在 AI 语音模型领域，不论开源还是闭源模型，能在全球排上前十的屈指可数，而 FishAudio 团队语音模型就在其列，每每有新模型上线，总能排进TTS-Arena TOP3之内。

近期，Fish Audio 推出了新一代的 TTS 语音模型：OpenAudio S1，距上一次Fish Speech 1.5语音模型升级已有半年。

而这次全新的语音生成模型，还是给大众带来不小的惊喜！它基于200万小时音频数据训练，采用Qwen3+Descript Audio Codec架构，通过在线 RLHF（GRPO）优化，不仅生成接近人类配音演员的自然语音，还通过50+情感和语调标记（如愤怒、悲伤、笑声）实现细腻的情感表达。

根据 TTS-Arena 榜单，OpenAudio S1荣登第一名，超越 ElevenLabs 等闭源模型。


OpenAudio S1提供了S1（4B参数，旗舰版）和S1-mini（0.5B参数，开源版）两个模型，可灵活适配。


核心亮点

  • •情感大师/高度表现力：支持丰富情感标记（如愤怒、悲伤、兴奋、讽刺等）、语调标记（如勿忙、喊叫、耳语等）和特殊标记（如笑声、抽泣、叹气等）。
  • •多语言支持：支持英语、中文、日语、徳语、法语、西班牙语、韩语、阿拉伯语、俄语、荷兰语、意大利语、波兰语、葡萄牙语等多种语言。
  • •零样本语音克隆：10-30秒音频实现零/少样本克隆，生成高保真语音。
  • •双生模型适配：S1 (4B旗舰版) + S1-mini (0.5B开源版)，兼顾性能与轻量。
  • •模型架构先进：基于 Qwen3，结合 Descript Audio Codec 类音频编解码器。
  • •权威评测登顶：Hugging Face TTS-Arena 第一名，0.008 WER / 0.004 CER 超低识别误差。

安装与使用

S1 线上版本可直接访问官网，直接使用邮箱注册使用，每日都有免费额度。

官网：https://fish.audio/zh-CN

进入主页后，点击「语音合成」，在点击「从头开始」，进而开始你的语音合成任务。


从线上语音库选择一个角色音色，或者自己克隆一个声音，然后模型选择“S1”，输入要文本转语音的内容，就可以开始生成了。



FishSpeech 官网还可以直接克隆音色， 而且超级简单，不需要填写其他训练参数。

点击「构建声音」标签页，即可跳转到声音训练界面，只需要提前准备好相关的同一个角色的音频文件，所有文件合集不可大于150M，填写好角色模型名称即可开始训练。


当然，官方也开源了 S1-mini 轻量版本，可以自行部署。（官方文档有详细部署指南）

同时，在 Hugging Face 有部署好的 Space 可以直接使用，只需输入文本，填写好参数即可。


适用场景

OpenAudio S1的50+情感标记和多语言支持让它适用于多种场景：

  • •播客生成：用“(excited)”标记生成动态主播语音，节省录制成本。
  • •有声书：多语言朗读，S1-mini轻量跑长文本。
  • •游戏角色：用“(sarcastic)”或“(scared)”为NPC配音，增强沉浸感。
  • •虚拟主播：10秒克隆声线，生成“(laughing)”互动语音。
  • •教育工具：多语言教学音频，情感标记提升趣味性。


写在最后

OpenAudio S1以200万小时音频数据、50+情感标记和多语言支持，重新定义了TTS的性能标杆。

它就像给TTS装上了“情感引擎”，主打情感驱动，极致自然！

真实感、控制力、开放性，全面封神！

无论你是开发者、创作者，还是研究者，这款模型（应用）都将大幅降低你的 TTS 成本与门槛，为你的创意注入声音的灵魂。

GitHub：https://github.com/fishaudio/fish-speech

HF 模型：https://huggingface.co/fishaudio/openaudio-s1-mini

HF 体验：https://huggingface.co/spaces/fishaudio/openaudio-s1-mini