100万UTF-8字节15美元；转写每音频小时0.36美元；

Voice Design每次成功请求0.01美元。

支持中文吗？

支持中文和80多种语言，也支持多语言混排。中文按UTF-8字节计费时不能直接套用英文单词估算。

可以克隆自己的声音吗？

可以使用即时、增强或专业克隆，但必须取得说话者明确授权，并根据隐私需求选择公开或私有声音槽位。

Fish Audio开源吗？

托管平台不是开源产品。Fish Speech源码和模型可公开获取，但当前采用Fish Audio Research License，研究和非商业使用可按许可进行，商业用途必须另获书面许可。