最近 AI 语音圈有条消息值得单独聊一聊：Fish Speech 背后的公司 Fish Audio，宣布完成了 5200 万美元的种子轮融资，由徐新的今日资本和 Coreline Ventures 共同领投，跟投名单里还有个意外的名字——Play Time，梅西参与创办的投资平台。投资界微博
一个做开源语音合成的团队，怎么就拿到了徐新和梅西的钱？这事跟咱们普通用户又有什么关系？今天把这条线捋清楚，顺便解决一个困扰很多人的实际问题：Fish Speech 版本号越出越多，现在想用，到底该选哪个、走哪条路。
先说融资：几个数字有点东西
根据投资界和多家媒体的报道，这轮融资背后有几个关键数据：
Fish Audio 目前团队只有 22 人，年经常性收入（ARR）做到 2100 万美元，约合人民币 1.4 亿元，今年 2 月他们披露的 ARR 还是 1000 万美元左右，5 个月时间翻了一倍，人均创造 ARR 接近 95 万美元。投资界
平台用户超过 800 万，社区里用户上传的声音模型超过 200 万个；
Fish Speech 主仓库 GitHub Star 数约 3.2 万。
更戏剧的是起点。创始人 Shijia Liao 是位 00 后，马里兰大学毕业后进的英伟达，2024 年 7 月离职创业。因为喜欢动漫和虚拟主播，他最早只是想克隆动漫角色的声音，参与过 So-VITS-SVC、GPT-SoVITS 这些开源项目，后来在卧室里用一张 RTX 4090 训练早期模型——这就是后来 S2 系列的技术底子。投资界
从卧室单卡到 5200 万美元融资，这条路走了不到两年。投资人赌的也很直白：语音是 AI 交互里确定性很高的一环，而 Fish Audio 已经用开源社区证明了用户从哪来——游戏开发者、动漫爱好者、内容创作者，先有社区，再有商业化。
但对咱们来说，更实际的问题是：现在用哪个版本？
这可能是 Fish Speech 用户最容易懵的地方。B 站、小红书上教程满天飞，有的教你装 1.5，有的推 S2 Pro，有的直接让你用在线版。版本之间差别很大，选错了要么白折腾显卡，要么拿到的效果根本不是"天花板"水平。
我把主线版本整理了一下：
Fish Speech 1.5（2024 年 12 月开源）
用 100 万小时多语种数据训练，支持 13 种语言，当时在 TTS-Arena 上拿到开源模型第一、英文模型（含商业模型）第二。哔哩哔哩哔哩哔哩优点是轻：推理只要 4GB 左右显存，老显卡也能跑，所以 B 站上流传最广的整合包基本都是它。哔哩哔哩但注意，它是 CC BY-NC-SA 许可，明确不能商用。
S1（2025 年年中）
主打情绪表现力，训练数据超过 200 万小时，可以用自然语言指令控制语气，比如（愤怒）（低语）（同情）这类标签。微博这一代开始在"像真人"上拉开差距。
S2 / S2 Pro（2026 年 3 月开源）
这是目前开源侧的当家版本。4B+ 参数（主网络约 4B，副网络约 400M），用了 80 多种语言、超 1000 万小时音频训练。ModelScope核心是双自回归架构：大网络沿时间轴预测语义、管"说什么、什么情绪"，小网络快速补齐声学细节，所以首包延迟能做到 100 毫秒以内，还支持 3-10 秒参考音频克隆、一次推理生成多说话人多轮对话。知乎在 2026 年 6 月一份流传较广的中文开源 TTS 分级横评里，Fish Speech 被放在 T1 梯队，评语是"克隆精度最高+高保真"。知乎
S2.1 Pro（2026 年，API 模型）
这是官方 fish.audio 平台上的闭源旗舰，走 API 调用，没开源。7 月份做过整月限免。哔哩哔哩最近还和 LiveKit 做了集成，LLM 直接把情绪写进文本、模型端渲染，主打实时语音对话场景。微博
一句话总结：想白嫖本地跑，认准 S2 Pro；显卡不行或只想试试，用 fish.audio 在线；要做商业产品，走官方 API。
三条路，各有各的坑
路线一：在线试玩（零门槛）
直接上 fish.audio 官网，注册就能用，社区里有 200 多万个现成音色可以挑。适合先验证"这声音能不能用"，再决定要不要投入部署成本。我的建议是：别一上来就折腾本地环境，先拿你自己的真实文案生成三段听听——长句稳不稳、停顿像不像真人、音色有没有辨识度。这三点过不了关，显卡再好也白搭。
路线二：本地部署（免费但有边界）
追求零成本、数据不出门的，本地跑 S2 Pro 是当前最优解。显存不够可以用量化版，B 站已经有 UP 主做了一键整合包，跟着走基本能跑通。哔哩哔哩怕折腾的云 GPU 按小时租也很便宜。
但这里有个大坑必须说清楚：开源权重是非商业许可，1.5 是 CC BY-NC-SA。知乎另一份四款 TTS 横评里，Fish Speech 也被标注为 Research License，商用需要额外授权。知乎自己玩玩、做同人没问题，但拿来做带货视频、接单配音这类营利用途，风险是真实存在的。今年 4 月新华社还发过声音侵权的专题调查，配音圈已经在打"声音保卫战"了，别在这个节骨眼上踩线。小红书
路线三：API 商用（花钱买省心）
要正经商用，直接走 fish.audio 官方 API，S2.1 Pro 是当前的旗舰型号，流式低延迟，情绪标签齐全。成本换确定性：不用养显卡、不用担心许可纠纷，模型迭代也是官方负责。对做内容矩阵、有声书、语音客服这类量大的场景，这笔账其实比自建划算。
顺手提一句：对手也没闲着
Fish Speech 现在并不是"无敌"的状态。8 月 10 日 B 站又发布了 IndexTTS 2.5，精确时长控制和情感-音色解耦是它的招牌。知乎阿里的 CosyVoice、Qwen3-TTS 在自然度和低延迟上各有优势；7 月的 Seed-TTS 榜单上还杀出过 ViiTor Voice 这种把一众主流模型挤下去的黑马。微博
同一份中文横评里的说法比较中肯：T1 梯队里大家各有强项，Fish Speech 的优势位是克隆精度和高保真，尤其适合 AI 角色、多说话人、多轮语音这类场景。所以结论不是"无脑冲 Fish Speech"，而是：如果你的需求是克隆一个像样的声音、做多角色内容，它目前仍是开源里最值得试的那个。
接下来值得盯什么
拿了 5200 万美元之后，Fish Audio 大概率会加速，有三件事可以继续观察：一是开源节奏会不会变。过去一年他们发了 5 款模型。投资界开源是获客根基，短期内砍掉的可能性不大，但最好的模型越来越往 API 倾斜是可见趋势；二是 S2 Pro 之后开源旗舰的迭代，能不能守住克隆精度的优势位；三是国内合规和声音版权的政策走向，这会直接影响所有玩家的玩法。
对普通用户，我的建议很简单：趁现在生态还开放，先用在线版把需求验证掉；确认值得长期用了，再决定是本地部署还是买 API。版本可以等，需求验证不用等。
