Kitta AI est exploité indépendamment par wuwei et n’est pas le service officiel de Fish Audio. Fish Audio

Lancement modèle2026-03-02·8 minutes de lecture·By Kitta Audio

Lancement de Fish Audio S2 : la voix IA entre dans l’ère 2.0

Résumé des capacités de Fish Audio S2 et de ses usages en production.

Fish Audio lance le tout nouveau modèle S2, un bond en avant majeur par rapport au S1. S2 réalise des percées en matière de contrôle des émotions, de prise en charge de plusieurs locuteurs et d'optimisation de la latence, marquant l'arrivée officielle d'AI Voice 2.0.

Pourquoi S2 ? Le prochain pas en avant dans la voix IA

Au cours de l'année écoulée, le modèle S1 a fait de Fish Audio l'une des plates-formes vocales IA les plus utilisées, servant désormais plus d'un million d'utilisateurs avec plus d'un million de modèles vocaux créés par les utilisateurs. En tant que l'un des premiers modèles TTS dotés d'un contrôle des émotions en langage naturel, le S1 a prouvé le potentiel de la modélisation vocale de bout en bout.

Mais S1 n'était qu'un début. L’industrie entre dans l’ère AI Voice 2.0 – évoluant des voix traditionnelles de diffusion mot à mot vers des voix d’IA interactives et émotionnellement authentiques avec une âme. S2 est le véhicule principal de cette transformation.

S2 Core Upgrades : des avancées en trois dimensions

1

Contrôle raffiné des émotions

S2 permet d'annoter les émotions en domaine ouvert, du simple « heureux » ou « triste » aux émotions mixtes complexes telles que « en colère avec une tristesse sous-jacente ». Ceci est alimenté par le modèle ASR d'annotation d'émotions de pointe, développé par Fish Audio, permettant aux données de pré-entraînement de porter naturellement des étiquettes d'émotion précises.

2

Prise en charge native de plusieurs locuteurs L'architecture du

S2 prend en charge de manière native les scénarios multi-enceintes avec des balises d'enceintes précises pour chaque segment. Qu'il s'agisse de podcasts multi-hôtes, de dialogues de livres audio ou de conversations de PNJ dans le jeu, les transitions naturelles entre plusieurs personnages sont fluides.

3

Latence ultra-faible

Grâce à l'architecture de bout en bout, S2 peut théoriquement commencer le décodage audio après la génération du premier jeton. Fish Audio a également annoncé un nouveau modèle qui élimine complètement le Vocoder, permettant une modélisation complète de bout en bout du texte à la forme d'onde avec des objectifs de latence de 30 à 50 millisecondes. Matrice de modèle

S2 : adaptée à chaque scénario

Fish Audio ne poursuit pas un seul grand modèle. Au lieu de cela, Fish Audio crée une matrice de modèle pour différents scénarios commerciaux :

S2 Pro

Le modèle phare de génération de contenu, conçu pour les scénarios exigeant une qualité vocale ultime et une expressivité émotionnelle. Idéal pour les livres audio, les podcasts, le doublage de films et la création de contenu ASMR, atteignant de nouveaux sommets en termes de naturel et d'expressivité.

S2 Flash

Un modèle d'entreprise à paramètres 4B optimisé pour les scénarios conversationnels en temps réel. Avec une latence plus faible et une stabilité plus élevée, c'est le choix idéal pour les applications compagnons d'IA, les agents vocaux en temps réel, les robots de vente et les plateformes éducatives.

Percée technique : une révolution basée sur les données Les principales améliorations de

S2 ne proviennent pas de modifications de l'architecture du modèle, mais d'une reconstruction complète du pipeline de données. Fish Audio a construit un système de traitement de données de pointe :

Modèle ASR auto-développé d'annotation d'émotions : n°1 mondial en matière de précision d'annotation d'émotions, capable d'identifier et d'étiqueter avec précision les émotions, le paralangage (rire, pauses, emphase) dans le discours.
Modèle de séparation vocale : sépare avec précision les locuteurs individuels des conversations bruyantes à plusieurs personnes, préservant ainsi les « données sales » très expressives que les pipelines traditionnels rejettent. Pipeline
RLHF : combine les données de commentaires des utilisateurs en ligne pour créer des ensembles de données de préférences et former des modèles de récompense pour une optimisation continue. Fish Audio est la seule plate-forme vocale dotée d'un système complet d'alignement des préférences audio RLHF en direct.
Équipe mondiale d'annotation de locuteurs natifs : une équipe d'annotation multilingue dédiée garantissant l'exactitude et le naturel des données.

Avantage de l'architecture : le bout en bout est l'avenir

Fish Audio S2 utilise une architecture autorégressive de bout en bout qui unifie la modélisation des informations sémantiques et acoustiques. Par rapport aux approches traditionnelles en cascade (texte → jetons sémantiques → caractéristiques acoustiques → forme d'onde), l'approche de bout en bout présente trois avantages clés :

Expressivité plus forte : la modélisation sémantique-acoustique conjointe capture naturellement une prosodie et des variations émotionnelles plus riches.
Latence réduite : pas besoin d'attendre les modules intermédiaires : le décodage peut commencer dès le premier jeton.
Multi-enceintes natives : l'architecture prend automatiquement en charge les scénarios multi-enceintes sans modules supplémentaires.

C'est également l'orientation architecturale choisie par les modèles de nouvelle génération comme Qwen TTS et SESAME. Fish Audio possède la plus longue expérience en ingénierie et l'avantage en matière de données sur cette voie. Engagement Open Source de

: S2 sera entièrement open source

Fish Audio Le CTO a confirmé que S2 sera entièrement open source. Suite à la version open source S1 Mini, Fish Audio poursuit son engagement envers l'open source, permettant aux développeurs de déployer, tester et intégrer localement. La communauté de plus de 100 000 GitHub Stars sera la première à découvrir les puissantes capacités de S2. Cas d'utilisation

: libérer les possibilités infinies de la voix IA

Création de contenu

Livres audio, podcasts, doublage vidéo, ASMR — S2 Pro offre une expression émotionnelle quasi humaine aux créateurs professionnels.

Compagnons IA et réseaux sociaux

Proposez des voix chaleureuses et expressives aux applications sociales d'IA telles que Character.AI, donnant ainsi l'impression que les conversations basées sur l'IA sont réelles.

Jeux et divertissements

Dialogues PNJ, voix des personnages, VTubing — la prise en charge de plusieurs locuteurs donne vie aux mondes du jeu.

Agents vocaux en temps réel La faible latence et la haute stabilité du

S2 Flash conviennent parfaitement aux scénarios de service client, de vente et d'éducation.

Contenu multilingue

Clonage vocal dans plus de 13 langues : entraînez-vous une fois, utilisez dans plusieurs langues pour une création de contenu globale sans effort.

S1 vs S2 : mises à niveau en un coup d'œil

FonctionnalitéS1S2
Contrôle des émotionsBalises d'émotion de baseDescription des émotions en domaine ouvert + émotions mixtes
Multi-enceintesMise au point sur un seul locuteurPrise en charge native de plusieurs locuteurs
LatenceNormeLatence ultra-faible (cible 30-50ms)
Pipeline de données1ère générationEntièrement reconstruit + auto-développé ASR
Post-formationDe base RLHFLive RLHF + modèle de récompense multidimensionnel
Open SourceS1 Mini open sourceS2 entièrement open source
Matrice de modèleModèle uniquePro + Flash double versions

Chronologie de sortie Le modèle

10 mars
2026

Fish Audio S2 sera officiellement lancé le 10 mars 2026. Les S2 Pro et S2 Flash seront disponibles simultanément via l'accès API ou la plateforme Fish Audio. La version open source suivra peu de temps après le lancement.

Liens connexes