Fish Speech：3.3 万星开源语音模型——10 秒克隆音色、80+ 语言、情绪可控（2026 年 10 月）

「我只提供了视频里一小段声音，没有做任何训练，模型就生成了和原声几乎一样的新句子。」博主实测后感叹「和我本人的声音一毛一样」。这款叫 Fish Speech 的开源 TTS（文字转语音）模型在 GitHub 拿下 3.3 万星标，核心卖点四个：语音克隆、情绪控制、多人对话、80+ 语言支持。

一、项目核心信息（已核实）

• 项目：Fish Speech，开源 TTS 模型（fishaudio/fish-speech）；
• 热度：GitHub 32,000+ star（口播称 32.8K，2026 年 10 月仍活跃更新）；
• 协议：开源可商用（CC-BY-NC 类许可，商用需注意条款细节）；
• 四大能力：

1. 语音克隆——提供 10–30 秒参考音频即可克隆音色，无需专门训练；

2. 情绪表达——合成语音中可加入愤怒、兴奋、悲伤等细节情绪；

3. 多人对话——单次任务中生成多角色配音；

4. 80+ 语言——跨语言合成，中文、英语及主要语种覆盖；

• 特色数据：内置 15,000+ 情绪/风格标签体系，可精细控制语气。

二、它改变了什么

传统 TTS 是「机器音」：均匀语速、无情绪、一听就是合成。Fish Speech 这一代模型（包括同期的 CosyVoice、GPT-SoVITS 等开源项目）做到的是「人味」：换气、停顿、语调起伏、情绪浓度都可控。这意味着：

• 内容生产：播客、有声书、短视频配音的边际成本趋近于零——「一条 60 秒口播」从录 30 分钟到写 1 分钟文案；
• 多语言出海：一个中文创作者用自己克隆的音色直接产出英语、日语内容，语言壁垒被拆掉一层；
• 无障碍：失声人群可用少量历史录音保留「自己的声音」。

三、风险与边界（必须正视）

语音克隆是 AI 安全问题的重灾区：

• 冒充诈骗：克隆亲人声音打电话借钱、克隆领导声音下达转账指令的案例已有司法判例——接到任何「语音」形式的金钱请求，务必二次渠道核实；
• 肖像权/声音权：中国《民法典》第 1023 条明确声音权益参照肖像权保护——未经同意克隆他人声音商用属违法；
• 标注义务：生成的 AI 语音内容应按平台要求标注「AI 生成」，用于诈骗、虚假信息传播的将承担刑事责任。

四、阅读收获与实操路径

上手三步（技术用户）：

1. GitHub 访问 fishaudio/fish-speech，按 README 部署（支持本地 GPU 与云端）；

2. 准备 10–30 秒干净人声样本（无背景噪音、单一说话人）；

3. 输入目标文案合成，情绪标签按需调整——先跑短句验证音色相似度，再批量生产。

普通用户替代路径：不开源部署也可以用商业服务（fish.audio 官方平台）或同类产品体验克隆配音能力。

三个务实提醒：只用自己或已获授权的声音；商用前确认开源协议的授权范围；重要用途（品牌宣传片）保留真人录音 fallback。

五、延伸阅读

• Fish Speech 开源仓库：https://github.com/fishaudio/fish-speech
• Fish Audio 官方平台（在线体验）：https://fish.audio
• 同类开源项目对照：CosyVoice（阿里）、GPT-SoVITS（社区）
• 《民法典》声音权益条款（第 1023 条）：https://www.gov.cn/xinwen/2020-06/01/content_5516649.htm
• 注：视频源为微信视频号「爱跳舞的女博士」；star 数与功能清单以仓库实时数据为准。