Fish Audio

Fish Audio 是主打语音生成与克隆的 AI 语音平台，官网首屏主推 Fish Audio S2.1 Pro，称它是「最具表现力、情绪可控的实时语音模型」，并用一句「五秒钟容易，五分钟才是考验」来强调长音频的稳定性。它真正的差异点在于情绪控制：文本里可以直接插入 angry、sad、whispering、laughing 这类标签来指定语气与非语言表达，而不只是换一个音色。官网称提供 200 万以上音色、覆盖 8 种语言，被 800 万以上用户使用，可以免费开始，首页还有年付五折的限时活动。

核心能力

• Text to Speech（文字转语音）：把脚本转成录音棚级别的音频，页面输入框按 30000 字符的容量显示，长文本也能一次处理。
• Voice Cloning（语音克隆）：克隆指定的声音，用于后续的批量生成。
• Speech to Text（语音转文字）：与生成能力并列提供的识别入口。
• Emotion Tags（情绪标签）：可用愤怒、悲伤、尴尬、强调、耳语、轻柔、气声、兴奋等标签直接控制情绪。
• Special Tags（特殊音效标签）：包括大笑、轻笑、叹息、抽泣、人群笑声、停顿、长停顿等，用来加入笑声、呼吸与节奏变化。
• Voice-AI API：面向企业用户提供 API，官网称与全球的创新者合作，把语音能力接进各类产品。

适合谁

• 做视频配音的创作者，需要带情绪的旁白而不是平铺直叙
• 有声书制作者，官网称可生成符合 ACX 与 Audible 规格的多小时音频
• 客服场景，官网示例中的音色风格是耐心、安抚且专业
• 游戏与角色配音，需要夸张、有记忆点的角色声线
• 需要把语音能力接入自家产品的开发团队

使用建议

上手顺序建议先听官网的音色示例，确定情绪基调，再把脚本分段，在关键句前插入强调、停顿或笑声之类的标签，这样比单纯调语速更接近真人表达。官网特别强调长音频才是考验，所以批量生成前务必先做一小段试听，确认情绪与稳定性。需要克隆他人声音时，必须事先取得授权，商用发布前核对官网的授权范围与内容规范。计费方面，首页的限时五折属于活动信息，随时可能调整，订阅前以官网当页说明为准。