Fish Audio 正式开源 S2-Pro，这是其新一代文本转语音模型，核心特性是通过自然语言指令精细控制语音的情感与风格——从激动到低沉、从戏剧性停顿到急促节奏，全部可以用语言描述来驾驭。
技术亮点：S2-Pro 采用分层 Dual-AR 架构，将语言建模与声学细节建模分离，在序列长度和音质之间取得了更好的平衡。训练管线包含视频字幕、语音字幕、语音质量评估和奖励建模四个阶段，从而形成高质量的自监督数据飞轮。
开源内容：模型权重、微调代码、基于 SGLang 的生产级推理引擎——不是只放个 checkpoint，而是完整的系统交付。支持多发言人对话一次性生成，已在 GitHub（fishaudio/fish-speech）上冲上 trending 榜单。
在 ElevenLabs 和各大闭源 TTS 服务主导市场的背景下，一个开源的、情感可控的高质量 TTS 系统意义不小——尤其对需要本地化部署语音能力的 Agent 和应用开发者来说。