Família de modelos open source de text-to-speech da Resemble AI, com clonagem de voz a partir de um trecho curto de referência em inglês e vários outros idiomas.
27,1 mil3,6 milPythonMITAtualizado há 3 meses
fishaudio/fish-speech
Sistema open source de text-to-speech com clonagem de voz, controle de emoção em linguagem natural e geração com vários falantes, baseado em modelos no estilo LLM.
Alternativa open source a:ElevenLabs
- Estrelas
- 33,309
- Forks
- 2,894
- Issues abertas
- 21
- Último commit
- há 6 dias
O que é?
Fish Speech é um projeto open source de text-to-speech da Fish Audio. Ele transforma texto em fala e pode clonar uma voz a partir de um trecho curto de referência — cerca de 10 a 30 segundos no modelo S2-Pro. Tags inline como [whisper], [angry] ou [laughing] controlam a emoção e a prosódia ao longo do texto, e IDs de falante permitem incluir vários personagens em um mesmo texto sem precisar gerar cada voz separadamente.
O projeto disponibiliza duas gerações de modelos. Drama 3 é o novo carro-chefe, voltado a cenas com vários personagens e conteúdo longo, e inclui revisão em várias rodadas e edição local de uma única palavra em um áudio existente. S2-Pro é a geração anterior, descrita como pequena o bastante para rodar em uma GPU para consumidores e compatível com cerca de cem idiomas. Ambos usam a mesma linha de comando e o mesmo servidor de API; o tipo de modelo é detectado pela configuração do checkpoint.
O repositório documenta a instalação, o download dos pesos, a implantação com Docker e a inferência pela linha de comando, por um servidor de API ou por uma WebUI. Os pesos dos modelos estão disponíveis no Hugging Face, e a base de código e os pesos são distribuídos sob a Fish Audio Community License; os pesos do S2-Pro usam uma licença de pesquisa separada.
Recursos principais
- 01Clonagem de voz a partir de um trecho curto de referência
- 02Tags inline em linguagem natural controlam a emoção e a prosódia
- 03Geração com vários falantes em um único texto
- 04Edição local de palavras em áudio existente (Drama 3)
- 05Saída em streaming para textos longos
- 06Inferência pela linha de comando, por servidor de API e por WebUI
Casos de uso
- Gerar locuções ou narrações de audiolivros com interpretação expressiva
- Produzir cenas roteirizadas com vários personagens ou áudios de diálogo
- Criar um backend de TTS hospedado por conta própria e acessível por uma API
- Experimentar com clonagem de voz e pesquisa em síntese de fala
Início rápido
- 1
Consulte o guia de instalação para configurar o ambiente, baixar os pesos do modelo e implantá-lo com Docker
- 2
Consulte o guia de inferência para saber como usar a linha de comando, o servidor de API e a WebUI
Antes de usar
- A base de código e os pesos do modelo são disponibilizados sob a Fish Audio Community License, que não é uma licença padrão de código aberto.
- Os pesos do S2-Pro são disponibilizados sob a Fish Audio Research License, que pode restringir o uso comercial.
- A configuração depende de documentação externa e do download separado dos pesos do modelo.
Tópicos
Perguntas frequentes
- O que é fish-speech?
- Sistema open source de text-to-speech com clonagem de voz, controle de emoção em linguagem natural e geração com vários falantes, baseado em modelos no estilo LLM. Fish Speech é um projeto open source de text-to-speech da Fish Audio. Ele transforma texto em fala e pode clonar uma voz a partir de um trecho curto de referência — cerca de 10 a 30 segundos no modelo S2-Pro. Tags inline como [whisper], [angry] ou [laughing] controlam a emoção e a prosódia ao longo do texto, e IDs de falante permitem incluir vários personagens em um mesmo texto sem precisar gerar cada voz separadamente.
- fish-speech é gratuito? Qual é a licença?
- fish-speech é open source sob a licença Other. Confira os termos da licença antes de usá-lo em produtos comerciais.
- fish-speech ainda é mantido?
- Manutenção ativa. O último commit de fish-speech foi em 14 de out. de 2026.
- Para que posso usar fish-speech?
- Gerar locuções ou narrações de audiolivros com interpretação expressiva Produzir cenas roteirizadas com vários personagens ou áudios de diálogo Criar um backend de TTS hospedado por conta própria e acessível por uma API Experimentar com clonagem de voz e pesquisa em síntese de fala
- Como instalar fish-speech?
- Consulte o guia de instalação para configurar o ambiente, baixar os pesos do modelo e implantá-lo com Docker Consulte o guia de inferência para saber como usar a linha de comando, o servidor de API e a WebUI
- Onde consigo fish-speech?
- O código-fonte e as instruções de instalação estão no GitHub: https://github.com/fishaudio/fish-speech
Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.
Projetos relacionados
Biblioteca open source de text-to-speech cujo modelo KittenTTS 2 clona vozes com 5 segundos de áudio e funciona em tempo real na CPU.
16,2 mil967PythonApache-2.0Atualizado há 4 dias
Modelo open source de text-to-speech zero-shot com suporte a mais de 600 idiomas, clonagem de voz e criação de vozes.
14,8 mil2,2 milPythonApache-2.0Atualizado há 8 dias
Biblioteca Python de inferência para o Kokoro-82M, um modelo de conversão de texto em fala com pesos abertos e 82 milhões de parâmetros.
9,5 mil1,1 milJavaScriptApache-2.0Atualizado ano passado
Modelo de TTS leve baseado no ZipVoice para clonagem de voz e geração de fala a 48 kHz, com velocidade superior a 150x em tempo real na GPU.
5,5 mil685PythonApache-2.0Atualizado há 5 meses
Modelo multilíngue de conversão de texto em fala com 0,1 bilhão de parâmetros, que funciona em tempo real na CPU, clona vozes e gera áudio estéreo a 48 kHz.
4,5 mil562PythonApache-2.0Atualizado mês passado