Fish Audio 指南详细说明 API、Python SDK 和自架 S2-Pro

Fish Audio 的文本转语音产品结合了托管 API 和可下载的模型权重，为开发者提供了二路径，从同一平台生成语音。公司2026-11-03指南指出，双重方法解释了“鱼音频 API”和“鱼语”搜索指向同一个生态系统，它先介绍了托管生成，然后是本地部署，最后是用户在生产中可能面临的限制。

证据与背景

根据 Fish Audio 的型号概览和安装指南，截至 2026-11-03 文本转语音产品线包括推荐的生产型号 s2.1-pro，开发和测试用 s2.1-pro，s2-pro 作为上一代 S2，内容创作用 drama-3，以及已弃用的 s1，后者将于 2026-12-31年退役。指南称 Fish 按 UTF-8 字节计费，而非按字符计费，s2.1-pro 定价为每 1 UTF-8 字节 $15 美元，Drama 3 1 百万字节$50。它还说S2型号的语言检测是自动的，s1请求将在2026-12-31后由s2.1-pro提供。

对于 API 工作流程，指南说用户需要 Python 3.9 或更高版本，一个 Fish Audio 账户，并且可选地带 cURL。它指导用户设置一个名为 FISH_API_KEY 的环境变量，安装 fish-audio-sdk，并导入为 fishaudio。示例中使用了 s2.1-pro-free，指南称这是新账户在添加 API 积分前的快速入门模型。API 请求使用模型 HTTP 头部而非 JSON 字段，响应以 audio 字节形式返回。

指南还介绍了从 Fish 快速入门中提取的错误处理方法： 401 用于无效或缺少 API 键， 402 当所选模型账户上没有 API 信用时， 400 错误的reference_id或参数， 429 用于基于并发的速率限制。它说重试应使用指数退让，且没有重试-之后的头部。

SDK 功能与本地部署

Fish Audio的Python SDK示例展示了如何通过reference_id选择人声，以及如何用TTSConfig和Prosody集中管理人声、格式和速度设置。指南说该SDK支持wav、pcm、 mp3 和opus输出，延迟选项为正常或平衡，WAV和PCM可以是 8、 16、 24、 32 或 44.1 kHz， MP3 可以是 32 或 44.1 kHz，Opus则使用 48 kHz。

对于语音样式，指南指出 S2 模型会响应方括号内的自由形式提示，包括[低语]、[笑声]、[叹气]、[喘气]、[喘气]、[兴奋]和[紧张地笑]等。它补充说，从 S1 迁移的用户应将括号标签转换为括号，因为 S2 模型无法读取旧格式。

关于自托管，指南说 Fish Audio 发布了一些模型权重， S2-Pro 可以在 Fish 的 API 服务器后本地运行。官方文档显示，官方仓库推荐 Linux 或 WSL 以及至少 24 GB GPU 内存用于 S2 推理，支持命令行推理、Gradio WebUI、API 服务器和 Docker 部署。它还说 S2-Pro 是一个参数数 4十亿的模型，支持方括号中的自然语言表达指令、多语言语音和多说话者生成。

项目材料中关于许可的立场似乎存在分歧。指南中提到 s2-pro权重可根据鱼音频研究许可证下载，而更广泛的代码库则在当前仓库文档中描述为鱼音频社区许可证。背景材料中提到用户应在商业自托管前核实适用条款。

相关的发布说明中 2026-03-10 Fish Audio 宣布 S2 是开源的， 1.3.0 版本的 Python SDK 增加了 S2-Pro 支持和高级 TTS 生成参数。文章示例还指出，旧的 fish_audio_sdk 导入不再更新，现代包名称是 fish-audio-sdk。