Kitta AI é operado de forma independente pela wuwei e não é o serviço oficial da Fish Audio. Fish 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
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.
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.
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:
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.
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:
: 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:
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
| Recurso | S1 | S2 |
|---|---|---|
| Controle Emocional | Tags de emoção básicas | Descrição de emoção de domínio aberto + emoções mistas |
| Multifalante | Foco de falante único | Suporte nativo para vários falantes Latência |
| Padrão | Padrão | Latência ultrabaixa (alvo 30-50ms) Pipeline de dados |
| Pipeline de dados | 1ª geração | Totalmente reconstruído + ASR autodesenvolvido |
| Pós-treinamento | RLHF Básico | Live RLHF + modelo de recompensa multidimensional |
| Código aberto | S1 Mini código aberto | S2 totalmente de código aberto |
| Matriz Modelo | Modelo único | Pro + Flash versões duplas |
O modelo
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.