Fish Audio：逼真文本转语音与声音克隆工具
Fish Audio 是一款生动、富有表现力且情感丰富的文本转语音模型。据创始人介绍，该模型能以极高逼真度捕捉节奏与细微差别，生成栩栩如生的声音。其声音克隆功能仅需不超过 10 秒的音频输入，即可创建接近自然的克隆效果，并精准保留口音、音调及说话习惯。该工具由 So-VITS-SVC 和 Bert-VITS2 背后的开源团队开发。
使用方式与多语言支持
用户可通过网站创建账户使用文本转语音功能，支持选择平台预置声音或克隆新声音。预置声音涵盖英语、中文、德语、日语、法语、西班牙语、韩语和阿拉伯语；同时支持上传自有音频文件或实时录制以启动声音克隆。
实测体验：语调捕捉精准，英文表现更佳
在土耳其语语音输入测试中，工具存在轻微口音及个别发音识别不准的问题。但令人惊喜的是，当输入具有诗意和忧郁色彩的语音时，生成的克隆声音在后续文本处理中完美保持了相同语调，说明其对含义和声音基调的捕捉十分到位，尽管输出平滑度仍有提升空间。而在英语输入测试中，上述瑕疵基本消失。使用约 10 秒示例录音，生成的音调、音色和口音与本人高度相似；若追求更高相似度，可提供长达 90 秒的音频素材。目前支持的声音模型包括 S1、V1.6 Control Beta 和 V1.5。
情感调整功能与版本差异
选定特定声音后，用户可对情感、音调及特殊标记进行调整，旨在为对话赋予语调变化和情绪起伏。但在实际测试中，并未观察到预期的戏剧性变化，这可能与对话本身的稳定性设定或免费版本限制有关。不过，其他用户反馈显示该功能仍能生成相当有效的声音效果。
订阅计划与权益对比
免费版提供 8,000 个信用点。
Plus 计划年付 132 美元（月均 11 美元）或月付 15 美元，包含每月 200 分钟 S1 生成时长、400 分钟 v1.5/v1.6 生成时长、单次 15,000 字符上限、高级声音克隆、商业使用权、每月 250,000 信用点及 API 访问权限。
Pro 计划年付 900 美元（月均 75 美元）或月付 100 美元，包含每月 27 小时 S1 生成时长、54 小时 v1.5/v1.6 生成时长、单次 30,000 字符上限、高级声音克隆、商业使用权、每月 2,000,000 信用点及 API 访问权限。