Fish Speech 這類開源語音模型真正值得注意的，不是又一個 TTS，而是低樣本克隆、情緒控制與低延遲開始同時成立

這則 Threads 介紹 Fish Audio 的開源語音模型 Fish Speech。真正值得記下來的，不是「又有一個新的 TTS」，而是幾個原本很難同時成立的能力，現在開始被放進同一個產品敘事裡：

• 10–30 秒樣本就能聲音克隆
• 80 種左右語言支援
• 15,000+ 情緒標籤
• 約 100ms 的低延遲輸出

這代表語音 AI 正從「能不能講」進一步走向「能不能像真人一樣被控制、被複製、被即時使用」。

更大的訊號是：聲音 clone 的門檻正在快速下降，未來真正值錢的不會只是模型本身，而是授權管理、風控、品牌聲音資產與即時互動產品設計。

Allen 的一句話版

Fish Speech 真正值得關注的，不是它又做了一個 TTS，而是低樣本聲音克隆、情緒控制與低延遲正在開始同時成立，這會把語音 AI 從配音工具推向即時互動產品。