Kitta AI é operado de forma independente pela wuwei e não é o serviço oficial da Fish Audio. Fish Audio

Lançamento de modelo2026-03-02·8 min de leitura·By Kitta Audio

Lançamento do Fish Audio S2: voz IA na era 2.0

Resumo das capacidades do Fish Audio S2 e seus usos em produção.

Fish Audio está lançando o novo modelo S2, um grande salto em relação ao S1. S2 alcança avanços em controle de emoções, suporte a vários falantes e otimização de latência, marcando a chegada oficial do AI Voice 2.0.

Por que S2? O próximo salto na voz AI

No ano passado, o modelo S1 transformou o Fish Audio em uma das plataformas de voz de IA mais amplamente utilizadas, atendendo agora a mais de 1 milhão de usuários com mais de um milhão de modelos de voz criados por usuários. Como um dos primeiros modelos TTS com controle de emoções em linguagem natural, o S1 provou o potencial da modelagem de voz de ponta a ponta.

Mas S1 foi apenas o começo. A indústria está entrando na era AI Voice 2.0 – evoluindo de vozes tradicionais de transmissão palavra por palavra para vozes de IA interativas e emocionalmente autênticas com alma. S2 é o principal veículo dessa transformação.

S2 Atualizações principais: avanços em três dimensões

1

Controle Refinado de Emoções

S2 alcança anotação de emoções de domínio aberto - desde simples 'feliz' ou 'triste' até emoções mistas complexas como 'zangado com tristeza subjacente'. Isso é alimentado pelo modelo ASR de anotação de emoções líder mundial desenvolvido pela Fish Audio, permitindo que dados de pré-treinamento carreguem naturalmente rótulos de emoções precisos.

2

Suporte nativo para vários falantes A arquitetura

S2 oferece suporte nativo a cenários de vários falantes com tags de falante precisas para cada segmento. Quer se trate de podcasts com vários hosts, diálogos de audiolivros ou conversas com NPCs de jogos, as transições naturais de vários personagens são perfeitas.

3

Latência ultrabaixa

Com a arquitetura ponta a ponta, S2 pode, teoricamente, iniciar a decodificação de áudio após a geração do primeiro token. Fish Audio também anunciou um novo modelo que elimina totalmente o Vocoder, alcançando modelagem completa de texto para forma de onda de ponta a ponta com metas de latência de 30-50 milissegundos. Matriz de modelo

S2: adaptada para cada cenário

Fish Audio não busca um único modelo grande - em vez disso, Fish Audio constrói uma matriz de modelo para diferentes cenários de negócios:

S2 Pro

O principal modelo de geração de conteúdo, projetado para cenários que exigem o máximo em qualidade de voz e expressividade emocional. Ideal para audiolivros, podcasts, dublagem de filmes e criação de conteúdo ASMR, alcançando novos patamares de naturalidade e expressividade.

S2 Flash

Um modelo empresarial de parâmetros 4B otimizado para cenários de conversação em tempo real. Com menor latência e maior estabilidade, é a escolha ideal para aplicativos complementares de IA, agentes de voz em tempo real, bots de vendas e plataformas educacionais.

Avanço técnico: uma revolução baseada em dados As principais melhorias de

S2 não vêm de mudanças na arquitetura do modelo, mas de uma reconstrução completa do pipeline de dados. Fish Audio construiu um sistema de processamento de dados líder do setor:

Modelo ASR de anotação de emoções autodesenvolvido: o número 1 do mundo em precisão de anotação de emoções, capaz de identificar e rotular com precisão emoções, paralinguagem (risos, pausas, ênfase) na fala.
Modelo de separação de voz: separa com precisão falantes individuais de conversas barulhentas entre várias pessoas, preservando os “dados sujos” altamente expressivos que os pipelines tradicionais descartam. Pipeline
RLHF: combina dados de feedback do usuário on-line para criar conjuntos de dados de preferências e treinar modelos de recompensa para otimização contínua. Fish Audio é a única plataforma de voz com um sistema completo de alinhamento de preferências de áudio ao vivo RLHF.
Equipe global de anotação de falantes nativos: Uma equipe de anotação multilíngue dedicada que garante a correção e naturalidade dos dados. Vantagem da arquitetura

: ponta a ponta é o futuro

Fish Audio S2 usa uma arquitetura autorregressiva ponta a ponta que unifica a modelagem de informações semânticas e acústicas. Em comparação com as abordagens tradicionais em cascata (texto → tokens semânticos → recursos acústicos → forma de onda), a abordagem ponta a ponta tem três vantagens principais:

Expressividade mais forte: a modelagem semântico-acústica conjunta captura naturalmente uma prosódia mais rica e variações emocionais.
Menor latência: Não há necessidade de esperar por módulos intermediários — a decodificação pode começar a partir do primeiro token.
Multifalante nativo: A arquitetura suporta inerentemente cenários de vários falantes sem módulos adicionais.

Esta também é a direção arquitetônica escolhida pelos modelos de próxima geração como Qwen TTS e SESAME. Fish Audio tem a mais longa experiência em engenharia e vantagem de dados nesse caminho. Compromisso de código aberto

: S2 será totalmente de código aberto

Fish Audio CTO confirmou que S2 será totalmente de código aberto. Após o lançamento do código aberto S1 Mini, o Fish Audio continua seu compromisso com o código aberto, permitindo que os desenvolvedores implantem, testem e integrem localmente. A comunidade de mais de 100 mil GitHub Stars será a primeira a experimentar os poderosos recursos do S2. Casos de uso

: liberando as possibilidades infinitas da IA Voice

Criação de Conteúdo

Audiolivros, podcasts, dublagem de vídeo, ASMR — S2 Pro oferece expressão emocional quase humana para criadores profissionais.

AI Companions e redes sociais

Forneça vozes calorosas e expressivas para aplicativos sociais de IA, como Character.AI, fazendo com que as conversas de IA pareçam reais.

Jogos e Entretenimento

Diálogo NPC, dublagem de personagens, VTubing – o suporte a vários falantes dá vida aos mundos do jogo.

Agentes de voz em tempo real A baixa latência e alta estabilidade do

S2 Flash atendem perfeitamente aos cenários de atendimento ao cliente, vendas e educação.

Conteúdo em vários idiomas

Clonagem de voz em mais de 13 idiomas — treine uma vez, use em vários idiomas para criação de conteúdo global sem esforço. Cronograma de lançamento

S1 vs S2: Visão geral das atualizações Recurso

RecursoS1S2
Controle EmocionalTags de emoção básicasDescrição de emoção de domínio aberto + emoções mistas
MultifalanteFoco de falante únicoSuporte nativo para vários falantes Latência
PadrãoPadrãoLatência ultrabaixa (alvo 30-50ms) Pipeline de dados
Pipeline de dados1ª geraçãoTotalmente reconstruído + ASR autodesenvolvido
Pós-treinamentoRLHF BásicoLive RLHF + modelo de recompensa multidimensional
Código abertoS1 Mini código abertoS2 totalmente de código aberto
Matriz ModeloModelo únicoPro + Flash versões duplas

O modelo

10 de março Links relacionados
2026

Fish Audio S2 será lançado oficialmente em 10 de março de 2026. Tanto o S2 Pro quanto o S2 Flash estarão disponíveis simultaneamente por meio do acesso API ou da plataforma Fish Audio. A versão de código aberto será lançada logo após o lançamento.

Links relacionados