/ Модель

Характеристики

Контекст
131 072 токена
Лицензия
Своя лицензия
Архитектура
fish_qwen3_omni · dense
Базовая модель
s2-pro
Библиотека
transformers
Опубликована
11 авг 2026

s2-pro-fp8

Синтез речиТекст → аудио3 профессии

Производная модели drbaph/s2-pro-fp8. Квантизированная FP8 версия Fish Audio S2 Pro для многоязычного синтеза речи с управлением голосом, эмоциями и интонацией.

37скачиваний за 30 дней0лайковвеса обновлены11 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Карточка модели Benjonson/s2-pro-fp8 на Hugging Face совпадает с карточкой drbaph/s2-pro-fp8, поэтому описание составлено по ней.

drbaph/s2-pro-fp8 — квантизированная в FP8 версия модели Fish Audio S2 Pro, опубликованная пользователем drbaph. Это модель синтеза речи на основе decoder-only трансформера и аудиокодека RVQ; архитектура Dual-AR включает медленный авторегрессионный блок на 4 млрд параметров и быстрый блок на 400 млн параметров. В FP8 переведены веса линейных слоёв, а эмбеддинги, нормализации и кодек сохранены в bfloat16. Репозиторий использует формат safetensors и библиотеку Transformers.

Модель преобразует текст в речь, поддерживает несколько голосов и последовательные реплики, а также управление темпом, эмоциями, интонацией и другими особенностями произношения через текстовые инструкции. Заявлена поддержка более 80 языков; наивысшее качество указано для японского, английского и китайского, а русский входит в группу языков следующего уровня качества. Версия FP8 примерно вдвое меньше исходной по размеру и рассчитана примерно на 12 ГБ видеопамяти; для работы требуется NVIDIA GPU с CUDA и PyTorch 2.1 или новее.

По README, авторы сообщают об отсутствии заметной потери качества при квантизации, однако это утверждение не подкреплено приведёнными в карточке независимыми оценками. Квантизированные веса оптимизированы для снижения требований к памяти; максимальная скорость ожидается на GPU с аппаратной поддержкой FP8. Лицензия репозитория указана как other, поэтому конкретные условия использования следует сверить с лицензией исходной модели Fish Audio S2 Pro и файлами репозитория.

Сценарии применения

  • озвучивание текста на нескольких языках
  • генерация диалогов с несколькими голосами
  • озвучивание реплик с заданной эмоцией или интонацией
  • клонирование голоса при использовании совместимого узла ComfyUI
  • создание речи с паузами, шёпотом, смехом или акцентом

Ограничения

Для запуска требуется NVIDIA GPU с CUDA и PyTorch 2.1 или новее; для максимальной скорости рекомендуется GPU с поддержкой FP8. В метаданных указана лицензия other, поэтому условия использования нужно уточнить по лицензии исходной модели.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Fish Audio S2 Pro — FP8 Weight-Only Quantized

FP8 quantized version of fishaudio/s2-pro.

Original Model | Technical Report | GitHub | Playground | ComfyUI Node

Screenshot 2026-03-11 211919


Paper Summary

Fish Audio S2 is an open-sourced text-to-speech system featuring multi-speaker, multi-turn generation, and instruction-following control via natural-language descriptions. The system utilizes a multi-stage training recipe and a staged data pipeline covering video and speech captioning. S2 Pro specifically uses a Dual-Autoregressive (Dual-AR) architecture:

  • Slow AR (4B): Predicts the primary semantic codebook along the time axis.
  • Fast AR (400M): Generates the remaining residual codebooks to reconstruct fine-grained acoustic detail.

What is this?

This is a weight-only FP8 quantization of Fish Audio S2 Pro — a state-of-the-art open-source TTS model with fine-grained inline prosody and emotion control across 80+ languages. The quantization cuts the on-disk size roughly in half and reduces VRAM usage from ~24 GB to ~12 GB, with no perceptible quality loss in practice.

Original (s2-pro)This (s2-pro-fp8)
Weight dtypebfloat16float8_e4m3fn
Activation dtypebfloat16bfloat16
Scale—per-row float32
File size~12 GB~6.2 GB
VRAM (inference)~24 GB~12 GB
Extra dependenciesnonenone

Quantization Details

What is quantized: All nn.Linear weight matrices in both the Slow AR (4B) and Fast AR (400M) backbones — 201 layers in total. Non-linear weights (embeddings, layer norms, codec) remain in bfloat16.

Method: Per-row symmetric FP8

Each output row of every weight matrix has its own float32 scale factor:

scale = max(abs(row)) / FP8_MAX        # FP8_MAX = 448.0 for float8_e4m3fn
W_fp8 = round(W_bf16 / scale)          # quantize
W_bf16 = W_fp8.to(bfloat16) * scale   # dequantize at inference

Per-row scaling captures the per-channel magnitude variation in transformer weight matrices much better than a single per-tensor scale, significantly reducing quantization error at minimal overhead.

No external quantization library required. Dequantization is implemented in pure PyTorch inside a custom FP8Linear module — no torchao, bitsandbytes, or AutoGPTQ needed. The model loads and runs on any machine with PyTorch 2.1+.

File layout inside model.safetensors:

  • <layer>.weight — float8_e4m3fn tensor (quantized weights)
  • <layer>.weight.scale — float32 tensor, shape [out_features, 1] (per-row scales)
  • All other tensors — bfloat16 (embeddings, norms, codec, etc.)

Hardware Requirements

  • GPU: NVIDIA GPU with CUDA support
  • VRAM: ~12 GB
  • Native FP8 tensor cores: Ada Lovelace or Blackwell (RTX 4090, RTX 5090, H100, etc.) — recommended for full speed
  • Older GPUs (Ampere and below): Will load and run correctly. Dequantization to bfloat16 happens on all hardware, so you still get the ~12 GB VRAM footprint benefit even without native FP8 cores.

Usage — ComfyUI (Recommended)

The easiest way to use this model is with ComfyUI-FishAudioS2, which has native support for this FP8 model with zero extra setup.

Installation

  1. Install the ComfyUI node via ComfyUI Manager (search FishAudioS2) or manually:

    cd ComfyUI/custom_nodes
    git clone https://github.com/Saganaki22/ComfyUI-FishAudioS2.git
    
  2. The model auto-downloads on first use — select s2-pro-fp8 from the model dropdown in any Fish S2 node.

  3. Or download manually:

    huggingface-cli download drbaph/s2-pro-fp8 --local-dir ComfyUI/models/fishaudioS2/s2-pro-fp8
    

Recommended settings

  • precision: auto or bfloat16 — matches the activation dtype
  • attention: auto or sage_attention for best performance
  • keep_model_loaded: True if running multiple generations back-to-back

Works with all three nodes: Fish S2 TTS, Fish S2 Voice Clone TTS, Fish S2 Multi-Speaker TTS.


About Fish Audio S2 Pro

Fish Audio S2 Pro is a leading text-to-speech model with fine-grained inline control of prosody and emotion. Trained on over 10M+ hours of audio data across 80+ languages, it combines reinforcement learning alignment with a Dual-Autoregressive (Dual-AR) architecture.

Architecture

S2 Pro builds on a decoder-only transformer combined with an RVQ-based audio codec (10 codebooks, ~21 Hz frame rate):

  • Slow AR (4B parameters): Operates along the time axis and predicts the primary semantic codebook.
  • Fast AR (400M parameters): Generates the remaining 9 residual codebooks at each time step, reconstructing fine-grained acoustic detail.

This asymmetric design keeps inference efficient while preserving audio fidelity. The Dual-AR architecture is structurally isomorphic to standard autoregressive LLMs, inheriting LLM-native serving optimizations — continuous batching, paged KV cache, CUDA graph replay, RadixAttention-based prefix caching.

Fine-Grained Inline Control

Embed natural-language instructions directly in the text using [tag] syntax. S2 Pro accepts free-form descriptions — not a fixed tag vocabulary:

[pause] [emphasis] [laughing] [inhale] [chuckle] [tsk] [singing] [excited] [volume up] [echo] [angry] [sigh] [whisper] [screaming] [shouting] [surprised] [short pause] [exhale] [delight] [sad] [clearing throat] [shocked] [with strong accent] [professional broadcast tone] [pitch up] [pitch down]

Free-form examples: [whisper in small voice] · [super happy and excited] · [speaking slowly and clearly] · [sarcastic tone]

15,000+ unique tags supported.

Supported Languages

Tier 1 (Best Quality): Japanese (ja), English (en), Chinese (zh)

Tier 2: Korean (ko), Spanish (es), Portuguese (pt), Arabic (ar), Russian (ru), French (fr), German (de)

80+ total: sv, it, tr, no, nl, cy, eu, ca, da, gl, ta, hu, fi, pl, et, hi, la, ur, th, vi, jw, bn, yo, sl, cs, sw, nn, he, ms, uk, id, kk, bg, lv, my, tl, sk, ne, fa, af, el, bo, hr, ro, sn, mi, yi, am, be, km, is, az, sd, br, sq, ps, mn, ht, ml, sr, sa, te, ka, bs, pa, lt, kn, si, hy, mr, as, gu, fo

Production Streaming Performance (original model, H200)

  • Real-Time Factor (RTF): 0.195
  • Time-to-first-audio: ~100 ms
  • Throughput: 3,000+ acoustic tokens/s while maintaining RTF below 0.5

Citation

@misc{liao2026fishaudios2technical,
      title={Fish Audio S2 Technical Report}, 
      author={Shijia Liao and Yuxuan Wang and Songting Liu and Yifan Cheng and Ruoyi Zhang and Tianyu Li and Shidong Li and Yisheng Zheng and Xingwei Liu and Qingzheng Wang and Zhizhuo Zhou and Jiahua Liu and Xin Chen and Dawei Han},
      year={2026},
      eprint={2603.08823},
      archivePrefix={arXiv},
      primaryClass={cs.SD},
      url={https://arxiv.org/abs/2603.08823},
}

License

This model inherits the Fish Audio Research License from fishaudio/s2-pro. Research and non-commercial use is permitted free of charge. Commercial use requires a separate license from Fish Audio — contact business@fish.audio.

The FP8 quantization was produced by drbaph and is released under the same license.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Архитектура fish_qwen3_omni неизвестна transformers в образе рантайма.

Ревизия весов
ec92a7c

0 моделей