现在AI语音这块进步很快。
介绍一个开源的语音模型Fish audio，最近出新版本了。

Fish Audio S2 Pro 是一款领先的文本到语音（TTS）模型，支持对韵律和情感进行细粒度的内联控制。该系统在 80 多种语言、超过 1000 万小时的音频数据上进行训练，结合了强化学习对齐与双自回归架构。本次发布包含模型权重、微调代码以及基于 SGLang 的流式推理引擎

一个特色就是用标签控制语音：
S2 Pro 通过在文本中直接嵌入自然语言指令（使用 [tag] 语法）实现对语音生成的局部控制。不同于依赖固定预定义标签集的方式，S2 Pro 接受 自由格式的文本描述——例如 [whisper in small voice]（小声耳语）、[professional broadcast tone]（专业播音腔调）或 [pitch up]（提高音高）——从而支持在词级别进行开放式表达控制。

常用标签（支持 15,000+ 种唯一标签）：
[pause] [emphasis] [laughing] [inhale] [chuckle] [tsk] [singing] [excited] [laughing tone] [interrupting] [chuckling] [excited tone] [volume up] [echo] [angry] [low volume] [sigh] [low voice] [whisper] [screaming] [shouting] [loud] [surprised] [short pause] [exhale] [delight] [panting] [audience laughter] [with strong accent] [volume down] [clearing throat] [sad] [moaning] [shocked]

S2 Pro 支持 80 多种语言:

第一梯队： 日语 (ja)、英语 (en)、中文 (zh)

第二梯队： 韩语 (ko)、西班牙语 (es)、葡萄牙语 (pt)、阿拉伯语 (ar)、俄语 (ru)、法语 (fr)、德语 (de)

其他支持的语言： sv, it, tr, no, nl, cy, eu, ca, da, gl, ta, hu, fi, pl, et, hi, la, ur, th, vi, jw, bn, yo, sl, cs, sw, nn, he, ms, uk, id, kk, bg, lv, my, tl, sk, ne, fa, af, el, bo, hr, ro, sn, mi, yi, am, be, km, is, az, sd, br, sq, ps, mn, ht, ml, sr, sa, te, ka, bs, pa, lt, kn, si, hy, mr, as, gu, fo 等。

在一块NVIDIA H200显卡上：
实时因子（RTF）：0.195
首次音频时间：~100毫秒
吞吐量：3,000+ 声学代币/秒，同时保持 RTF 低于 0.5

模型地址:www.modelscope.cn/models/fishaudio/s2-pro