Fish Audio 是哪家公司的?是中国公司吗?
Fish Audio 注册在美国:使用条款写明运营方是特拉华州公司 Hanabi AI Inc.,新闻稿称总部在加州帕罗奥图。联合创始人兼首席科学家廖世嘉曾在英伟达做研究,Fish Audio 由他的开源项目 Fish Speech 发展而来,CEO 是 Rissa Cao。2026 年 7 月的种子轮由 Coreline Ventures 和中国投资机构今日资本共同领投。
发布于 更新于
先用一两句话说清楚。
Fish Audio 是美国帕罗奥图公司 Hanabi AI Inc. 运营的语音合成与声音克隆平台,脱胎于开源项目 Fish Speech。2026 年它在法国配音演员发律师函后删除了克隆声音(4 月),完成 5200 万美元种子轮(7 月),并于 10 月 13 日发布开放权重的 Drama 3 模型。
它能做什么,每项一句话,以及我们有没有实测。
用选定的声音朗读文本,可在文字里用方括号写指令,例如 [whispering]、[laughing],控制情绪、停顿和笑声等非语言声音。
据 Fish Audio 文档,S2 Pro 和 S2.1 Pro 把方括号指令当普通文字理解,所以指令不限于固定列表。
Fish Audio 最新的语音模型,2026 年 10 月 13 日发布,用自然语言指导语气、节奏和角色,权重在 Hugging Face 开放。
模型卡写明 350 亿参数、每个 token 约激活 30 亿。API 标价每百万字符 50 美元,2026 年 11 月 12 日前为 10 美元。
2026 年 6 月 23 日起的主力 API 模型:一个模型支持 83 种语言和多人对话。s2.1-pro-free 是同一模型,2026 年 11 月 30 日前免费。
据 Fish Audio 文档,免费版有合理使用限制,不保证延迟。S2.1 Pro 没有开放权重。
用一段简短的参考录音生成声音;Fish Audio 建议每段至少 10 秒清晰人声,一两分钟效果更好。
Fish Audio 关于创建声音的文档没有提到授权;实时本人验证只用于专业声音克隆。
用 10 到 180 分钟的录音训练录音室级克隆,说话人要现场朗读随机内容、声纹与上传录音吻合后才会完成训练。
2026 年 6 月 15 日上线;Plus、Pro、Max 分别有 1、5、15 个名额。Fish Audio 称已完成的克隆暂时无法删除。
超过 200 万个用户上传的声音,任何用户都能拿来生成语音。
数字来自 Fish Audio。声音库由用户上传,未经授权的克隆争议也出在这里。
2026 年 9 月 18 日发布的 Transcribe 1 Pro,可转写最长 60 分钟的音频,标出说话人轮次、情绪提示,可选时间戳。
API 价格为每音频小时 0.36 美元。
运行 Fish Audio 开放模型的代码在 GitHub 公开,Drama 3、S2 Pro 和 S1-mini 都能在自己的显卡上跑。
2026 年 10 月 17 日有 3.32 万星。代码和 Drama 3 采用 Fish Audio Community License;S2 Pro 权重仅限研究。
它帮得上谁、解决什么问题、在哪个榜单里。
适合
解决的问题
所在排行榜
别人公开做过的测试:给了它什么、结果怎样。
案例 1
输入
同一段文字由两个模型朗读,两两盲比,分数是根据用户投票算出的 Elo。
结果
Fish Audio Drama 3 Preview 在 97 个模型中排第 10,Elo 1244(区间 1229 至 1259),S2.1 Pro 第 18(1190),S2 Pro 第 35(1116)。ElevenLabs 的 Eleven v4 Turbo 以 1330 居首,Cartesia 的 Sonic 3.6 以 1285 排第 4,MiniMax 的 Speech 2.8 HD 以 1173 排第 22。Fish Audio 在第一梯队之后,并非榜首。
案例 2
输入
英语与罗马尼亚语混排的旁白稿,以及作者用自己声音做的克隆,用于一周的 YouTube 旁白。
结果
他认为 Fish Audio 在两种语言间切换干净,ElevenLabs 有口音串味、部分罗马尼亚语读错;他还说观众没发现旁白是克隆声音。这是一个人的判断,没有公开音频样本,文章带 Fish Audio 推广返利链接。
案例 3
输入
[breathless, speaking fast] Just turn off the lights.
结果
Fish Audio 称 Drama 3 在 Artificial Analysis 发音稳健性测试中读对 93.2% 的难词、数字和代码,S2.1 Pro 为 88.1%;它也提醒每次生成效果不同,建议多渲染几版挑一版。这是厂商自己的数字,Artificial Analysis 公开页面上我们没有看到具体分数。
案例 4
输入
上传 10 到 180 分钟自己声音的干净录音,再现场朗读一段随机文字,让系统与上传录音比对。
结果
Fish Audio 称只有现场声纹吻合才会开始训练,所以网上下载的别人录音应当通不过。这项验证只覆盖这一档克隆,而且完成的专业克隆暂时无法删除。
做得不好的地方和证据,以及我们还没法定论的地方。
做得不好
Fish Audio 上出现过未经本人同意的真人声音克隆。
证据: 八名法国配音演员发出日期为 2026 年 1 月 30 日的律师函(法新社、Next)。到 4 月,维权人数增至 25 人,Fish Audio 删除了 47 个复刻他们声音的模型,但 2 万欧元的索赔没有兑现(ATS 经 La Télé、KultureGeek 引法新社)。TechCrunch 2026 年 7 月 28 日报道,此前下架处理很慢,声音会一直挂着,直到声音主人申请删除。
免费版只能用于个人、非商业用途。
证据: 使用条款(2024 年 8 月 18 日生效)和套餐页常见问题都规定免费用户只能做个人、非商业项目,商用需付费套餐;但免费版卡片上又写着可商用。
开放权重并非所有企业都能免费用。
证据: S2 Pro 权重采用 Fish Audio Research License,不授予任何商用权利。Drama 3 和代码采用 Fish Audio Community License:年收入低于 50 万美元才可商用,没有单独授权时一律不得做成对外的语音或克隆服务。
你上传的内容和使用数据可能被用来训练 Fish Audio 的模型。
证据: 使用条款允许 Fish Audio 用使用数据和内容开发、训练 AI 模型;公开上传的内容附带永久许可,注销账号后也可能继续存在。
现在不适合用的人:需要声音版权清晰的品牌、工作室和代理公司,以及打算克隆不属于自己的声音的人。
证据: 公共声音库由用户上传,法国事件说明未经授权的克隆确实进入过平台;Community License 规定,未经同意模仿可识别的真人,授权自动终止。盲测榜上 ElevenLabs 和 Cartesia 也排在前面。
尚不确定
模型权利究竟属于哪家公司。
原因: 使用条款和网站页脚写的是 Hanabi AI Inc.,两份模型协议的版权方却是 39 AI, Inc.;Fish Audio 没有说明两者关系。
快速克隆有没有任何归属验证。
原因: Fish Audio 只说明专业声音克隆要做实时声纹验证;开发者文档里关于创建声音的页面没有提授权。
增长数据。
原因: 2100 万美元年经常性收入和 800 万用户来自 Fish Audio 2026 年 7 月的新闻稿,没有独立审计。
法国纠纷的结局。
原因: 2026 年 4 月赔偿仍未解决,演员的律师称正准备新诉讼,要求在法国禁止这类平台;我们没有找到判决。
每个数字都附来源和核对日期。
| 项目 | 数值 | 备注与来源 |
|---|---|---|
| 开发方 | 美国特拉华州公司 Hanabi AI Inc.,总部在加州帕罗奥图 | 总部所在地据 Fish Audio 2026 年 7 月新闻稿。据 TechCrunch,联合创始人为廖世嘉(首席科学家,曾在英伟达)和 Rissa Cao(CEO)。 来源:fish.audio核对于 |
| 融资 | 2026 年 7 月 28 日宣布 5200 万美元种子轮,Coreline Ventures 和今日资本领投 | 新闻稿自称年经常性收入 2100 万美元、用户超过 800 万。 来源:aijourn.com核对于 |
| 套餐和价格 | 免费 0 美元;Plus 每月 15 美元或每年 132 美元;Pro 每月 100 美元或每年 900 美元;Max 每月 999 美元或每年 8,988 美元;企业版另议 | 来源:fish.audio核对于 |
| 免费版 | 每月 8,000 点(最多约 7 分钟),每次最多 500 字符,3 个公共声音名额;仅限个人、非商业用途 | 常见问题和使用条款都把免费用户限定为非商业用途。 来源:fish.audio核对于 |
| API 价格 | S2.1 Pro 和 S2 Pro 每百万 UTF-8 字节 15 美元;s2.1-pro-free 在 2026 年 11 月 30 日前 0 美元;语音转文字每音频小时 0.36 美元 | 一个汉字在 UTF-8 中占 3 个字节,同样字数的中文比英文计费更多。 来源:docs.fish.audio核对于 |
| Drama 3 API 价格 | 每百万字符 50 美元;2026 年 11 月 12 日前 10 美元 | 来源:fish.audio核对于 |
| 开放权重协议 | Drama 3:Fish Audio Community License v1.0(年收入低于 50 万美元可商用);S2 Pro:Fish Audio Research License(非商业);S1-mini:CC BY-NC-SA 4.0 | S1-mini 协议见其 Hugging Face 模型卡;Drama 3 模型卡的元数据仍挂着研究协议标签。 来源:fish.audio核对于 |
| Artificial Analysis Speech Arena | 共 97 个模型:Drama 3 Preview 第 10(Elo 1244),S2.1 Pro 第 18(1190),S2 Pro 第 35(1116),OpenAudio S1 第 47(1081) | 来源:artificialanalysis.ai核对于 |
| 使用平台 | 网页版、iOS 和安卓版 Fish Audio App、API | 来源:fish.audio核对于 |
| 模型下线 | S1 已弃用,2026 年 12 月 31 日下线;之后 s1 请求改由 S2.1 Pro 处理,价格不变 | 来源:docs.fish.audio核对于 |
先给结论,再讲原因、例子、限制和下一步。
Fish Audio 注册在美国:使用条款写明运营方是特拉华州公司 Hanabi AI Inc.,新闻稿称总部在加州帕罗奥图。联合创始人兼首席科学家廖世嘉曾在英伟达做研究,Fish Audio 由他的开源项目 Fish Speech 发展而来,CEO 是 Rissa Cao。2026 年 7 月的种子轮由 Coreline Ventures 和中国投资机构今日资本共同领投。
Fish Audio 有免费版,每月 8,000 点、约 7 分钟语音,但只能用于个人、非商业用途。商用要从 Plus 起步,每月 15 美元或每年 132 美元。开发者还可以在 2026 年 11 月 30 日前通过 API 免费调用 s2.1-pro-free(即 S2.1 Pro),有合理使用限制。
Drama 3 只有在你和关联公司年收入低于 50 万美元时才可免费商用,依据是 Fish Audio Community License v1.0。超过这个门槛,或想把它做成对外的语音、克隆服务,就要向 Fish Audio 单独购买授权。S2 Pro 权重仅限研究和非商业用途,S1-mini 采用 CC BY-NC-SA 4.0。
有,法国配音演员在 Fish Audio 上发现了自己声音的克隆,Fish Audio 到 2026 年 4 月删除了 47 个这样的模型。包括安吉丽娜·朱莉法语配音在内的八名演员发出日期为 2026 年 1 月 30 日的律师函,要求删除并索赔 2 万欧元(法新社)。到 4 月维权人数增至 25 人,赔偿没有兑现,律师称正准备新的诉讼。
盲测音质上 ElevenLabs 更好:它的两个 v4 模型在 Artificial Analysis Speech Arena 包揽前两名(Elo 1330 和 1329),Fish Audio 最好的 Drama 3 Preview 排第 10(1244)。Fish Audio 的 API 便宜得多,S2.1 Pro 每百万 UTF-8 字节 15 美元,Eleven v4 每百万字符 80 美元,而且 Fish Audio 开放了部分模型权重。
最接近的替代品是 ElevenLabs、Cartesia、MiniMax Speech 和 CosyVoice,各自适合不同需求。盲测榜上 ElevenLabs 和 Cartesia 的 Sonic 3.6(第 4,Elo 1285)排在 Fish Audio 之前;MiniMax 的 Speech 2.8 HD 排第 22(1173),低于 Fish Audio 的 S2.1 Pro。CosyVoice 是开源模型系列,代码采用 Apache-2.0,支持 9 种语言和 18 种以上中国方言,没有上这个榜。
本页只用今天能核实的材料:Fish Audio 自己的页面、文档和模型协议,它 2026 年 7 月的融资新闻稿,新闻报道,Artificial Analysis 的 Speech Arena 盲测榜,以及 Bitdoze 的一篇上手对比。每条事实都附出处,均在 2026 年 10 月 17 日核对。
Fish Audio 的运营方是美国特拉华州公司 Hanabi AI Inc.(使用条款),总部在加州帕罗奥图(新闻稿)。联合创始人兼首席科学家廖世嘉(Shijia Liao)曾在英伟达做研究,最早用一张显卡训练语音模型并开源,也就是 Fish Speech;CEO 是联合创始人 Rissa Cao(TechCrunch)。投资界报道团队只有 22 人(投资界)。
| 时间 | 事件 |
|---|---|
| 2023 年 12 月 23 日 | 更新日志里最早的 Fish Speech 版本 v0.2.0(更新日志) |
| 2025 年 6 月 | S1(40 亿参数)和开源的 S1-mini(5 亿参数) |
| 2026 年 2 月 3 日 | 八名法国配音演员向 Fish Audio 和 VoiceDub 发出律师函的消息公开(法新社,France 24 转载) |
| 2026 年 3 月 | S2 发布并开放权重(更新日志) |
| 2026 年 6 月 15 日 | 推出带实时本人验证的专业声音克隆(Fish Audio) |
| 2026 年 6 月 23 日 | S2.1 Pro,只以在线服务提供 |
| 2026 年 7 月 28 日 | 5200 万美元种子轮;公司自称年经常性收入 2100 万美元、用户 800 万(新闻稿) |
| 2026 年 10 月 13 日 | Drama 3 发布并开放权重(Fish Audio) |
我们核对时,Fish Speech 代码仓库在 GitHub 上有 3.32 万星(GitHub);Fish Audio 称公共声音库里有超过 200 万个用户上传的声音(Fish Audio)。
| 模型 | 发布 | 权重 | 协议 |
|---|---|---|---|
| Drama 3(350 亿参数,每个 token 约激活 30 亿) | 2026 年 10 月 13 日 | 开放 | Community License:年收入低于 50 万美元可商用,不得做成对外服务 |
| S2.1 Pro | 2026 年 6 月 23 日 | 未开放 | 只能在线使用 |
| S2 Pro | 2026 年 3 月 | 开放 | Research License:仅限非商业用途 |
| S1-mini(5 亿参数) | 2025 年 6 月 | 开放 | CC BY-NC-SA 4.0 |
出处:Drama 3 发布文章、Community License、Research License、S1-mini 模型卡。S1 将于 2026 年 12 月 31 日下线(价格文档)。
| 套餐 | 月付 | 年付 | 每月额度 |
|---|---|---|---|
| 免费 | 0 美元 | 无 | 8,000 点(最多约 7 分钟) |
| Plus | 15 美元 | 132 美元 | 250,000 点 |
| Pro | 100 美元 | 900 美元 | 2,000,000 点 |
| Max | 999 美元 | 8,988 美元 | 25,000,000 点 |
出处:Fish Audio 套餐页。API 方面,S2.1 Pro 和 S2 Pro 每百万 UTF-8 字节 15 美元;s2.1-pro-free 是同一个模型,2026 年 11 月 30 日前免费(价格文档)。一个汉字在 UTF-8 里占 3 个字节,所以同样字数的中文比英文计费更多。Drama 3 标价每百万字符 50 美元,11 月 12 日前降到 10 美元(Fish Audio)。
Fish Audio 条款禁止上传侵犯他人权利的内容,Community License 禁止未经同意模仿可识别的真人声音,专业声音克隆也要本人通过实时声纹验证才会训练(指南)。但公共声音库是用户上传的。2026 年 1 月 30 日,八名法国配音演员(包括安吉丽娜·朱莉的法语配音 Françoise Cadol)限 Fish Audio 和 VoiceDub 在八天内删除克隆他们声音的模型,并索赔 2 万欧元(法新社,France 24 转载,Next)。到 4 月,他们的律师 Jonathan Elkaim 说 Fish Audio 已为 25 名演员删除 47 个模型,但没有赔偿,他正准备新的诉讼(La Télé,KultureGeek)。TechCrunch 7 月报道称,此前下架处理很慢;Fish Audio 说现在声音主人证明归属后,三分钟内即可下架(TechCrunch)。
| Speech Arena 最好名次 | API 价格 | |
|---|---|---|
| Fish Audio | 第 10,Drama 3 Preview(1244) | 每百万 UTF-8 字节 15 美元(S2.1 Pro) |
| ElevenLabs | 第 1,Eleven v4 Turbo(1330) | v4 每百万字符 80 美元,v4 Turbo 40 美元(ElevenLabs) |
| Cartesia | 第 4,Sonic 3.6(1285) | 未核实 |
| MiniMax | 第 22,Speech 2.8 HD(1173) | 未核实 |
| CosyVoice | 未上榜 | 自己部署免费 |
其中 Fish Audio 和 CosyVoice 都有可以自己部署的模型;CosyVoice 代码采用 Apache-2.0,支持 9 种语言和 18 种以上中国方言(GitHub)。
来源
更新记录
VideoEnhancer is a web tool that upscales short MP4 clips to 1080p, 2K or 4K with the FlashVSR model and also compresses, face-swaps and generates video. After a 5-second free trial, 1080p costs 3 credits a second, $0.03 to $0.09 depending on how credits are bought. VideoEnhancer is our own product: it is made by the team behind GenGrades.
LayerGrab splits a flat image into up to 16 named, transparent layers over a filled-in background, on the web, in Figma or in Chrome, or pulls out only what you name. Each layer costs $0.10 on its $12 plan, $0.08 on Premium. No independent review exists yet. LayerGrab is our own product: it is made by the team behind GenGrades.
VideoTextRemover is a web tool that erases burned-in subtitles, captions and other on-screen text from MP4 and MOV videos and repaints what was behind them, up to 1080p. It bills per second processed, about $0.025 to $0.049, with 30 free seconds a month in some countries. VideoTextRemover is our own product: it is made by the team behind GenGrades.
MagicRemover is a browser tool that erases people, objects, text, logos and watermarks from photos, and subtitles from videos. Photos get 2 free removals a day, 2 more after sign-in, at about 1 megapixel; beyond that, credits start at $9.90 for 330. MagicRemover is our own product: it is made by the team behind GenGrades.
Hermes Agent is the best OpenClaw alternative for most people: free, open source, safer by default and able to import an OpenClaw setup in one command. NanoClaw puts every session in a container, ZeroClaw is a tiny sandboxed binary, Claude Cowork suits people who would rather pay than host, and Hostinger is the cheapest way to keep OpenClaw itself.
EditTextImage is a web tool, with phone apps and a Chrome extension, that rewrites, fixes, translates or removes the words in a finished image while keeping its lettering. Credits are sold once, from $14.90 for 40; a standard edit costs one. No independent test exists yet. EditTextImage is our own product: it is made by the team behind GenGrades.