十秒鐘的錄音，足以把一個人的聲音重建出來，還足以讓它用 13 種語言說話。這是 Fish Audio 擺在最前面的說法。它把自己定位成 AI 語音平台，文字轉語音、聲音複製與語音轉文字三條線並排，底下跑的是自家的 S2 系列模型。

只想先試的人，答案寫在價目表最左邊那一欄：免費方案每月發 8000 積分，註冊時不必填信用卡。

免費方案的額度能換到什麼，又停在哪裡

積分換算成時間才好懂。8000 積分大約等於 7 分鐘的生成音訊；單次請求上限 500 個字元；官方給的換算是一分鐘成品大約吃掉 600 到 625 積分。除此之外，這一檔還附 3 個公開音色位與標準生成速度。

那一頁上有兩行值得多看一次。加強版聲音複製與商業使用，在免費欄位裡都是畫掉的，意思是兩者都不在方案內。官方問答也把話說白了：免費方案的產出僅供個人非商業專案，要拿去營利就得先升級。如果這段語音最終會放進會帶來收入的內容裡，最好早一點把這件事算進去，而不是等到匯出那一刻才發現。

用十秒音訊複製一把聲音

聲音複製是它推得最用力的一項。頁面上的說法是十秒樣本就夠：丟進一小段參考錄音，幾秒內就回來一把能用的聲音，不必排隊等模型訓練。旁邊還掛著三個數字。串流輸出的延遲壓在 300 毫秒以內；複製一次就能跨語言使用，官方口徑是零樣本覆蓋 13 種語言，不必為每一種語言另外準備模型或重新錄音。

還有一點該單獨拿出來講。S2 模型本身已經開源，自行部署是官方支援的一條路。對隱私敏感的工作，或者想在本地環境跑起來的人，這是純雲端服務給不了的選項。

情緒標籤：讓合成語音帶上語氣

用過語音合成的人大概都撞過同一道牆：唸得正確，但唸得平板。Fish Audio 的解法是把指示直接塞進文字裡。產品頁那段範例中就嵌著 [chuckle]、[emphasis] 與 [long pause] 三個標記，模型會照著處理笑聲、重音與停頓。

這類標籤官方說有 60 個以上，分成 Emotions 與 Special 兩組。前者是 [angry]、[sad]、[whispering] 這種情緒狀態；後者是 [laughing]、[sighing] 這種更接近身體反應的標記。寫旁白或做角色配音時，把意圖打在稿子裡，比在後期反覆調整省事得多。

兩百萬把聲音，八種語言

不想自己捏音色的人，直接從庫裡挑就好。官方數字是平台上超過 200 萬把聲音，可以按性別、年齡、音調、能量、情緒與用途篩選，決定之前每一把都能試聽。合成端的語言覆蓋，官方列出的是 8 種：英語、日語、韓語、中文、法語、德語、阿拉伯語與西班牙語。

不只配音：其他音訊工具

文字轉語音只是產品線的前門。後面還掛著語音轉文字、變聲、人聲分離、音訊翻譯與音效生成。轉文字這一塊，官方寫明支援即時轉寫與自動斷句，可加說話者標籤與時間戳，結果能匯出成 SRT、VTT 或 JSON——做過字幕的人知道，這三種格式決定的是「全部重打一遍」還是「檔案直接丟進剪輯軟體」。這裡的語言覆蓋比合成端更寬，官方寫的是 80 種以上。

付費檔位怎麼排

免費之上還有三層。Plus 年付 66 美元，給 250000 積分、約 200 分鐘生成音訊，單次上限提到 15000 個字元，並解鎖聲音設計與商業授權；Pro 年付 450 美元，2000000 積分、約 1620 分鐘，含 3 個團隊席位，單次最長 30000 個字元；再往上是 Max 與按需報價的 Enterprise，後者面向有合規要求的機構，提供零資料保留與本地部署這類選項。

適合誰

做影片配音、有聲書，或者要給一整批遊戲角色配聲音的人，進場路徑很短：註冊、挑一把聲音或上傳十秒樣本、貼上稿子、加標籤、匯出。免費額度足夠把整條流程走完一次，再決定要不要為商用授權與更大的額度付錢。

該點明的界線是複製本身。技術門檻現在很低，但拿別人的聲音做內容會牽涉人格權與聲音權，公眾人物更是最敏感的一種；官方問答也特別提了這一點。拿不準的時候，先用自己握有權利的聲音，或者老實用庫裡那些已取得授權的音色。

工具把門檻壓低了，判斷卻還留在原地。十秒就能複製一把聲音，真正難的是想清楚這把聲音該不該被複製，又該用在哪裡。