Fish Audio 说 S2.1 Pro 可在 90ms 内起声，覆盖 83 种语言
testingcatalog · x · 2026-07-29
Fish Audio 在推它的 S2.1 Pro 语音模型，主打实时、可控、覆盖面广。
- 官方给出的指标包括约 90ms 的首音延迟。
- 支持 83 种语言，并且可以用类似 [whispers sweetly]、[laughing nervously] 这样的自由格式标签做情绪控制，而不是只靠固定预设。
- 还有一个免费层，可以用同一模型做测试。
- 页面主要强调它适合配音、音频书、客服、旁白等需要更强表现力的音频场景。
所属事件:Fish Audio发布S2.1 Pro语音模型并获5200万美元融资(11 条相关)→
「多模态」频道最新
- MOSS-Image 基础模型出图展示:cfg4、39 步、约 1.5MP 直出 — COMPLOGICGADH · 2026-10-17
- MOSS 图像模型 4K 实测:5090 上 55 秒出一帧,峰值显存 19.5GB — RauschCraft · 2026-10-17
- Fizgig LoRA 隔离法:50 个陌生人 0 串脸,相似度几乎不损失 — shootthesound · 2026-10-17
- 35B 多模态模型跑进 3GB 内存：MiniCPM-V 4.7 全程离线读懂家电面板 — alifcoder · 2026-10-17
- 开源 .char 格式升级：单次生成最多 4 个一致性角色 — ashishsanu · 2026-10-17
- AI 生成短片《The Biscuit Story》展现电影级雪景叙事 — SightsFilms · 2026-10-17