ElevenLabs Pro 版一个月 99 美元，Fish Audio S2 直接把同类能力开源了。

刚上线就冲到 3 万 Star，背后是 1000 万小时、80 多种语言的训练数据。最狠的是，它只需要 10 到 30 秒声音样本，就能完成声音克隆，而且不是简单“像你的声音”，还能把情绪一起做进去。

你可以直接加标签控制（支持超过 15,000 个独特标签）语气：
[whisper] 低声说
[excited] 兴奋说
[angry] 生气说

更夸张的是，多人对话也能一次生成，延迟只有 100ms，已经不是传统 TTS 那种“读稿机器”的感觉，而是开始接近实时语音交互。

从公开基准看，Fish Audio S2 在 Seed-TTS Eval 上误差最低，表现超过 Qwen3、MiniMax 等模型。中文、英文、法文都支持，不需要手工标注音素，模型也已经放到 HuggingFace。

这件事真正值得关注的，不只是“又一个免费工具替代付费产品”，而是语音 AI 的门槛正在被重新打穿。

以前做一个像样的 AI 语音产品，要预算、接口、工程团队。现在，一个开源模型就能完成声音克隆、情绪表达、多人对话、低延迟生成。

未来语音客服、AI 陪练、播客分身、有声书、虚拟主播，都会被这类模型重新做一遍。

有需要的可以先收藏。下一波 AI 应用，可能不是从文字开始，而是从“声音”开始。