Familia de modelos de texto a voz de código abierto de Resemble AI, con clonación de voz a partir de un breve clip de referencia en inglés y muchos otros idiomas.
27,1 mil3,6 milPythonMITActualizado hace 3 meses
fishaudio/fish-speech
Sistema open source de texto a voz con clonación de voz, control de emociones en lenguaje natural y generación multivoz, basado en modelos de tipo LLM.
Alternativa open source a:ElevenLabs
- Estrellas
- 33,309
- Forks
- 2,894
- Issues abiertos
- 21
- Último commit
- hace 6 días
¿Qué es?
Fish Speech es un proyecto open source de texto a voz de Fish Audio. Convierte texto en voz y puede clonar una voz a partir de un breve clip de referencia: entre 10 y 30 segundos aproximadamente para el modelo S2-Pro. Las etiquetas insertadas en el texto, como [whisper], [angry] o [laughing], controlan la emoción y la prosodia, y los identificadores de hablante permiten incluir varios personajes en un mismo texto sin tener que generar la voz de cada uno por separado.
El proyecto incluye dos generaciones de modelos. Drama 3 es el nuevo modelo insignia, orientado a escenas con varios personajes y contenido de larga duración, e incorpora revisión en varias rondas y edición local de una sola palabra en audio existente. S2-Pro es la generación anterior; se describe como lo bastante ligero para ejecutarse en una GPU de consumo y compatible con alrededor de cien idiomas. Ambos comparten la misma interfaz de línea de comandos y el mismo servidor API, y el tipo de modelo se detecta a partir de la configuración del checkpoint.
El repositorio documenta la instalación, la descarga de los pesos, el despliegue con Docker y la inferencia mediante la línea de comandos, un servidor API o una WebUI. Los pesos de los modelos se publican en Hugging Face, y tanto el código como los pesos se distribuyen bajo la Fish Audio Community License, mientras que los pesos de S2-Pro tienen una licencia de investigación independiente.
Funciones clave
- 01Clonación de voz a partir de un breve clip de referencia
- 02Etiquetas insertadas en el texto que controlan la emoción y la prosodia mediante lenguaje natural
- 03Generación de varias voces dentro de un mismo texto
- 04Edición local de palabras en audio existente (Drama 3)
- 05Salida en streaming para textos largos
- 06Inferencia mediante la línea de comandos, un servidor API y una WebUI
Casos de uso
- Generar locuciones o narraciones de audiolibros con una interpretación expresiva
- Producir escenas con guion y varios personajes, o audio de diálogos
- Crear un backend de TTS autohospedado y disponible a través de una API
- Experimentar con la clonación de voz y la investigación sobre síntesis de voz
Inicio rápido
- 1
Consulta la guía de instalación para configurar el entorno, descargar los pesos del modelo y desplegarlo con Docker
- 2
Consulta la guía de inferencia para aprender a usar la línea de comandos, el servidor API y la WebUI
Antes de usarlo
- El código y los pesos del modelo se distribuyen bajo la Fish Audio Community License, que no es una licencia estándar de código abierto.
- Los pesos de S2-Pro se distribuyen bajo la Fish Audio Research License, que puede restringir el uso comercial.
- La configuración requiere consultar documentación externa y descargar los pesos del modelo por separado.
Temas
Preguntas frecuentes
- ¿Qué es fish-speech?
- Sistema open source de texto a voz con clonación de voz, control de emociones en lenguaje natural y generación multivoz, basado en modelos de tipo LLM. Fish Speech es un proyecto open source de texto a voz de Fish Audio. Convierte texto en voz y puede clonar una voz a partir de un breve clip de referencia: entre 10 y 30 segundos aproximadamente para el modelo S2-Pro. Las etiquetas insertadas en el texto, como [whisper], [angry] o [laughing], controlan la emoción y la prosodia, y los identificadores de hablante permiten incluir varios personajes en un mismo texto sin tener que generar la voz de cada uno por separado.
- ¿fish-speech es gratuito? ¿Qué licencia tiene?
- fish-speech es open source bajo la licencia Other. Revisa los términos de la licencia antes de usarlo en productos comerciales.
- ¿fish-speech sigue mantenido?
- Mantenimiento activo. El último commit de fish-speech fue el 14 oct 2026.
- ¿Para qué puedo usar fish-speech?
- Generar locuciones o narraciones de audiolibros con una interpretación expresiva Producir escenas con guion y varios personajes, o audio de diálogos Crear un backend de TTS autohospedado y disponible a través de una API Experimentar con la clonación de voz y la investigación sobre síntesis de voz
- ¿Cómo se instala fish-speech?
- Consulta la guía de instalación para configurar el entorno, descargar los pesos del modelo y desplegarlo con Docker Consulta la guía de inferencia para aprender a usar la línea de comandos, el servidor API y la WebUI
- ¿Dónde consigo fish-speech?
- El código fuente y las instrucciones de instalación están en GitHub: https://github.com/fishaudio/fish-speech
Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Proyectos relacionados
Biblioteca de texto a voz de código abierto cuyo modelo KittenTTS 2 clona voces a partir de 5 segundos de audio y funciona en tiempo real en CPU.
16,2 mil967PythonApache-2.0Actualizado hace 4 días
Modelo de texto a voz de código abierto, multilingüe a gran escala y zero-shot, compatible con más de 600 idiomas, clonación de voz y diseño de voces.
14,8 mil2,2 milPythonApache-2.0Actualizado hace 8 días
Biblioteca de inferencia en Python para Kokoro-82M, un modelo de texto a voz de pesos abiertos con 82 millones de parámetros.
9,5 mil1,1 milJavaScriptApache-2.0Actualizado el año pasado
Modelo TTS ligero basado en ZipVoice para clonar voces y generar audio a 48 kHz, con una velocidad de más de 150 veces el tiempo real en GPU.
5,5 mil685PythonApache-2.0Actualizado hace 5 meses
Modelo multilingüe de texto a voz con 0,1B de parámetros, ejecución en tiempo real en CPU, clonación de voz y salida estéreo a 48 kHz.
4,5 mil562PythonApache-2.0Actualizado el mes pasado