Fish Audio S2.1 Pro 接进我的脚本之后

起因很具体。我手上有个小工具，需要把一批英文技术文本转成语音，做听力材料用。之前一直用某个在线合成页面，一次粘一段，手动下载，攒到三十条就开始烦了。所以我上周想干脆走 API，把这一步并到脚本里。

Fish Audio 我大概两个月前听说过，当时只是拿它试过几句中文。这次看到 S2.1 Pro 开了免费 API，模型字符串是 s2.1-pro-free，就抽了个晚上动手。

文字转语音就是你给它一段字，它还你一段音频，跟导航播报是一个道理。API 是不用打开网页，直接让你的程序去调它，批量处理的时候省事。声音克隆是给一小段参考音频，让它照着那个音色说话，这次我没用到。

准备工作比想象中简单。去后台拿 key，装官方那个 Python 包，把 key 塞进环境变量。这里有个坑我踩了。key 写在代码里和写在环境变量里，行为不一样，我第一次直接在脚本里硬编码，跑通了，但后来换机器就报 401，所以还是老老实实走环境变量。

真正上手大概花了二十分钟。第一次调用我只传了三行字，返回的是流式音频。所谓流式，就是它不等整段合成完，边生成边往外吐数据，我这边听起来几乎是即时的。我这边测下来，短句的延迟低到可以接受，长段落就取决于长度了，这个没什么好说的。

惊喜的地方在情感控制。它支持在文本里插标记来控制语气，我试了停顿和语速，效果比我预期的自然。之前用别的方案，长句念到后半段会飘，节奏越来越快，这个没出现。素材里说它支持 83 种语言，我主要测英文和中文，英文的专业名词发音比我想的准，像 latency、throughput 这种，没念错。

踩坑的部分也得说。免费额度是公平使用政策下的，官方博客里写得很清楚是初始阶段提供，会变动提前通知。意思是别拿它当生产环境的唯一依赖，我这边是个人用，无所谓，但如果是团队项目，这条要算进去。我在 GitHub 上看到有人讨论本地部署的 S2 Pro 效果明显弱于官网在线版，怀疑和参考音频质量有关。我没做本地部署，这条只能存疑，但说明音色克隆那条路对输入素材的要求不低。长文本要自己切片。我一开始把两千字的文档整段丢进去，返回时间拉得很长，后来改成按段落切，每段单独调，整体反而快了。这个跟流式没关系，是我自己用法的问题。

还有个细节。素材里说他们在真实流量上做了十天的盲测，跟几家主流方案比，收集了五千多组偏好对。这个数据是厂商自己发的，我持保留态度，但从我这几天的实际听感来说，英文的自然度确实不差。

要推荐的话，得看人。有批量需求、愿意写几行代码的个人开发者和做内容的小团队适合，尤其是需要多语言、对延迟有要求的场景。完全不想碰代码的人就别折腾了，直接用网页版更省事；把免费额度当稳定生产资源来规划的团队也别上，这条得等付费方案出来再说。

我这边准备把它接进听力材料那条流水线，替掉手动下载那一步。跑一周看看稳定性。