Kitta AI は wuwei が独立して運営しており、Fish Audio の公式サービスではありません。 Fish Audio
Fish Audio S2 モデル公開:AI音声は2.0時代へ
Fish Audio S2 の特徴と、制作現場での使いどころを整理します。
Fish Audio は、S1 からの大きな進歩である、まったく新しい S2 モデルを発売します。 S2 は、感情制御、マルチ話者のサポート、遅延の最適化において画期的な進歩を遂げ、AI Voice 2.0 の正式な登場を示します。
なぜ S2 なのでしょうか? AI音声の次なる飛躍
過去 1 年間で、S1 モデルは Fish Audio を最も広く使用されている AI 音声プラットフォームの 1 つに成長させ、現在ではユーザーが作成した 100 万を超える音声モデルを 100 万人以上のユーザーに提供しています。 S1 は、自然言語による感情制御を備えた最初の TTS モデルの 1 つとして、エンドツーエンドの音声モデリングの可能性を証明しました。
しかし、S1 は単なる始まりにすぎませんでした。業界は AI Voice 2.0 時代に突入しており、従来の一言ずつ放送する音声から、感情的に本物で魂のこもったインタラクティブな AI 音声に進化しています。 S2 は、この変革の中核となる車両です。
S2 コア アップグレード: 3 次元でのブレークスルー
洗練された感情コントロール
S2 は、単純な「幸せ」または「悲しい」から、「根底に悲しみを伴う怒り」などの複雑な混合感情まで、オープンドメインの感情アノテーションを実現します。これは、Fish Audio が独自に開発した世界をリードする感情注釈付け ASR モデルを利用しており、事前トレーニング データに正確な感情ラベルを自然に付加できるようになります。
ネイティブ マルチ話者のサポート
S2 のアーキテクチャは、すべてのセグメントに正確な話者 タグを備えたマルチ話者 シナリオをネイティブにサポートします。マルチホストのポッドキャスト、オーディオブックの会話、ゲームの NPC の会話など、複数のキャラクターの自然な移行がシームレスに行われます。
超低遅延
エンドツーエンド アーキテクチャでは、S2 は理論的には最初のトークンが生成された後にオーディオ デコードを開始できます。 Fish Audio は、ボコーダーを完全に排除し、レイテンシー目標 30 ~ 50 ミリ秒で完全なテキストから波形へのエンドツーエンド モデリングを実現する新しいモデルも発表しました。
S2 モデル マトリックス: あらゆるシナリオに合わせてカスタマイズ
Fish Audio は単一の大規模モデルを追求しません。代わりに、Fish Audio はさまざまなビジネス シナリオに合わせたモデル マトリックスを構築します。
究極の音声品質と感情表現力が求められるシナリオ向けに設計された、フラッグシップコンテンツ生成モデル。オーディオブック、ポッドキャスト、映画の吹き替え、ASMR コンテンツの作成に最適で、自然さと表現力において新たな高みに到達します。
リアルタイムの会話シナリオ向けに最適化された 4B パラメーターのエンタープライズ モデル。遅延が少なく安定性が高いため、AI コンパニオン アプリ、リアルタイム音声エージェント、販売ボット、教育プラットフォームに最適です。
技術的なブレークスルー: データ主導の革命
S2 の中核となる改善は、モデル アーキテクチャの変更によるものではなく、データ パイプラインの完全な再構築によるものです。 Fish Audio は、業界をリードするデータ処理システムを構築しました。
アーキテクチャの利点: エンドツーエンドが未来です
Fish Audio S2 は、セマンティック情報と音響情報モデリングを統合するエンドツーエンドの自己回帰アーキテクチャを使用します。従来のカスケード アプローチ (テキスト → セマンティック トークン → 音響特徴 → 波形) と比較して、エンドツーエンド アプローチには 3 つの重要な利点があります。
これは、Qwen TTS や SESAME などの次世代モデルで選択されたアーキテクチャの方向性でもあります。 Fish Audio は、このパスで最も長いエンジニアリング経験とデータの利点を持っています。
オープンソースへの取り組み: S2 は完全にオープンソースになります
Fish Audio CTO は、S2 が完全にオープンソースになることを確認しました。 S1 Mini オープンソース リリースに続き、Fish Audio はオープンソースへの取り組みを継続し、開発者がローカルで展開、テスト、統合できるようにします。 10 万人以上の GitHub スター コミュニティが、S2 の強力な機能を初めて体験します。
ユースケース: AI 音声の無限の可能性を解き放つ
コンテンツの作成
オーディオブック、ポッドキャスト、ビデオ吹き替え、ASMR — S2 Pro は、プロのクリエイターに人間に近い感情表現を提供します。
AI コンパニオンとソーシャル
Character.AI などの AI ソーシャル アプリに温かく表現力豊かな音声を提供し、AI の会話をリアルに感じさせます。
ゲーム & エンターテイメント
NPC ダイアログ、キャラクターの声出し、VTubing — マルチ話者のサポートにより、ゲームの世界に命が吹き込まれます。
リアルタイム音声エージェント
S2 Flash の低遅延と高い安定性は、顧客サービス、販売、教育のシナリオに完全に適合します。
多言語コンテンツ
13 以上の言語での音声クローン作成 - 一度トレーニングすれば、複数の言語で使用して簡単にグローバル コンテンツを作成できます。
S1 と S2: アップグレードの概要
| の特徴 | S1 | S2 |
|---|---|---|
| 感情のコントロール | 基本的な感情タグ | オープンドメインの感情の説明 + 混合感情 |
| マルチ話者 | 単一話者に焦点を当てる | ネイティブ マルチ話者のサポート |
| レイテンシ | 標準 | 超低遅延 (30-50ms ターゲット) |
| データ パイプライン | 初代 | 完全に再構築 + 自社開発 ASR |
| トレーニング後 | ベーシック RLHF | ライブ RLHF + 多次元報酬モデル |
| オープンソース | S1 Mini オープンソース | S2 完全にオープンソース |
| モデル マトリックス | シングルモデル | Pro + Flash デュアル バージョン |
リリース タイムライン
Fish Audio S2 モデルは、2026 年 3 月 10 日に正式に発売されます。S2 Pro と S2 Flash は両方とも、API アクセスまたは Fish Audio プラットフォーム経由で同時に利用可能になります。オープンソース バージョンは発売後すぐにリリースされます。