Fish Speech 是由 FishAudio 团队研发的开源语音合成（TTS）模型，也是开源社区在语音合成领域最受关注的项目之一，具备跨语言合成、高质量音色克隆与自然韵律控制能力。

核心特性

• 跨语言合成：支持中文、英文、日文等 80+ 语言，无需额外音素预处理即可多语言输出
• 高品质语音克隆：仅需 10~30 秒参考音频即可快速克隆音色，还原说话风格与情感倾向，无需微调
• 自然语言韵律控制：支持通过 [tag] 形式的自然语言标签（如 [whisper]、[excited]、[angry]）在文本中精确控制情绪、语气、停顿等声学细节
• 多说话人 / 多轮对话：支持在一次生成中包含多个说话人，并利用上下文提升对话自然度
• 流式低延迟：配合 SGLang/vLLM 等推理引擎，可实现高吞吐、低延迟的流式语音生成

适用场景

有声书与播客制作、游戏角色配音、数字人语音、视频二创配音、实时语音交互等。

更多信息可参考：https://github.com/fishaudio/fish-speech