最近圈子里对 Fish Audio 的讨论密度明显上来了。7 月底，官方发布了新一代语音模型 S2.1 Pro，把声音克隆的门槛再次拉低到 5 秒参考音频的水平。知乎 但很多想上手的人卡住的，其实是个更基础的问题：免费到底怎么个免费法，入口在哪，边界在哪。国内搜一下"Fish Audio"，会冒出一堆分不清真假的同名网站；社区里人人都在说免费层真香，却很少有人系统讲清楚具体有哪几条路可走。这篇就一次说清：免费路径有几条、坑在哪、什么时候才值得掏钱。
先说结论：免费层跑的就是付费同款模型
这一点最值得先定下来：Fish Audio 把 S2.1 Pro 开成了免费 API，不是阉割版试用，免费层跑的就是和付费同款的模型，而且没有字符硬上限。小红书
至于为什么撑得起免费，官方的说法是把推理栈重写了一遍：自研 FP8 算子库 fish-scales-ops，在关键解码 shape 上比 cuBLAS 参考快 2.1 到 4.3 倍，单卡每美元能服务的请求数上去了，才敢这么送。小红书
免费层拿到的能力也不打折：只需 5 秒参考音频就能完成声音克隆，比上一代的 15 秒大幅缩短，克隆出的声音可以直接生成 83 种语言的内容，首帧音频播放延迟约 90 毫秒，还支持词级情绪控制和多说话人对话生成。知乎
路径一｜网页版：注册领免费额度，门槛最低
如果只是想先试试效果值不值得付费，直接走官网网页版 fish.audio 最省事：打开网页就能用，不用装任何东西，也不用配环境。社区里流传的免费额度口径是每月 8000 字，支持声音克隆，上传 10-30 秒录音即可，中文效果中上，对话场景和短视频旁白用起来顺手。知乎 另一位用户的实测口径是每月 7 分钟高质量语音加 8000 积分，具体数字以站内显示为准，额度规则本身也可能随时间调整。知乎 这条路径适合第一次试水的人：零成本就能摸清这个模型的中文自然度和克隆音色对不对你的场景。
路径二｜API 免费层：开发者把请求头里的模型名改掉就行
要做原型、或者想把语音能力接进自己产品里的人，API 这边有免费端点：接入只改一处，请求头里把 model 写成 s2.1-pro-free 即可，其余和付费调用一致，声音克隆同样在免费层可用。小红书
但边界也要说清楚：发布时的口径里，免费窗口覆盖整个 2026 年 7 月，如今已是 8 月下旬，窗口是否延长、额度怎么算，以官网和实际调用返回为准，这也是后面值得盯的信号之一。小红书 另外，免费层没有 SLA、没有延迟保证，定位就是原型与评测，别直接压进生产环境。
路径三｜开源自部署：数据不出本地，没有字数上限
第三条路更彻底：S2 系列是开源的，本地部署没有字数限制，数据也不出本地。架构上它采用 Dual-AR 双自回归设计，由一个慢速自回归主干负责时间语义，再由一个轻量的快速自回归解码器填充深度方向的声学细节。知乎 社区对开源版的实测口径也比较客观：生成速度极其快，但情绪和音色还原上，还是不如 Index TTS 2。小红书
不想折腾环境的话，云平台已经备好了一键镜像：Fish Audio S2 项目已在趋动云的社区项目上线，无需自己创建环境、下载模型，点一下运行、等本地 URL 生成后加上端口就能用。知乎 只提醒一句：用完记得及时关闭开发环境，免得持续计费。
避坑清单：四个比模型强不强更实际的问题
一是假网站。国内搜索出来的同名网站很多是假的，一进去就让付钱，页面做得和官网一模一样；认准 fish.audio 和 docs.fish.audio 这两个官方入口，别先付钱再求助。知乎
二是免费不等于无限商用。免费层的条款写得很清楚：年营收超 100 万美元的产品，商用前需要先联系官方。小红书 小体量原型没问题，但准备商业化的生意，别默认没人管。
三是音频数据的边界。免费层的请求可能被用于改进模型，如果你要合成的是敏感内容或客户素材，请选付费版或开源自部署。小红书
四是官方数据别全信。发布会上的性能和价格对比数据均为 Fish Audio 自行发布，尚未经过第三方独立验证，像 ElevenLabs 同等质量每百万字符 165 美元这类对比口径也一样，最好拿自己的业务文本实测后再下结论。知乎
免费不够用时：什么时候付费，拿什么对比
先看价格：Fish Audio 付费 API 约每百万 UTF-8 字节 15 美元，官方折算约 12 小时语音，对比 ElevenLabs 同等质量每百万字符约 165 美元，差了大约一个数量级（再提醒一次，两者都是官方自报数据）。知乎 所以判断标准很简单：免费层把场景跑通，效果过关又需要稳定 SLA 和更高并发时，付费买的是确定性，不是模型本身。
想要大额度免费替代，社区有人整理过一份天花板级音频模型清单可以当对照：阿里通义 Qwen3-TTS 有百万字符级免费额度，适合大批量生成；MiniMax Speech 单次最多支持 20 万字符长文本，对应中长篇小说量级的长音频。微博
同一份清单里，ElevenLabs 依然是自然度和情感的行业标杆，B 站开源的 IndexTTS-2 则是本地想完全掌控时的底座选项。微博
行业面还有两条动态值得放进背景板：声音克隆工具 noiz 已经关停，国内可用工具名单正在重排，Fish Speech 这类开源自部署路线被视为主流方向之一。知乎 生态侧，LiveKit 的 expressive mode 已经接上了 S2.1 Pro 的情绪渲染，LLM 把情感内联写进文本、模型直接渲染，不用再手动管理韵律标签。微博
行动清单和值得继续盯的信号
建议的行动顺序：第一步，用网页版免费额度跑一遍自己最常用的场景，重点听克隆音色和中文自然度；第二步，做原型开发的接上 s2.1-pro-free，用自己的文本实测延迟和并发；第三步，有显卡又在意数据边界的，再尝试开源自部署，云平台一键镜像能省下大量配置时间。
公司基本面可以放进长期观察：成立一年内团队从 3 人扩到 22 人，平台用户超过 800 万，ARR 从零做到 2100 万美元，还拿到了 5200 万美元种子轮融资。知乎 接下来值得盯三个信号：免费 API 窗口和额度规则是否变化、开源 S2 的社区优化进展和它与 IndexTTS 的差距变化、以及 noiz 关停之后竞品的定价动作。这三点有动静，这篇的结论就该跟着更新。
一句话收尾：免费层足够验证能力是否匹配你的场景，先验证、再付费，才是用 Fish Audio 的正确顺序。
