有没有能在 CPU 上运行的免费 Fish Audio 替代品？

Supertonic 3 是开放权重模型，自带预设音色，不需要 GPU。我们的市场里有免费和付费音色；按我们的估算，SuperClonica 引擎在 8 核台式机 CPU 上能以实时 6.4–9.7 倍的速度朗读。表现力比不上 S2 Pro，也不支持中文，但在 S2 Pro 非常慢的设备上也能流畅使用。

Fish Speech 没有显卡能跑吗？

Fish Audio 官方公布的数据都是 GPU 上的。社区有基于 ggml 的客户端 s2.cpp；按我们的粗略估算，在台式机 CPU 上比实时慢 4–10 倍，1 分钟语音要 4–10 分钟。

Fish Audio S2 Pro 可以商用吗？

默认条款下不行。模型卡写明研究和非商业用途免费，商用需要另外取得 Fish Audio 的许可。

SuperClonica 的声音克隆和 Fish Audio 一样吗？

不一样。Fish Audio 在生成时直接用 10–30 秒音频克隆。SuperClonica 用 5 到 10 秒的录音训练出一个独立的音色文件，可以在自己的 NVIDIA 显卡上免费训练，也可以委托作者。训练更花时间，但得到的文件在任何 CPU 上都能快速运行。

模型对比

Fish Audio、Fish Speech 与 SuperClonica 对比

更新于 2026年10月23日

Fish Audio 做出了开源语音合成里表现力最强的一批模型，在我们自己的对比中，S2 Pro 的音质评分也是最高的。但它是一款为 GPU 设计的大模型。SuperClonica 走的是另一条路：一个很小的 Supertonic 3 音色文件，在普通 CPU 上也能快速、离线运行。

如果您找 Fish Audio 或 Fish Speech 的替代方案，是因为没有显卡，或者想把语音直接集成进应用里，可以继续往下看。但要注意：Supertonic 3 目前不支持中文。如果您需要中文语音或最强的表现力，Fish Audio 很可能更合适。

试听 Supertonic 3 音色安装 SuperClonica 引擎

Fish Audio、Fish Speech 和 S2 Pro 是什么关系

Fish Audio 把开源模型发布在 GitHub 的 fish-speech 仓库，早期模型也以此命名，例如 Fish Speech 1.5 支持 13 种语言，许可证为 CC-BY-NC-SA-4.0。较新的模型叫 Fish Audio S2 和 S2 Pro。

我们对比表中的 S2 Pro 采用双自回归（Dual-AR）结构：一个 40 亿参数的模型预测主码本，一个 4 亿参数的模型补全其余 9 个码本。根据模型卡，它支持 80 多种语言，可以在文本里插入自由格式的标签，比如 [whisper in small voice] 或 [pitch up]。仓库里还列出了更新、更大的 Fish Audio Drama 3，我们的对比表暂未收录。

Fish Audio S2 Pro 与 SuperClonica 的 CPU 速度

按我们对 8 核台式机 CPU 的估算，S2 Pro 每生成 1 秒音频需要 4–10 秒计算，一句 10 秒的台词要 40–100 秒。SuperClonica 大约 1.0–1.6 秒。

这是我们表里最粗略的一个数字。由于没有公开的 CPU 基准测试，我们根据 GGUF 客户端 s2.cpp 和模型结构，按 30–50 GB/s 的有效内存带宽推算而来。换成 GPU 就是另一回事了：Fish Audio 公布的数据是在单张 NVIDIA H200 上 RTF 为 0.195，首个音频约 100 毫秒输出。

Fish Audio 更强的地方

在富有表现力的语音上，Fish Audio S2 Pro 的优势很明显。

音质：在我们的表里满分 5 分得 5 分，SuperClonica 是 4.5 分。
语言：80 多种，中文属于一级支持语言。Supertonic 3 只有 31 种，暂不支持中文。
免训练声音克隆：据 fish-speech 仓库介绍，10–30 秒参考音频就能复刻音色。
情感控制：在文本里用自由标签控制耳语、笑声、重音和音高。

许可证与商用

S2 Pro 的权重采用 Fish Audio Research License：研究和非商业用途免费，商用需要另外向 Fish Audio 取得许可。仓库代码和其他权重采用 Fish Audio Community License。

Supertonic 3 采用 OpenRAIL-M 许可证。这是一份免费许可，没有“仅限非商业”条款，而是列出了禁止用途，例如未经同意冒充他人。在 SuperClonica 购买的音色用于您自己的项目，不能转售。

Fish Audio 还是 SuperClonica

在 CPU 速度和音色稳定性上，SuperClonica 更好：两项都是 5 分，S2 Pro 分别是 1 分和 4 分。如果要在笔记本上做几个小时的旁白，或在玩家电脑上生成语音，这比音质上最后半颗星更重要。

选 Fish Audio S2 Pro：有性能不错的 GPU，需要中文或更小众的语言，想用短音频即时克隆，或要用情感标签。
选 SuperClonica：语音要在 CPU 上离线、以可预期的速度运行，或要集成进您发布的应用，且语言在 Supertonic 3 支持的 31 种之内。