Fish Audio: выразительность, клонирование и открытая модель | 7Post
Почему этот игрок оказался особенно интересен для нашего исследования
Алексей, нейроинженер, обозреватель «Нейросреды»
Есть компании, которые соревнуются за качество.
Есть те, кто делает ставку на скорость.
А есть игроки, которые одновременно пытаются дать пользователю контроль над тем, как именно звучит речь.
Fish Audio сейчас интересен именно этим.
В актуальной документации компания продвигает S2.1 Pro как выразительную TTS-модель с потоковой генерацией, клонированием, тегами управления речью и широкой языковой поддержкой. На официальной странице API заявлены более 80 языков и время до первого аудио порядка 100 мс.
Но для меня есть ещё одна причина включить Fish Audio в наш цикл.
В марте 2026 года компания сообщила об открытии исходного кода S2.
И это уже разговор не только о голосе.
Это разговор о контроле над технологией.
1. Fish Audio как голосовой API
Самый простой сценарий:
текст → Fish Audio → MP3.
Официальный API использует модель S2.1 Pro и reference_id для выбора голоса.
Это означает, что голос становится параметром запроса.
Не:
«выбери голос где-нибудь в интерфейсе».
А:
«используй конкретный голосовой идентификатор».
Для разработчика это принципиальная разница.
2. Управление голосом через текст
Одна из интересных возможностей Fish Audio — управляющие теги.
Например:
[chuckle] Когда создаёшь что-то новое, возникает смесь восторга и страха.
Или:
[whisper] Но иногда лучше говорить тише.
На официальной странице API Fish Audio показывает теги для эмоций и подачи прямо внутри текста.
Это очень близко к тому подходу, который мы видели у MiniMax.
И здесь возникает отличный материал для сравнительного теста:
один текст → одинаковая инструкция → разные модели.
3. Почему теги интереснее обычного параметра «emotion»
Представим:
emotion = happy
Это довольно грубая команда.
А теперь:
[whisper] Я думал, что всё потеряно… [breath] Но мы нашли решение.
Здесь эмоция становится частью сценария.
Автор может управлять не только тем, что говорит персонаж, но и как именно он это делает.
Это уже ближе к режиссуре.