7 月底，语音 AI 圈出了个大新闻：靠开源语音模型起家的 Fish Audio，完成了 5200 万美元种子轮融资，同时发布了新一代语音模型 S2.1 Pro。种子轮就融 5000 万美元以上，这在 AI 行业里都不多见，更关键的是，这家公司成立刚满一年，团队只有 22 个人。比起融资本身，更值得盘一盘的是它的定价——15 美元就能合成约 12 小时语音。今天就把这家公司和这款产品一次说清楚。
5200 万美元种子轮：22 个人的团队想证明什么
Fish Audio 宣布完成 5200 万美元种子轮融资，由 Coreline Ventures 与今日资本领投。知乎这个数字是什么概念？成立一年，团队从 3 人扩到 22 人，发布 4 款 TTS 模型和 1 款 STT 模型，平台用户超过 800 万，ARR 从零做到 2100 万美元，企业及开发者业务已贡献约三分之二收入。
这个融资节奏不是凭空来的。看看同一时间的行业动态：韩国语音 AI 公司 Supertone 宣布，Supertone Play、Supertone API 与 Voice Builder 将于 2026 年 8 月 31 日停止服务。知乎一边收缩停服，一边大额融资加降价，语音合成赛道正在洗牌，「能合成」的门槛已经过去，「又快又便宜又细腻」才是新入场券。
S2.1 Pro 升级了什么
核心升级有四个。第一是延迟：首帧音频播放延迟（TTFA）约 90ms，比上一代 S2-Pro 的 100ms 进一步压缩。知乎人耳对语音延迟的敏感阈值大约在 150-200ms，90ms 意味着实时对话场景里，你基本感觉不到对面在「想」。
第二是克隆门槛：仅需 5 秒参考音频即可完成声音克隆，上一代还需要 15 秒。知乎克隆出的声音可以直接生成 83 种语言的内容，无需额外微调。第三是词级情绪控制：延续 [括号] 语法但不局限于固定标签集，模型把括号里的文字当普通文本处理，自己学会自然语言描述到声学变化的映射，[laugh]、[whisper] 这些不再是预置标签，而是模型「读得懂」的描述。第四是多说话人多轮对话生成，直接面向有声书、广播剧、虚拟主播这类多角色场景。
这些指标背后是工程优化。官方技术报告显示，在单张 NVIDIA H200 GPU 上，S2 的推理引擎实现了 0.195 的 RTF，也就是生成高保真音频的速度远超实时。arXiv而 S2.1 Pro 官方口径更进一步：单卡 H200 吞吐超 8000 tokens/s。知乎
算笔账：15 美元到底多便宜
重点来了，定价。Fish Audio 的标准是每百万 UTF-8 字节约 15 美元（约合 18 万英文单词、约 12 小时语音）。知乎
这个价格怎么理解？Fish Audio 发布会上对标的对象是 ElevenLabs：ElevenLabs 在同等质量下的 API 定价约为每百万字符 165 美元。知乎按这个口径直接相除，单价差距约 11 倍，比社区常引用的「6 倍差距」还要夸张。需要说明的是，这两个数字都来自 Fish Audio 单方口径，尚未经第三方独立验证，参考即可。
官方还给了个激进的承诺：企业采用其语音服务后如果成本降不到至少一半，免费再提供一年服务。翻译成大白话：你来试，不够便宜我免单。
国内场景再粗算一笔：100 万 UTF-8 字节，按中文一字 3 字节约合 33 万字，以有声书常见语速每分钟约 280 字计，约等于 20 小时中文语音——也就是 15 美元能出约 20 小时中文有声书，每小时成本约 0.75 美元（合人民币 5 元出头）。一部网文听完的配音成本，比很多人想象的低得多（这是我基于官方口径的估算，供参考）。
为什么敢降价：纸面上的技术底气
打价格战要有底气。论文数据显示，在 Seed-TTS-Eval 声音克隆测试里，S2 的中英文词错误率（WER）均为当前领先：中文 0.54%、英文 0.99%，对比 CosyVoice 3 的 1.12%/2.21%、Seed-TTS 的 1.12%/2.25%。arXiv「读得准」是语音合成的地基，也是不少模型一上长文本就露怯的地方。
成本下降的第二个关键是架构。Dual-AR 方案用一个大模型（4B 参数的 Qwen3）负责理解语义并预测语音的"高层表示"，再用一个小模型（400M 参数）快速填充声学细节。知乎大模型管「懂」，小模型管「快」，这种分工是它能同时压低延迟和成本的核心原因之一。
但要留个心眼：Fish Audio 还自建了指令跟随评测基准，论文称在指令改写的设定下，模型超过此前最优水平 30%，刷新行业基准。arXiv自建基准加自报数据，含金量如何，建议等第三方复现再下结论。
避坑提醒：开源不等于可以免费商用
想白嫖开源权重的开发者，这里有个必须知道的坑。很多人以为「开源发布」等于「随便用」，但 fish-speech 官方仓库的许可证写得很清楚：研究和非商业用途免费。GitHub
商用则是另一回事：任何将 Fish Audio 材料或其衍生作品用于商业目的的行为，都需要与 Fish Audio 另行签订书面许可协议。GitHub而且「商业目的」定义得很宽：做进产品或服务、企业内部使用、哪怕间接产生收入都算。所以如果你打算把 S2 权重做进商业项目，要么走商务授权，要么直接调用官方 API。
这也解释了 Fish Audio 的打法：开源权重赚社区和影响力，商业变现靠 API 和授权。顺带纠个偏：有文章称 S2 以「Apache 2.0 协议开源」，与官方仓库的 FISH AUDIO RESEARCH LICENSE 不符，请以官方 LICENSE 为准。S2 Pro 模型已托管在 Hugging Face（fishaudio/s2-pro），授权条款在模型卡片上可以直接看到。
谁适合用，怎么用
最后落到「跟我有没有关系」，按人群给几条建议。
做实时语音对话或 Agent 产品的开发者：90ms 延迟加激进定价，值得拉上 Cartesia、ElevenLabs 做一次同场对比。客户名单也能参考：HeyGen、LiveKit、Retell、Sanas、OpenArt 等多家公司已在生产环境中使用其模型。知乎重点验证两件事：你自己业务文本上的首帧延迟，以及每小时音频的真实成本。
做配音、有声书、播客的创作者：先用上面的单价算算自己的月产量，成本差异会非常直观。建议先用免费的 s2.1-pro-free 模型试自己的常用文本——官方承诺它与正式版质量和语言覆盖完全相同，在合理使用限制下免费。知乎
只是尝鲜的普通用户：官方为庆祝成立一周年开放了一个月 S2.1 Pro 免费体验，零成本上车。但两件事记牢：一是性能和价格对比目前都是官方单方数据，做决策前建议自己实测；二是声音克隆涉及人格权与版权，克隆任何人的声音都先取得授权。
后续值得盯三个信号：ElevenLabs 和 Cartesia 是否跟进降价，第三方评测能否复现官方数据，以及 S2.1 Pro 何时出现在 Seed-TTS-Eval 等公开榜单上。语音合成正在从「配音工具」变成「交互基础设施」，这场价格战，才刚刚开始。
