Fish Audio 在成立周年之际推出生产级语音大模型 S2.1Pro，面向实时对话语音场景，已通过 Fish Audio API 上线，并提供用于开发和测试的免费版本。该模型首帧音频播放延迟约 90 毫秒，覆盖 83 种语言，采用统一语音识别架构；支持在文本中嵌入自由格式括号标签，实现耳语、紧张笑声等细粒度语音控制。S2.1Pro 还原生支持多说话人对话生成，并可通过 10 至 30 秒参考样本完成语音克隆，无需额外微调即可复刻目标语调与风格。
Fish Audio 在成立周年之际推出生产级语音大模型 S2.1Pro，面向实时对话语音场景，已通过 Fish Audio API 上线，并提供用于开发和测试的免费版本。该模型首帧音频播放延迟约 90 毫秒，覆盖 83 种语言，采用统一语音识别架构；支持在文本中嵌入自由格式括号标签，实现耳语、紧张笑声等细粒度语音控制。S2.1Pro 还原生支持多说话人对话生成，并可通过 10 至 30 秒参考样本完成语音克隆，无需额外微调即可复刻目标语调与风格。