Fish Audio

Fish Audioは高度なTTSと声のクローニングを提供し、わずか10〜30秒の音声サンプルから高忠実度のクローンを作成できます。モデルは80以上の言語に対応し、[whisper]や[laughing]などの自然言語タグで感情やトーンを細かく制御でき、割り込みや自然な会話ターンテイクを含む多人数会話を実現します。ポッドキャストやオーディオブック、会話型AIに適しています。主な強みはオープンウェイトである点で、S2シリーズのモデルとファインチューニングコードが公開されており、ローカル展開が可能です。最新のS2.1 Proは第三者ベンチマークで毎秒56.3文字の生成速度を記録し、無償API（モデル名 s2.1-pro-free）を通じてハードキャップなしで提供され、導入障壁を大幅に下げています。一方、声のクローニングはなりすましなどの倫理的リスクを伴い、プラットフォームには明確な本人確認やコンテンツ審査の仕組みが見当たりません。ローカル推論にはGPUリソースと技術知識が必要で、無償APIの長期的な可用性や大量同時接続の検証は不十分です。現在は無料APIで素早く統合するか、オープンソースモデルを自前でホストするかの選択肢があります。コンテンツクリエイターやAIアプリ開発者、教育ツールに向いており、音声の真正性が厳格に求められる金融・医療等の規制業界や、技術リソースの乏しい完全オフライン環境の個人ユーザーには不向きです。