OpenAudio S1：Fish Audio 推出媲美语音演员的尖端文本转语音模型

Fish Audio 重磅推出 OpenAudio S1 —— 一款在表现力、自然度和可控性方面达到新高度的文本转语音（TTS）模型。作为目前全球最先进的开源 TTS 模型之一，S1 在超过 200万小时 的音频数据集上训练，并采用 RLHF（GRPO）等先进训练方法，真正实现了媲美专业配音演员的语音合成能力。

核心亮点概览

• ✅ 40亿参数大模型，基于 Qwen3 架构构建
• ✅ 多模态原生支持：TTS / STT / TextQA / AudioQA（当前开放 TTS）
• ✅ 情感识别 + 音调控制：注入丰富情绪和语境表达
• ✅ 低至 0.008 WER 和 0.004 CER，超越主流模型
• ✅ 多语言支持：涵盖英语、汉语、日语、法语等 13 种语言
• ✅ 极致性价比：仅需 0.8 美元/小时使用成本

技术突破：让 AI 合成语音“活”起来

传统 TTS 模型通常依赖语义编码器生成中间表示，再通过声学模型合成语音。这种两阶段方式容易导致：

• 词语丢失或错误发音（高 WER/CER）
• 情感缺失、语调单一
• 声音失真或不稳定

而 OpenAudio S1 采用全新架构设计，结合以下关键技术实现突破：

最终结果是：

• WER（词错误率）：0.008
• CER（字符错误率）：0.004
• HuggingFace TTS-Arena-V2 主观评估排名第一

表现力革命：像人类一样说话

OpenAudio S1 的最大特色在于其对语音情感与细节的精准还原。借助我们自研的语音标注系统（即将开源），我们为超过 10 万小时音频添加了情感、语调、人物特征等标签，从而训练模型理解并复现复杂语音表达。

✅ 支持的情感标记示例：

• （愤怒）、（悲伤）、（兴奋）、（惊讶）
• （讽刺）、（欢乐）、（同理心）

✅ 支持的语气与风格标记：

• （匆忙语气）、（喊叫）、（尖叫）、（低语）、（柔和语气）

✅ 支持的拟声词与事件插入：

• （大笑）哈哈哈
• （轻笑）嗯嗯
• （啜泣）、（叹息）、（喘息）、（人群笑声）

这些标记不仅提升了语音的真实感，也让开发者能以极高的粒度控制输出效果。

应用场景广泛，满足多样化需求

得益于其卓越的表现力与多语言支持，OpenAudio S1 可广泛应用于以下领域：

多语言支持，全球化触达

OpenAudio S1 支持以下 13 种语言，适用于全球创作者与开发者：

英语、汉语、日语、德语、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

模型变体：兼顾性能与资源限制

根据不同的部署需求，OpenAudio S1 提供两个主要版本：

两种模型均基于 Qwen3 架构，并采用类似 Descript Audio Codec 的解码架构，从零开始训练，并通过 Transformer 增强文本建模能力。

成本友好：AI语音技术人人可用

尽管当前 TTS 模型的运行成本普遍较高，但我们致力于打破这一门槛。OpenAudio S1 是首款定价仅为：

每百万字约 15 美元（约合 0.8 美元/小时） 的高端 TTS 模型。

未来我们将持续优化推理架构与训练流程，进一步降低成本，让更多开发者和企业都能负担得起高品质的语音合成服务。

开始使用 OpenAudio S1

欢迎访问 Fish Audio Playground 亲身体验 OpenAudio S1 的强大能力。

我们也计划陆续开源更多相关模型与工具，包括：

• 自研语音标注模型（STT）
• 多模态接口支持
• 更丰富的控制标记体系

关于 OpenAudio 与 Fish Audio

OpenAudio 是 Hanabi AI Inc. 下属的研究实验室，专注于音频合成领域的前沿探索。Fish Audio 是我们面向社区的产品平台，致力于将这些创新成果快速转化为实用工具，赋能全球开发者与创作者。