fish-speech

上传几秒音频，克隆任意音色，生成自然逼真的语音。

开源 🏷️定价信息待确认 🚫 站点已失效音频音乐 🍴 复刻 2921 🐛 待处理 24 👀 关注 161

访问官网 ↗ GitHub ↗

GitHub 星标 ★ 33608

维护状态活跃

是否开源开源

定价模式 🏷️定价信息待确认

项目预览

fish-speech 项目界面预览图 — 图片来源：GitHub 官方仓库名片

项目数据

分类音频音乐

开发团队fishaudio

官网地址https://speech.fish.audio

GitHubhttps://github.com/fishaudio/fish-speech

定价模式🏷️定价信息待确认

价格说明官网为在线语音合成演示，但定价信息未明确，需进一步确认。

访问状态🚫 站点已失效

是否开源是

开源协议NOASSERTION

主要语言Python

技术栈/模型llama,transformer,tts,valle,vits,vqgan,vqvae

GitHub 星标★ 33608

上线时间2023-10-10 00:00:00

代码更新2026-11-02

仓库体积32.4 MB

本站数据更新2026-11-08

维护状态活跃

收录时间2026-08-09

浏览次数7

项目介绍

fish-speech 是一个开源的文本转语音（TTS）模型，基于 VQGAN 和 Llama 架构，实现了目前最先进的语音合成效果。它解决了传统 TTS 系统音质生硬、韵律不自然、多语言支持差等问题，核心能力包括：零样本语音克隆（仅需数秒参考音频即可模仿音色）、多语言混合合成（中英日韩等语言无缝切换）、低延迟流式推理（适合实时交互）。项目提供了完整的训练和推理代码，支持自定义音色微调，并附带了预训练模型和 WebUI 界面，方便开发者快速集成到自己的应用中。其底层技术融合了 VALL-E 和 VITS 的思路，通过 VQGAN 将音频离散化，再用 Llama 模型进行自回归生成，最终实现高表现力的语音输出。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 33608

技术标签

llama transformer tts vits vqgan

使用教程

⚠ 本教程由 AI 依据该项目 README 整理；原始文档不完整，部分步骤为通用流程推断，实际安装请以项目官方文档为准。

难度：入门约 15 分钟部署方式：Docker 4 步

⚠ 该项目 README 未提供完整安装说明，以下步骤为通用流程，请以官方文档为准。

环境要求

可访问 GitHub 与 Hugging Face（模型权重托管在 fishaudio/s2-pro）
能运行 Docker 的环境，或自行准备 Python 运行环境（项目为 Python 实现）
建议提前阅读官方文档 https://speech.fish.audio 与仓库 License Notice

安装与启动步骤

1阅读官方文档

README 节选未给出安装命令，请以官网文档为准，确认最新的安装方式、依赖与许可条款后再动手。
2获取项目源码

克隆仓库到本地，便于查看文档、示例脚本与 Docker 相关文件。
```
git clone https://github.com/fishaudio/fish-speech.git
```
3拉取 Docker 镜像

README 徽章指向 Docker Hub 的 fishaudio/fish-speech 镜像，可直接拉取用于部署。
```
docker pull fishaudio/fish-speech
```
4下载模型权重

在 Hugging Face 上获取 fishaudio/s2-pro 权重，按官网文档放置到指定目录后使用。