Fish Audio

Fish Audio是什麼？

Fish Audio是一個面向內容創作、配音、本地化、即時語音產品以及開發者整合的AI語音平台。使用者可以在網頁上輸入腳本來產生自然語音，也可以利用短暫的錄音來即時複製聲音、訓練可長期使用的聲音模型、製作多人有聲書、改變既有錄音的音色，同時還能進行轉寫、音樂與電影音效的生成、音軌分離等處理。

平台目前以S2.1 Pro、S2 Pro和S1等語音模型為核心，同時提供REST API、WebSocket流式接口、Python與JavaScript SDK。網頁會員和API餘額是兩套不同的計費體系：會員按月發放Credits，API則主要按UTF-8字節、音頻時長或成功請求量計費，購買前應先確定使用入口。

文字轉語音

文字轉語音支援80多種語言，可處理中文、英文及多語言混排。使用者可以選擇平台公開的聲音、自己的克隆聲音或專業聲音，調整語速、情緒與表演方式，並導出MP3、WAV、PCM或Opus等格式。

數字、日期、貨幣、縮寫、品牌名及專業術語仍可能讀錯。正式項目應先製作發音測試集，將長腳本拆段試聽，再統一專有名詞和停頓規則。

S2.1 Pro語音模型

S2.1 Pro是目前推薦的生產模型，重點在提升音質、首包延遲以及吞吐量。它支援自然語言方向標籤、多說話人對話、跨語言切換、即時聲音克隆、流式音頻以及詞級時間戳，適用於語音代理人、遊戲角色、互動故事以及大規模旁白等場景。

官網上展示的首段音頻延遲約在100毫秒以內，或是70至90毫秒左右，但這些數值是針對特定硬體、地區、文本以及網路條件所測得的數值，並不代表所有請求都能達到這樣的延遲水準。在實際使用環境中，還需要考慮端到端的網路延遲、排隊情況、播放器的緩衝能力以及同時處理多個請求的限制等因素。

S2 Pro與S1

S2 Pro是上一代產品，它支援在方括號中以自然語言來描述情緒、語氣和動作，同時也能一次生成多個說話人的對話。而S1則使用圓括號來標示情緒，這種方式適用於那些已有的工作流程，以及需要特定聲音效果的情境。

不同模型對標籤、語言、短句和複雜文本的表現不同。遷移模型時不能只替換名稱，應重新檢查音色相似度、節奏、敏感詞、時間戳和單位成本。

即時聲音克隆

即時克隆可從一段參考音頻中提取音色和說話風格，並將其用於其他語言的語音生成。短樣本適合快速試驗，錄音越乾淨、為單人發聲、沒有背景音樂且發音越穩定，結果通常越可靠。

聲音相似並不代表身份、情緒和口音能夠完全複製。任何真人的聲音都應取得本人的明確同意，並約定用途、期限、地區、可訪問的成員以及刪除方式；

不得用來冒充、詐騙或製作誤導性聲明。

增強與專業聲音克隆

網頁方案還區分增強克隆和專業聲音。專業聲音通常需要更規範的錄音與訓練流程，適合長期品牌聲線、有聲書以及需要高度一致性的專案，且其數量會受到會員中專業聲音槽位數量的限制。

公開、私有及專業的聲音槽位並非用於計算分鐘數。公開聲音可能會出現在社區的可搜尋範圍內，而私有聲音則僅供帳戶或團隊使用；

涉及演員、客戶和未發布的品牌聲音時，應優先選擇私有權限並檢查共享設定。

Voice Design聲音設計

Voice Design允許用文字描述年齡、音色、口音、速度、氣質和用途，系統會生成多個候選聲音。它適合用於為虛構人物、廣告和遊戲快速探索聲線，無需先找到真人的參考音頻。

文字描述可能產生相近或不穩定的結果。重要角色應保存參考音頻和Voice ID，並驗證候選聲音是否與真實人物或受保護角色過度相似。

多人長音頻與有聲書

網頁端可以組織多個角色和較長的腳本，製作播客、對話、有聲書和旁白專案。S2.1 Pro原生多人功能可讓在一次性生成過程中切換說話人，減少後期拼接的工作量。

長文本容易累積重音、角色錯位和響度差異。建議按章節生成，鎖定每個角色的聲音，並在最終導出前進行完整試聽和響度標準化。

Voice Changer變聲

Voice Changer能將上傳的錄音轉換為另一種聲音，同時盡量保留原有的節奏與表達方式。它適合用來將臨時的旁白替換成統一的角色的聲線，也可用於跨語言或創意音頻製作中。

背景音樂、混響、重疊的說話聲以及強大的噪音都會降低轉換品質。變聲功能並不會改變原始錄音的版權及使用限制，無論是輸入的說話者還是目標聲音，都必須具有合法的授權。

音頻轉寫

Fish Audio的ASR可把音頻轉為帶有分段時間戳的文本，便於字幕、檢索和後續配音。API的transcribe-1目前按音頻小時計費，並按秒向上取整。

多人重疊、方言、雜音和專有名詞會影響準確率。法律、醫療、財務和公開字幕需要人工校對，不能把自動轉寫直接當作逐字證據。

音樂、音效與音頻工具

網頁應用還提供提示詞生成音樂與電影音效、音軌分離以及相關的音頻工具，適合用於短影片、播客和遊戲的素材製作。不同工具的Credits消耗量及商用限制可能有所不同，應在生成頁面中仔細核對。

AI生成不保證絕對無版權爭議。發布前應保存生成記錄，檢查平台條款、樣本相似度及目標發行渠道對AI音樂的要求。

Free免費方案

免費版為0美元，無需信用卡，每月提供8000點數值，根據官網估計，最多約7分鐘即可完成生成；單次最多可輸入500個字元，並包含3個公開音效槽位、標準生成速度、增強型音效克隆功能，以及商業使用權。

「最多7分鐘」，按約每分鐘600至625 Credits估算，實際消耗會受模型、功能及設定影響。月度Credits並非永久餘額，免費方案也不適合儲存需要嚴格保密的聲音。

價格與版本對比

Plus價格

Plus年度方案的現行促銷價格為每月5.5美元，全年則為66美元，而頁面的原價為每月15美元。每個月可獲得250000個Credits，根據基本使用量來估算，大約可使用200分鐘左右。

單次最多15000字元，包含無限公開聲音、10個私有聲音槽位、Voice Design、1個專業聲音槽位、優先使用最新模型、增強克隆及商業使用。

週年或年度折扣屬於即時促銷，結束後可能恢復原價。應以結算頁面的貨幣種類、稅費、續費價格及帳期為準。

Pro價格

Pro年度方案的現行促銷價格為每月37.5美元，全年則為450美元；而頁面上的原價則為每月100美元。該方案每個月提供2,000,000點數值，相當於約1620分鐘的使用時間，此外還包含3個團隊席位、每次可輸入30,000個字元，以及無限的公開和私人語音通道。另外，還有5個專業語音通道，並且提供7天的退款保證。

退款保證應依購買渠道、使用量及現行的退款規則來判斷，並非所有已大量消耗額度的訂單都必然能獲得退款。團隊應在正式採購前確認成員的權限、專案共享方式以及音頻的擁有權。

Max價格

Max年度方案顯示，每月平均費用為749美元，全年則為8988美元。頁面上同時列出了999美元/月的原始價格或按月支付的方式。每個月可獲得25000000個Credit，這相當於最多6250分鐘的使用時間，以及10個團隊席位和15個專業音效槽位，非常適合需要高頻率進行制作的團隊。

Max的Credits與標稱分鐘並非簡單按統一比例換算，說明不同模型或工作流可能有差異。大批量客戶應根據實際腳本做成本測試，而不是只按最大分鐘數採購。

Enterprise企業方案

Enterprise可依需求報價，能提供年度或按量計算的方案、批量折扣、零資料保留服務、私有化或本地部署選項，以及SOC 2相關的企業級功能與客製化支援；而SSO在目前的比較頁面中仍可能標示為即將推出。

零數據保留和本地部署需要寫入合約並核對覆蓋範圍，不能因為頁面出現企業標籤就預設所有輸入、日誌、備份和聲音模型都不留存。

API按量價格

API並沒有強制要求每月訂閱或設定最低每月消費額。目前，S2.1 Pro、S2 Pro和S1文字轉語音的費用為每100萬UTF-8字節15美元。

官方估計，100萬個漢字所節省的空間相當於18萬個英文單詞，或12小時的語音儲存量，但漢字通常會佔用更多的UTF-8位元組，因此無法直接套用英文單詞的換算方式。

ASR的費率為每個音頻小時0.36美元，費用會按秒數向上取整；而Voice Design的費率則為每次成功請求0.01美元。

失敗、重試、長文本拆分和多版本生成都會改變最終成本。

S2.1 Pro Free API

s2.1-pro-free在公平使用政策下為0美元，支援83種語言，適用於測試、原型設計、開發以及規模較小的業務。它使用與S2.1 Pro相同的模型，但不提供首包延遲、資料處理協議或企業級服務保證，且免費使用期間及相關規則也可能有所調整。

免費模型並不等同於無限制生產的 SLA。關鍵業務應準備付費模型、超時重試、熔斷、快取以及替代供應商，並定期檢查公平使用限制。

API併發等級

併發上限依賴帳戶的累計預付金額來決定：若累計付款金額低於100美元，Starter等級的帳戶通常可支援5個併發連線；而當累計付款金額達到100美元時，Elevated等級的帳戶則可支援15個併發連線。

達到1000美元的High Volume為50並發；Enterprise則依合約設定。

並發數並非每秒的請求數，也無法保證固定的延遲。流式長時間請求會更長時間佔用連線，開發者需要使用佇列、限流、指數退避以及可觀測性機制。

REST、WebSocket與SDK

開發者可以透過 REST 來進行一般的資料產生，並透過 WebSocket 接收流式音訊；同時，他們還可以使用官方提供的 Python 與 JavaScript SDK 來管理 TTS、轉錄以及音聲模型。該介面支援建立、列出、更新和刪除音聲檔案，且也能與 LiveKit、Pipecat 等即時語音框架相整合。

API Key必須保存在服務端或金鑰管理系統中，不應寫入網頁、行動端套件或公開倉庫。生產系統還需驗證檔案類型、限制文字長度、記錄請求ID，並處理流式連線中斷的情況。

GitHub與開源狀態

Fish Audio網頁平台、託管API、帳戶系統以及社區聲音市場並非完整的開源產品。官方的GitHub上提供了Fish Speech的源代碼、模型相關資源、SDK以及運維工具，但公開的代碼並不代表可以無條件用於商業用途。

目前Fish Speech主分支的代碼及相關模型權重均採用Fish Audio Research License。用於研究及非商業用途時，可依據該許可規定使用；

任何商業用途，包括企業內部運作、收費產品、託管服務或API，皆需另行取得Fish Audio的書面商業許可。

舊頁面中關於Apache或CC-BY-NC-SA的說明可能對應歷史版本，判斷時應以所使用版本隨附的現行許可證為準。

本地部署

官方的 Fish Speech 文件提供了 Linux 或 WSL 安裝方式，以及 Docker、WebUI 和 API 伺服器等安裝方式。對於 S2 系列的推論需求，建議使用約 24GB 的顯存；同時也提供了以 CPU 作為運算方式的選項。企業還可以諮詢有關 VPC、本地環境、主權雲或隔離式網路等部署方式。

能下載並運行模型並不代表獲得商業部署權。自托管還需承擔GPU成本、模型安全、更新、濫用防護、日誌與數據合規等問題，商業項目必須先取得單獨許可。

商業使用與聲音授權

網頁的免費及付費方案目前皆標註為商業使用，但此授權僅適用於在遵守條款的前提下使用服務所產生的輸出內容，不會為使用者取得腳本、音樂、真人聲音、角色、商標及其他上傳素材的權利。

Hosted服務的輸出權限與Fish Speech研究許可證是兩回事：透過會員或API產生商業內容，並不代表可以將下載的模型權重用於商業自托管。敏感專案應保留同意書、聲音來源及發布審核記錄。

Fish Audio使用教學

完成一次基礎任務

1. 確認錄音、聲音、音樂及參與者授權；
2. 把清晰音頻上傳或錄入Fish Audio；
3. 選擇語言、說話人及文字轉語音等處理設定；
4. 使用S2.1 Pro語音模型生成轉錄、配音或清理結果；
5. 逐段檢查姓名、數字、停頓、音量與情緒；
6. 導出前確認格式、響度、版權和隱私要求；

建立可重複使用的專業工作流

1. 用真實噪聲、口音和多人片段建立測試集；
2. 比較文字轉語音、S2.1 Pro語音模型和S2 Pro與S1的處理差異；
3. 保留原始錄音和未經修改的轉錄；
4. 對外發布前安排人工聽審；
5. 統計處理時長、錯誤率及額度消耗；
6. 定期更新術語表、聲音授權和刪除策略；

適合哪些用戶？

• 製作影片旁白、播客、有聲書和課程音頻的創作者；
• 需要多語言配音、角色對話和本地化的內容團隊；
• 希望快速建立品牌聲音或遊戲角色聲音的企業；
• 構建Voice Agent、客服、陪伴應用及無障礙產品的開發者；
• 研究和評估可本地運行語音模型的技術團隊。

產品優勢

• 覆蓋80多種語言並支援多語言自然切換；
• S2.1 Pro支援自然語言表演標籤及原生多人對話；
• 網頁端同時提供克隆、長音頻、變聲、轉寫和音頻工具；
• REST、WebSocket、Python與JavaScript SDK較完整；
• 提供公平使用限制下的免費API模型；
• 既有託管服務，也有研究用途的可下載模型與企業部署選項。

限制與注意事項

• 網頁Credits、API餘額和自託管許可證相互獨立，不能把會員分鐘直接用於API；
• 促銷價格、免費模型及公平使用政策可能會變動，預算應以結算頁面及控制台為準；
• AI聲音會出現發音、角色、情緒和相似度偏差；
• 聲音克隆、變聲和社區聲音必須核驗授權，重要內容需要人工試聽；
• FishSpeech目前的研發許可證不授予商業使用權；

常見問題

Fish Audio免費嗎？

網頁版Free每月提供8000 Credits，最多約7分鐘；API另有在公平使用限制下的s2.1-pro-free模型，但沒有生產SLA和資料處理協議的保證。

Fish Audio多少錢？

當前年度促銷中，Plus為全年66美元，Pro為450美元，Max為8988美元；Enterprise則可訂製。

促銷和續費價格會變化，以結算頁面為準。

API如何收費？

S2.1 Pro、S2 Pro和S1 TTS目前的費率為：每100萬UTF-8字節15美元；而每小時的轉寫服務費則為0.36美元。

Voice Design每次成功請求0.01美元。

支援中文嗎？

支援中文與80多種語言，也支援多語言混排。中文以UTF-8字節計費時，無法直接套用英文單詞來估算。

可以克隆自己的聲音嗎？

可以使用即時、增強或專業克隆，但必須取得說話者明確授權，並根據隱私需求選擇公開或私有的聲音槽位。

Fish Audio是開源的嗎？

託管平台並非開源產品。Fish Speech的原始碼與模型可公開取得，但目前採用Fish Audio Research License，研究及非商業用途可依據該許可進行，而商業用途則必須另行取得書面許可。