Fish Audio:文本到语音转换

2周前更新 1,624 0 0

Fish Audio 深度评测:从开源 Fish Speech 长出的 AI 配音平台,情绪控制细、10 秒级克隆、200 万社区音色,Plus 年付 11 美元/月起含商用授权。

收录时间:
2024-07-05
其他站点:

Fish Audio:文本到语音转换

图:Fish Audio 官网首页,2026-11 截图

一句话定位与基本信息

Fish Audio 是一个以「情绪可控」为卖点的 AI 语音平台:一句话定位是,它把文本转语音、声音克隆与语音 API 做成开箱即用的托管服务,强调用自然语言就能指挥声音的情绪、语气与节奏。官网为 fish.audio,运营主体是 Hanabi AI Inc.(美国特拉华州注册,总部位于加州帕洛阿尔托)。使用形态包括网页端创作台、面向开发者的 API,以及可自托管的开源模型线。语音能力覆盖英、日、韩、中、法、德、阿拉伯、西班牙等语言(官网口径 8 种),中文是其重点语种之一。平台自报社区音色库超过 200 万个音色;官网首页当前主推其新一代语音模型,并已把图像、视频、数字人等 30 多个第三方模型接入同一平台,向综合 AI 创作平台扩张。

平台背景

Fish Audio 的源头是开源项目 Fish Speech:联合创始人兼首席科学家廖世杰(Shijia Liao,前英伟达研究员)起初用一台游戏显卡训练语音生成模型,2023 年 10 月把 Fish Speech 放上 GitHub 开源,仓库截至 2026 年 11 月星标约 3.37 万,是中文圈最有影响力的开源 TTS 项目之一。在此基础上,团队于 2025 年正式公司化运营 Fish Audio 平台,廖世杰与 CEO 曹舜文(Rissa Cao)共同创立 Hanabi AI。模型线从 OpenAudio S1、S2 一路迭代到托管端旗舰 S2.1 Pro,开源侧则持续放出 Fish Speech/OpenAudio 权重(研究许可证口径,商用需另行协议)。2026 年 7 月 28 日,公司宣布完成 5,200 万美元种子轮融资,由 Coreline Ventures 与今日资本共同领投;据 TechCrunch 当时报道,平台开放与托管版本合计用户超过 800 万、年化收入约 2,100 万美元、团队约 22 人。对一家 2025 年才公司化的创业公司来说,这个速度相当快,也意味着它正处在产品与规则都快速变动的阶段。

核心服务与功能

Fish Audio:文本到语音转换

图:Fish Audio 开发者文档站(docs.fish.audio),2026-11 核查

第一是文本转语音:主打情感与韵律的细粒度控制,官方称其自然语言控制项超过 1.5 万种,可以用接近自然语言的标注指挥语气、停顿与情绪走向,而不是只能选个「开心/悲伤」的预设。第二是声音克隆:官网口径最短约 10 秒样本即可克隆一个音色(融资报道口径为 15 秒),克隆出的音色可跨语言朗读,音色分公开、private 与专业(professional)等槽位管理。第三是庞大的社区音色库:平台托管超过 200 万个用户上传与创建的音色,涵盖主播、角色、解说等常见需求,不想自己克隆时可以直接挑现成的用。第四是开发者 API:提供 TTS 与克隆的 REST 接口与流式输出,主打低延迟与语音智能体场景,文档站独立维护;计划页 FAQ 还提到 S2.1 Pro 有可免费调用的档位,API 与订阅分开计费、按量付费。第五是平台外延:官网现在把 GPT Image、Seedance、Kling、Veo 等图像、视频、数字人模型聚合进来,并设社区作品区供浏览与 remix——语音仍是主业,但货架明显在变宽。

使用方式

普通用户路径最简单:注册登录后进创作台,选音色(用社区音色或上传样本克隆自己的)、贴文本、加情绪标注、生成下载,全程在浏览器里完成,不需要任何部署。免费档每月有固定额度可以先把流程跑通。开发者路径是读文档站、拿 API Key、按量调用 TTS 与克隆接口,可流式返回音频,适合接进自己的 App、语音助手或内容流水线。技术型用户还有第三条路:把 GitHub 上的 Fish Speech/OpenAudio 开源权重拉下来自托管,零按量成本,但要注意权重是研究许可证,研究与个人把玩免费,商用要先拿到书面协议。三种路径的音质上限不完全一样:托管端旗舰模型(如 S2.1 Pro)只在平台与 API 上提供,开源权重是稍早一代的模型。

适用人群

最适合的是短视频与播客创作者:需要稳定产出口播、解说、角色配音,又不想每次都自己录,情绪可控加海量现成音色能显著压缩制作时间。其次是有声书、广播剧与游戏配音的个人与小团队,克隆加多角色音色库的组合很对口。再就是做语音智能体、实时对话产品的开发者,低延迟流式 API 是为这类场景准备的。不太适合的是对授权合规极其敏感的企业级项目——平台虽年轻、规则更新快,正式商用前必须逐条核对当期条款;也不适合只想完全离线、不联网使用的人,平台主力是云端服务,自托管开源线的音质与易用性不在同一档。

免费与付费

Fish Audio:文本到语音转换

图:Fish Audio 官网定价页(fish.audio/plan),2026-11 截图

以下为 2026 年 11 月核查时官网定价页(年付口径,美元)快照,积分按每分钟约 600–625 个折算:免费档 0 美元,每月 8,000 积分、约合 7 分钟生成量,单次上限 500 字符,3 个公开音色槽位,只能个人非商用。Plus 档年付每月 11 美元(月付 15 美元),每月 250,000 积分、约 200 分钟,单次上限 1.5 万字符,含商用授权、10 个私有音色槽位与 1 个专业音色槽位。Pro 档年付每月 75 美元(月付 100 美元),每月 2,000,000 积分、约 1,620 分钟,单次上限 3 万字符,无限音色槽位、含 3 个团队席位与 7 天退款保证。API 不包含在订阅里,单独按量计费,另有 S2.1 Pro 免费调用档可试用。两个口径要留意:定价页免费档条目里列出了「Commercial use」字样,但同页 FAQ 明确写免费档生成内容仅限个人非商用、商用需升级付费档,本文按 FAQ 与服务条款一侧的口径表述;积分每月清零不结转。

优点与缺点

优点:第一,情绪与韵律控制是真差异化,自然语言级的控制项让配音更像「表演」而不是朗读,在同价位产品里辨识度高;第二,冷启动成本极低,免费档能跑通完整流程,200 万社区音色让多数人不用自己克隆就能开工;第三,开源与托管双线并行,既有 Fish Speech 的开发者口碑打底,又有 API 与订阅的商业闭环,融资后弹药充足;第四,价格带友好,Plus 年付每月 11 美元拿到 200 分钟与商用授权,对个人创作者不算贵。缺点:第一,公司与平台都年轻(2025 年才公司化),定价、档位、模型命名变动频繁,长期项目的稳定性预期要打折;第二,免费档的商用口径在站内不同位置表述不一致,容易误判,需要自己再三确认;第三,旗舰模型只在云端,开源权重代差一代且是研究许可证,想自托管拿到同等音质做不到;第四,克隆音色的合规审查压力是这类平台的共性风险,平台规则收紧时,存量音色可能被下架(见风险部分)。

同类竞品对比

站内与 Fish Audio 最值得对照的两个条目,一个是完全本地的开源路线,一个是综合助手里的语音能力:

工具 定位 费用模式 运行平台 中文支持
Fish Audio 托管式 AI 配音与声音克隆平台 免费档加订阅,付费档含商用授权 Web / API,另有开源权重自托管 重点语种,克隆可跨语言
ChatTTS 本地部署的对话式 TTS 开源模型 免费下载,权重禁止商用 本地 Python 环境 中英文原生训练
豆包 字节跳动的综合 AI 助手 免费为主 Web / iOS / Android 原生中文

选择逻辑:要开箱即用、要商用授权、要克隆音色,选 Fish Audio 这类托管平台并付费到对应档位;做非商业的本地语音实验、不想让数据出机器,用 ChatTTS;只是聊天时顺手把回答读出来,豆包这类综合助手已经内置,不必单独订一个配音平台。

注意事项与风险

第一,声音权利:只克隆自己或已取得明确授权的声音;平台历史上出现过因未授权克隆配音演员音色收到法律通知后下架的公开报道,这条红线对用户同样适用,用平台工具克隆他人音色并传播,责任在使用者。第二,商用授权以当期条款为准:免费档不可商用是 FAQ 的明确口径,付费档的授权范围也要看清是「生成内容可商用」还是包含音色本身的权利。第三,开源权重的研究许可证:Fish Speech/OpenAudio 权重商用(含托管服务与企业内部使用)需要单独书面协议,别把「开源」直接理解成可商用。第四,价格与档位变动:年轻平台调价频繁,本文价格是 2026 年 11 月快照,订阅前以官网定价页实时数字为准。第五,内容合规:合成语音用于新闻、财经、医疗等敏感内容时,平台标识与所在地对 AI 生成内容的标注要求都要遵守。

数据统计

相关导航

暂无评论

none
暂无评论...