7月29日，AI语音公司Fish Audio在成立一周年之际，正式推出新一代生产级语音大模型S2.1Pro。这款模型专为实时对话场景打造，而非传统“念稿式”的文本转语音（TTS）系统。
同期，Fish Audio宣布完成5200万美元种子轮融资。
90毫秒首帧延迟：让AI“接话”像真人一样自然
实时对话的核心指标是延迟。S2.1Pro实现了约90毫秒的首帧音频播放延迟。作为对比，上一代S2-Pro的延迟约为100毫秒。
90毫秒意味着什么？人类对话中，200-300毫秒的停顿是“正常思考”，超过500毫秒才会感到“卡顿”。90毫秒已经低于人类感知阈值——AI接话的速度已经快到让你感觉不到它在“思考”。
83种语言+统一架构：一个模型，说遍全球
S2.1Pro覆盖83种语言，采用统一语音识别架构。无论输入哪种语言，模型自动检测并生成对应语音，且在不同语言之间切换时保持相同的音色身份。
对比上一代S2-Pro支持80多种语言，S2.1Pro在语言覆盖和生成质量、延迟、吞吐量上均实现了全面升级。
括号标签：突破预设情绪菜单的“文本内控制”
这是S2.1Pro最具突破性的设计。传统语音模型通过预设情绪菜单控制情感（如选择“开心”“悲伤”），而S2.1Pro允许用户直接在输入文本中嵌入自由格式的括号标签——[whispers sweetly]（温柔耳语）、[laughing nervously]（紧张笑声）、[gasp]（倒吸一口气）。
模型通过学习海量数据集，建立了自然语言描述与声学变化之间的隐式映射——你不受预设标签列表的限制，几乎可以使用任何描述性表达。
常见标签包括：[whisper]（耳语）、[laugh]（笑声）、[emphasis]（强调）、[sigh]（叹息）、[gasp]（抽气）、[pause]（停顿）、[angry]（愤怒）、[excited]（兴奋）、[sad]（悲伤）、[surprised]（惊讶）。标签可以放在文本的任意位置，在特定词句上精准施加情绪控制。
S2.1Pro支持逐词级别的情绪、语调和速度控制。
多说话人对话+5秒声音克隆：配音不再需要一屋子演员
S2.1Pro原生支持多说话人对话生成——同一段文本中，不同角色的台词可以自动匹配不同的音色。
声音克隆能力同样大幅提升。仅需5秒音频样本即可完成人声克隆，或使用10至30秒短参考样本完成高质量克隆，精准复刻目标语调与说话风格，无需额外微调。
生成速度约为Cartesia的2倍，制作成本约为ElevenLabs的六分之一。
Fish Audio还做出了一个颇为激进的承诺：如果企业在采用其语音AI服务后成本降低不足50%，将提供一年免费服务。
商业化：付费API+一个月免费试用
S2.1Pro已通过Fish Audio API正式上线。提供两个版本：
s2.1-pro：生产级版本，定价15美元/百万UTF-8字节
s2.1-pro-free：同一模型，免费用于测试、原型开发和小规模业务
为庆祝成立一周年，Fish Audio向所有用户提供S2.1Pro一个月的免费访问权限。
目前已有HeyGen、LiveKit、Retell、Sanas、OpenArt等多家公司在生产环境中采用Fish Audio的模型。
结语
S2.1Pro的技术指标和产品设计指向一个清晰的判断：语音AI正在从“脚本式合成” 加速演进为“实时对话交互” 。当延迟压到90毫秒、情绪控制精确到逐词级别、声音克隆缩减到5秒，语音交互的下一个分水岭可能已经到来。
Fish Audio没有在追逐“更大的模型”，而是在重新定义“更自然的对话”。
