Fish Audio 发布最新的语音生成模型S1 ，这声音，真的是“活”的！

语音模型S1，我看了一圈，直接一句话总结：确实可以封神了！

为啥这么说？来，下面我从几个维度给你拆开讲讲，看看这个Fish Audio家的S1，是不是值得这么吹！

你听听它的描述：“达到专业配音演员的表现力与自然度”——这个描述不新鲜，但能真做到的？寥寥无几。

我特地去体验了下，给了几个情绪指令，比如：

生气点说一句话

小声低语说一句

带点同情语气讲一段

结果——惊艳到我了！！！真的有“活人”的感觉，尤其是那种低语，居然还带点气音的感觉，跟我们之前常见的TTS模型比，简直是质的飞跃。

先给你列下支持的原生语言（注意，是原生，不是用翻译搞的）：

中、英、日、德、法、西、韩、阿、俄、荷、意、波、葡

14种语言，简直覆盖全球主要语言市场，这对于多语种内容创作，或者要做全球版本的AI助手、客服、游戏旁白，简直太香了！

之前我测Amazon Polly、Google TTS，多语种都有，但情绪表现就差了一大截。

S1这边是真的做到了情绪、语气、风格都能迁移过去，不是翻译，而是“角色扮演”级别的TTS。

这个才是我最关注的。很多TTS模型都说能控制情绪，但实际上咋样？

你调个“生气”出来就像感冒了，调个“高兴”就像喝醉了。

S1完全不是这个水平。

我试了一下：

“你现在是在跟我开玩笑吗？”

不同情绪下的表现，截然不同：

愤怒：中音偏高，语速加快，结尾带上扬，有压迫感！

同情：语速明显放缓，语调柔软，尾音微微下沉，有温度！

强调：前半句音量略微上升，后半句略顿挫，节奏感很好！

这个情绪系统，我只能说——它不是假装有情绪，它是真的懂情绪！

强大的指令跟随能力，像在和人说话！

这一点对我来说最重要，因为我之前一直想做一个语音智能客服demo，之前用的模型最大的问题是“指令死板”。

S1这边，不光能按我的要求说出话，而且能在语义上自动理解我指令背后的意图！

我试了个很经典的测试句：

用同情的语气，对客户说“我们真的非常抱歉”

S1的结果让我鸡皮疙瘩都起来了，那个语气——你就想象客服在你爆炸投诉后，用略带颤抖但诚恳的语气说这句话……它不是说话，是在演戏！

训练数据 200 万小时，这训练量简直爆炸了！

这个参数我当时看了直接一愣。

200万小时，折算下来就是228年。哪怕并行训练，资源消耗也不低。

难怪它的表现力这么强，这不是拿来训语音模型，这是在训练“演员”。

而且如果是多语种都用类似体量的训练，那这背后数据体系之庞大，真的不是一般公司能搞得起来的。

最让我心动的一点是价格——

百万字节（相当于约0.8 / 小时）

兄弟你知道这意味着啥吗？

我做过语音合成服务的项目，以前用 Amazon Polly，每小时成本要

，如果用人声配音，起步50/小时。

S1这个价格，是真的“工业级TTS”第一次可以平价量产了！

拿来做大批量内容转语音（小说、视频解说、客服应答）真的太值了。相当于一个全职配音员，只要几十块一天工资，嗓子不哑、情绪不乱、24小时无休……

在 TTS-Arena 排名第一，这不是吹，这是实打实的排名！

我去TTS-Arena看了下，确实是第一。

那边是公认的语音合成评测榜，能排第一真的不是靠PPT，是靠听感、情绪自然度、连续听力疲劳度等多维度打分。

不是说模型“厉害”就是牛，而是综合表现强才是真硬核。S1正好符合这个“全方位强”的模型设定。

Fish Audio发布的S1，确实是当前TTS赛道的一匹大黑马，我这几年来玩了不下20个语音合成模型，从最早的Tacotron、FastSpeech到现在的StyleTTS、XTTS……每一代进步都在追赶“人类自然发音”的终极目标。

S1这个模型，真的是——从语音合成进化成语音演绎了！

1）表现力强，声音“活”了 2）支持多语种，是真国际范 3）情绪控制精细，非装样子 4）指令跟随自然，没套路感 5）训练量炸裂，堆出来的质量 6）价格太良心，适合大规模落地 7）TTS-Arena第一，含金量拉满！

感兴趣的朋友可以试试，我个人觉得它非常适合：

视频配音

数字人声音生成

小说转听书

多语言客服系统

游戏语音NPC生成

下一步我可能会用它来做个自动配音的剪辑流水线，搞好了再写个教程分享出来，有想法的朋友也可以一起来研究研究～