/ Модель

Характеристики

Контекст
131 072 токена
Размер весов
9,1 ГБ
Лицензия
Своя лицензия
Архитектура
fish_qwen3_omni · dense
Базовая модель
s2-pro
Библиотека
mlx-audio
Опубликована
11 мар 2026

fish-audio-s2-pro-bf16

Синтез речиТекст → аудио3 профессии

Многоязычная MLX-версия Fish Audio S2 Pro для синтеза выразительной речи с управлением интонацией и эмоциями через текстовые теги.

1 203скачиваний за 30 дней29лайковвеса обновлены20 мар 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

mlx-community/fish-audio-s2-pro-bf16 — конвертированная в формат MLX версия Fish Audio S2 Pro, подготовленная сообществом mlx-community на основе fishaudio/s2-pro. Это модель синтеза речи с архитектурой Dual-Autoregressive и 5 млрд параметров: медленный авторегрессионный блок отвечает за основное семантическое представление, а быстрый — за остаточные кодовые книги. Модель рассчитана на генерацию речи из текста на множестве языков; в карточке выделены английский, японский и китайский как языки с полной поддержкой, а русский, корейский, испанский, португальский, арабский, французский и немецкий — с сильной поддержкой.

Модель поддерживает управление просодией и эмоциями с помощью встроенных текстовых тегов, например для шёпота, пауз, ударения, смеха, пения или изменения высоты голоса. Это позволяет настраивать манеру произношения внутри текста и использовать синтез для озвучивания, выразительной речи и клонирования голоса. Веса представлены в формате safetensors для MLX; README указывает конверсию с помощью mlx-audio 0.4.0. Лицензия обозначена как other, поэтому перед использованием следует проверить условия исходной карточки модели.

Сценарии применения

  • синтез речи из текста на нескольких языках
  • озвучивание текста с заданной эмоцией или интонацией
  • генерация шёпота, смеха, пения и других речевых эффектов
  • создание выразительной озвучки с паузами и акцентами
  • клонирование голоса

Ограничения

Условия лицензии указаны как other и требуют проверки в исходной карточке перед использованием. Поддержка языков неодинакова: README выделяет английский, японский и китайский как языки с полной поддержкой, а ряд других — как языки с сильной поддержкой.

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

mlx-community/fish-audio-s2-pro-bf16

This model was converted to MLX format from fishaudio/s2-pro using mlx-audio version 0.4.0.

Refer to the original model card for more details on the model.

Model Overview

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

Architecture

AttributeValue
Total Parameters5B
Slow AR4B (time-axis, primary semantic codebook)
Fast AR400M (residual codebooks per time step)
Audio Codec10 codebooks @ ~21 Hz frame rate
Tensor TypeBF16

Fine-Grained Inline Control

Localized control over speech generation using [tag] syntax with free-form textual descriptions (15,000+ supported tags):

[whisper in small voice]
[professional broadcast tone]
[pitch up]

Common Tags (15,000+ supported): [pause] [emphasis] [laughing] [inhale] [chuckle] [tsk] [singing] [excited] [volume up] [echo] [angry] [whisper] [screaming] [sad] [shocked] and many more.

Supported Languages

Tier 1 (Full Support): Japanese, English, Chinese Tier 2 (Strong Support): Korean, Spanish, Portuguese, Arabic, Russian, French, German Additional: 70+ more languages

Use with mlx-audio

pip install -U mlx-audio

CLI Example:

python -m mlx_audio.tts.generate --model mlx-community/fish-audio-s2-pro-bf16 --text "Hello, this is a test."

Python Example:

from mlx_audio.tts.utils import load_model
from mlx_audio.tts.generate import generate_audio

model = load_model("mlx-community/fish-audio-s2-pro-bf16")
generate_audio(
    model=model,
    text="Hello, this is a test.",
    ref_audio="path_to_audio.wav",
    file_prefix="test_audio",
)

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 is released under the Fish Audio Research License:

  • Research use: Free
  • Non-commercial use: Free
  • Commercial use: Requires separate license from Fish Audio (contact: business@fish.audio)

See the original model for full license details.

Как запустить

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

GPU в ailist

Универсальный рантайм · mlx-audio

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Ревизия весов
eccd57b

0 моделей