@svpino: 这里有一个新的开源权重音频模型，你可以集成到你的应用中。我非常喜欢那种你可以托管的开源模型，这样……

X AI KOLs Following 模型
open-weight audio-model fine-tuning streaming-inference fish-audio huggingface

摘要

Fish Audio S2 是一个新的开源权重音频模型，可在 Hugging Face 上获取。它提供两个模型分别处理时序和声学细节，推理速度快，并且有托管版本 S2.1 Pro，支持 83 种语言，成本低于 ElevenLabs。

这里有一个新的开源权重音频模型，你可以集成到你的应用中。 我非常喜欢那种可以自己托管的开源模型，这样可以保护数据安全，远离大型 AI 公司。 这个模型就是 Fish Audio S2。 你可以在 Hugging Face 上找到它的权重、微调代码以及流式推理引擎。（链接见下方） 其内部由两个模型组成：一个 4B 参数模型负责处理时序和语义，另一个 400M 参数模型负责填充声学细节。 这个模型速度非常快！ 如果你将其托管在 H200 上，它大约在 100ms 内就能开始返回音频。 如果你不想自己托管，Fish Audio 提供了托管版本：S2.1 Pro。 这个模型更快，延迟约 90ms，并且支持 83 种语言。 S2.1 Pro 比 ElevenLabs 便宜约 83%：你只需支付约 15 美元就能获得约 12 小时的转录音频，这非常划算。 HuggingFace 链接见下方。
查看原文
查看缓存全文

缓存时间: 2026/07/29 03:56

这里有一个新的开源音频模型，你可以集成到自己的应用中。

我非常偏爱那些能自行托管、确保数据安全、远离大型AI公司的开源模型。

这个模型是 Fish Audio S2。

你可以在 Hugging Face 上找到它的权重、微调代码以及流式推理引擎（链接见下）。

本质上，它由两个模型组成：一个 4B 参数模型负责处理时序和语义，另一个 400M 参数模型负责填充声学细节。

这个模型真的很快！

如果你将其托管在 H200 上，大约 100 毫秒后就能开始返回音频。

如果你不想自行托管，Fish Audio 还提供托管版本：S2.1 Pro。

这个模型更快，延迟约 90 毫秒，支持 83 种语言。

S2.1 Pro 的价格也比 ElevenLabs 便宜约 83%：大约 15 美元就能获得约 12 小时的转录音频，非常划算。

HuggingFace 链接见下方。

相似文章

Fish Audio S2 技术报告

Papers with Code Trending

Fish Audio S2 是一个开源的文本转语音系统，支持多说话人、多轮生成以及指令跟随控制，并由具备低延迟特性的生产级推理引擎提供支持。