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

モデル公開2026-03-02·8 分で読めます·By Kitta 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

1

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。

2

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。

3

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。

S2 Pro

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。

S2 Flash

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。

自社開発の感情注釈付き ASR モデル: 感情注釈の精度において世界ナンバー 1 で、音声中の感情、パラランゲージ (笑い、間、強調) を正確に識別してラベル付けすることができます。
音声分離モデル: 騒々しい複数人の会話から個々の話者を正確に分離し、従来のパイプラインが廃棄していた表現力の高い「ダーティ データ」を保存します。
RLHF パイプライン: オンライン ユーザー フィードバック データを組み合わせて嗜好データセットを構築し、継続的な最適化のための報酬モデルをトレーニングします。 Fish Audio は、完全なライブ RLHF オーディオ設定調整システムを備えた唯一の音声プラットフォームです。
グローバル ネイティブ 話者 アノテーション チーム: データの正確さと自然さを保証する専任の多言語アノテーション チーム。

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。

より強力な表現力: 共同意味論的音響モデリングにより、より豊かな韻律と感情の変化が自然に捉えられます。
待ち時間の短縮: 中間モジュールを待つ必要がなく、最初のトークンからデコードを開始できます。
ネイティブ マルチ 話者: アーキテクチャは本質的に、追加モジュールなしでマルチ 話者 シナリオをサポートします。

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S1S2
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

3 月 10 日
2026

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。

関連リンク