❤️ 如果你也关注 AI 的发展现状，且对 AI 应用开发非常感兴趣，我会每日跟你分享最新的 AI 资讯和开源应用，也会不定期分享自己的想法和开源实例，欢迎关注我哦！

🥦 微信公众号｜搜一搜：蚝油菜花 🥦

🚀 快速阅读

1. 多语言支持：支持13种语言，包括英语、日语、韩语和中文。
2. 零样本和少样本语音合成：基于10到30秒的声音样本生成高质量语音。
3. 无音素依赖：不依赖音素，具有更强的泛化能力。

正文（附运行示例）

Fish Speech 1.5 是什么

Fish Speech 1.5 是 Fish Audio 推出的文本到语音（TTS）模型，基于深度学习技术如Transformer、VITS、VQVAE和GPT等。该模型支持英语、日语、韩语、中文等13种语言，具备零样本和少样本语音合成能力，只需10到30秒的声音样本即可模仿高质量语音。

Fish Speech 1.5 的语音克隆功能延迟时间不到150毫秒，模型泛化能力强，无需依赖音素，能处理任何语言脚本。即将推出的实时无缝对话功能，用户能随时随地进行交互式聊天。Fish Speech 1.5 开源预训练模型，支持本地部署，适用于Linux、Windows和macOS系统。

Fish Speech 1.5 的主要功能

• 多语言支持：支持包括英语、日语、韩语、中文在内的13种语言，能处理多种语言的文本。
• 零样本和少样本语音合成：基于极短的声音样本（10到30秒）模仿并生成高质量的语音合成输出。
• 无音素依赖：与传统语音合成模型不同，Fish Speech 1.5不依赖音素，具有更强的泛化能力。
• 高度准确：对于一篇5分钟的英文文章，错误率低至2%。
• 快速合成：在高性能硬件上，能实现快速的实时语音合成。

Fish Speech 1.5 的技术原理

• Transformer架构：一种基于自注意力机制的模型，能处理序列数据，被广泛应用于语言处理任务中。
• VITS（Vector Quantized Transformer-based Speech Synthesis）：一种基于Transformer的语音合成模型，基于量化技术提高合成效率和质量。
• VQVAE（Vector Quantized Variational Autoencoder）：一种变分自编码器，基于量化技术学习数据的压缩表示。
• GPT（Generative Pre-trained Transformer）：一种预训练语言模型，基于大量文本数据训练，生成连贯和自然的文本。

资源

• 项目官网：https://fish.audio
• GitHub 仓库：https://github.com/fishaudio/fish-speech
• 在线演示：https://fish.audio/demo/live
• 技术报告：https://arxiv.org/abs/2411.01156
• Discord 社区：https://discord.gg/Es5qTB9BcN
• Huggingface 空间演示：https://huggingface.co/spaces/fishaudio/fish-speech-1

❤️ 如果你也关注 AI 的发展现状，且对 AI 应用开发非常感兴趣，我会每日跟你分享最新的 AI 资讯和开源应用，也会不定期分享自己的想法和开源实例，欢迎关注我哦！

🥦 微信公众号｜搜一搜：蚝油菜花 🥦