OpenAudio S1是Fish Audio推出的文本转语音（TTS）模型，基于超过200万小时的音频数据训练，支持13种语言。采用双自回归（Dual-AR）架构和强化学习与人类反馈（RLHF）技术，生成的声音高度自然、流畅，几乎与人类配音无异。模型支持超过50种情感和语调标记，用户可通过自然语言指令灵活调整语音表达。OpenAudio S1支持零样本和少样本语音克隆，仅需10到30秒的音频样本可生成高保真的克隆声音。
OpenAudio S1的主要功能
-
高度自然的语音输出：基于超过 200 万小时的音频数据训练，生成的语音几乎与人类配音无异，适用于视频配音、播客和游戏角色语音等专业场景。
-
丰富的情感和语气控制：支持超过 50 种情感标记（如愤怒、快乐、悲伤等）和语调标记（如急促、低声、尖叫等），用户可以通过简单的文本命令来控制语音的情感和语气。
-
强大的多语言支持：支持多达 13 种语言，包括英语、中文、日语、法语、德语等，展现出强大的多语言能力。
-
高效的语音克隆：支持零样本和少样本语音克隆，只需 10 到 30 秒的音频样本即可生成高保真的克隆声音。
-
灵活的部署选项：提供两种版本，40 亿参数的完整版 S1 和 5 亿参数的 S1-mini，后者为开源模型，适合研究和教育用途。
-
实时应用支持：超低延迟（低于 100 毫秒），适合实时应用，如在线游戏和直播内容。
