Kitta AI wird unabhängig von wuwei betrieben und ist nicht der offizielle Dienst von Fish Audio. Fish Audio

Modell-Launch2026-03-02·8 Min. gelesen·By Kitta Audio

Fish Audio S2: KI-Stimme erreicht die 2.0-Ära

Überblick über Fish Audio S2 und seine Einsatzmöglichkeiten in der Produktion.

Fish Audio bringt das brandneue Modell S2 auf den Markt, ein großer Fortschritt gegenüber S1. S2 erzielt Durchbrüche bei der Emotionskontrolle, der Unterstützung mehrerer Sprecher und der Latenzoptimierung und markiert damit die offizielle Einführung von AI Voice 2.0.

Warum S2? Der nächste Sprung in der KI-Sprache

Im vergangenen Jahr hat sich Fish Audio durch das Modell S1 zu einer der am weitesten verbreiteten KI-Sprachplattformen entwickelt und bedient mittlerweile über 1 Million Benutzer mit über einer Million von Benutzern erstellten Sprachmodellen. Als eines der ersten TTS-Modelle mit Emotionssteuerung in natürlicher Sprache bewies S1 das Potenzial einer End-to-End-Sprachmodellierung.

Aber S1 war nur der Anfang. Die Branche tritt in die Ära der AI Voice 2.0 ein – sie entwickelt sich von traditionellen Wort-für-Wort-Sendestimmen zu emotional authentischen, interaktiven KI-Stimmen mit Seele. S2 ist das Kernfahrzeug dieser Transformation.

S2 Kern-Upgrades: Durchbrüche in drei Dimensionen

1

Verfeinerte Emotionskontrolle

S2 ermöglicht die Annotation von Emotionen im offenen Bereich – von einfachem „glücklich“ oder „traurig“ bis hin zu komplexen gemischten Emotionen wie „wütend über zugrunde liegende Traurigkeit“. Dies basiert auf dem von Fish Audio selbst entwickelten, weltweit führenden Emotionskommentierungsmodell ASR, das es ermöglicht, dass vorab trainierte Daten auf natürliche Weise genaue Emotionsbezeichnungen tragen.

2

Native Multi-Speaker-Unterstützung Die Architektur von

S2 unterstützt nativ Szenarien mit mehreren Sprechern mit präzisen Sprecher-Tags für jedes Segment. Ganz gleich, ob es sich um Multi-Host-Podcasts, Hörbuchdialoge oder Spiele-NPC-Gespräche handelt – natürliche Übergänge mit mehreren Charakteren erfolgen nahtlos.

3

Extrem niedrige Latenz

Mit der End-to-End-Architektur kann S2 theoretisch mit der Audiodekodierung beginnen, nachdem bereits das erste Token generiert wurde. Fish Audio kündigte außerdem ein neues Modell an, das den Vocoder vollständig eliminiert und eine vollständige End-to-End-Modellierung von Text zu Wellenform mit Latenzzielen von 30–50 Millisekunden ermöglicht.

S2 Modellmatrix: Maßgeschneidert für jedes Szenario

Fish Audio verfolgt kein einzelnes großes Modell – stattdessen erstellt Fish Audio eine Modellmatrix für verschiedene Geschäftsszenarien:

S2 Pro

Das Flaggschiff-Modell zur Inhaltsgenerierung, entwickelt für Szenarien, die ultimative Sprachqualität und emotionale Ausdruckskraft erfordern. Ideal für Hörbücher, Podcasts, Filmsynchronisation und die Erstellung von ASMR-Inhalten und erreicht ein neues Niveau an Natürlichkeit und Ausdruckskraft.

S2 Flash

Ein 4B-Parameter-Unternehmensmodell, das für Echtzeit-Konversationsszenarien optimiert ist. Mit geringerer Latenz und höherer Stabilität ist es die ideale Wahl für KI-Begleit-Apps, Echtzeit-Sprachagenten, Verkaufs-Bots und Bildungsplattformen.

Technischer Durchbruch: Eine datengesteuerte Revolution Die Kernverbesserungen von

S2 resultieren nicht aus Änderungen der Modellarchitektur, sondern aus einer vollständigen Rekonstruktion der Datenpipeline. Fish Audio hat ein branchenführendes Datenverarbeitungssystem entwickelt:

Selbstentwickeltes ASR-Modell zur Emotionsannotation: Weltweit Nr. 1 in der Genauigkeit der Emotionsannotation, in der Lage, Emotionen und Parasprache (Lachen, Pausen, Betonung) in der Sprache präzise zu identifizieren und zu kennzeichnen.
Sprachtrennungsmodell: Trennt einzelne Sprecher genau von lauten Gesprächen mit mehreren Personen und bewahrt so die ausdrucksstarken „schmutzigen Daten“, die herkömmliche Pipelines verwerfen.
RLHF-Pipeline: Kombiniert Online-Benutzerfeedbackdaten, um Präferenzdatensätze zu erstellen und Belohnungsmodelle für eine kontinuierliche Optimierung zu trainieren. Fish Audio ist die einzige Sprachplattform mit einem vollständigen Live-Audio-Präferenzausrichtungssystem RLHF.
Globales Annotationsteam für Muttersprachler: Ein engagiertes mehrsprachiges Annotationsteam, das die Korrektheit und Natürlichkeit der Daten gewährleistet.

-Architekturvorteil: End-to-End ist die Zukunft

Fish Audio S2 verwendet eine durchgängige autoregressive Architektur, die semantische und akustische Informationsmodellierung vereinheitlicht. Im Vergleich zu herkömmlichen Kaskadenansätzen (Text → semantische Token → akustische Merkmale → Wellenform) bietet der End-to-End-Ansatz drei wesentliche Vorteile:

Stärkere Ausdruckskraft: Die gemeinsame semantisch-akustische Modellierung erfasst auf natürliche Weise reichhaltigere Prosodie und emotionale Variationen.
Geringere Latenz: Kein Warten auf Zwischenmodule erforderlich – die Dekodierung kann ab dem ersten Token beginnen.
Native Multi-Speaker: Die Architektur unterstützt von Natur aus Multi-Speaker-Szenarien ohne zusätzliche Module.

Dies ist auch die architektonische Richtung, die von Modellen der nächsten Generation wie Qwen TTS und SESAME gewählt wird. Fish Audio verfügt auf diesem Weg über die längste technische Erfahrung und den größten Datenvorsprung.

Open-Source-Verpflichtung: S2 wird vollständig Open-Source sein

Fish Audio hat bestätigt, dass S2 vollständig Open Source sein wird. Nach der Open-Source-Veröffentlichung S1 Mini setzt Fish Audio sein Engagement für Open Source fort und ermöglicht Entwicklern die lokale Bereitstellung, Prüfung und Integration. Die über 100.000 GitHub Stars-Community wird als Erste die leistungsstarken Funktionen von S2 erleben.

-Anwendungsfälle: Die unbegrenzten Möglichkeiten der KI-Sprache freisetzen

Inhaltserstellung

Hörbücher, Podcasts, Videosynchronisierung, ASMR – S2 Pro bietet professionellen Kreativen einen nahezu menschlichen emotionalen Ausdruck.

KI-Begleiter und soziale Netzwerke

Stellen Sie warme, ausdrucksstarke Stimmen für soziale KI-Apps wie Character.AI bereit, sodass sich KI-Gespräche real anfühlen.

Gaming & Unterhaltung

NPC-Dialog, Charakterstimmen, VTubing – die Unterstützung mehrerer Sprecher erweckt Spielwelten zum Leben.

Echtzeit-Sprachagenten Die geringe Latenz und die hohe Stabilität von

S2 Flash eignen sich perfekt für Kundendienst-, Vertriebs- und Bildungsszenarien.

Sprachübergreifender Inhalt

Sprachklonen in mehr als 13 Sprachen – einmal trainieren, sprachübergreifend verwenden für mühelose globale Inhaltserstellung.

S1 vs. S2: Upgrades auf einen Blick

-FunktionS1S2
EmotionskontrolleGrundlegende Emotions-TagsOpen-Domain-Emotionsbeschreibung + gemischte Emotionen
Multi-SprecherFokus auf einen einzelnen SprecherNative Unterstützung mehrerer Sprecher
LatenzStandardlatenzExtrem niedrige Latenz (30-50ms Ziel)
Datenpipeline1. GenerationKomplett neu aufgebaut + selbst entwickelt ASR
Nach dem TrainingEinfaches RLHFLive RLHF + mehrdimensionales Belohnungsmodell
Open-Source-StatusS1 Mini Open SourceS2 vollständig Open Source
ModellmatrixEinzelmodellPro + Flash Dual-Versionen

Release-Zeitleiste Das Modell

10. März
2026

Fish Audio S2 wird am 10. März 2026 offiziell eingeführt. Sowohl S2 Pro als auch S2 Flash werden gleichzeitig über den API-Zugang oder die Fish Audio-Plattform verfügbar sein. Die Open-Source-Version folgt kurz nach dem Start.

Verwandte Links