Fish-Audio S2 TTS 本地部署指南：基于WSL2环境，获取安装包与图文教程

上周，Fish Audio 正式开源了其 S2 版本的文本转语音模型。相比于之前的版本，S2 在生成速度、音质效果以及情感控制方面都有显著提升。因为我之前在本地实时互动数字人产品中一直使用其1.5版本的模型，所以对这次更新一直很期待。之前使用的是 Windows 版本，总感觉功能上有所限制。这次我决定利用 WSL（Windows Subsystem for Linux）的方式在 Linux 环境下安装它，看看效果究竟如何。

项目地址：https://github.com/fishaudio/fish-speech

在线体验：https://fish.audio/s2/

生成效果示例

以下是一些带有情感标记的文本，经 S2 模型合成后的语音效果非常生动：

小小的兔子窝里，[超级开心] 今天是我的生日！[兴奋地跳起来]
森林里的朋友们都来了，[笑着] 他们带来了好多礼物！
看啊，[惊喜] 一篮红红的胡萝卜！[开心大笑] 还有闪闪发光的胡萝卜蛋糕！
[温柔地] 谢谢大家，[语气温暖] 我们一起唱生日歌吧～
[突然大喊] 许愿！吹蜡烛！[超级兴奋] 呼～我的愿望是：每天都这么快乐！

哇！[好奇惊讶] 海底世界好神奇！[兴奋]
小鱼儿在跳舞，海星在眨眼，[开心笑] 还有会唱歌的海螺！
[勇敢地] 别怕，我们继续往前游！[语气坚定]
突然——[惊讶大叫] 一只大章鱼伸出手臂！
[调皮地] 它其实想和我们玩捉迷藏呢！[大笑]
[超级开心] 耶！今天是最棒的冒险日！

我是一朵小小的花，[害羞低声] 总是躲在叶子后面。[小声叹气]
太阳公公说：[鼓励] 孩子，勇敢抬头看看天空吧！
[慢慢自信] 我试着伸展花瓣……[惊喜] 哇，好温暖！
[开心绽放] 蝴蝶来了！蜜蜂来了！[自豪地] 现在我是一朵最漂亮的花啦～
[温柔感谢] 谢谢阳光，谢谢雨水，[幸福地] 我终于开心地盛开了！

更新亮点

1. 首包延迟极低：可以做到约 100ms，这意味着几乎在你话音刚落时，语音回复就能开始生成，非常适合实时对话场景。
2. 精细化情感控制：模型能更好地理解并模拟人类情绪。你可以在输入文本中直接加入自然语言描述，例如“小声说”、“笑着说”、“压低声音”等，这使得生成的语音更加灵活自然。更重要的是，它能理解上下文，知道在什么地方应该轻笑一声，什么地方应该放低音量，更具人情味。
3. 高效的多说话人合成：只需上传一段包含多位说话人的参考音频，模型通过内置的 <|speaker:i|> token 就能自动提取并区分每位说话人的声学特征。单次推理即可生成完整的多人对话音频，无需再为每个角色单独准备和上传音频样本。

WSL 安装步骤详解

这是我第一次使用 WSL 方式部署，因此记录下详细步骤，也方便日后回顾。事实上，Fish-Speech 官方也更推荐使用 Linux 或 WSL 环境。

前提条件：确保你已在 Windows 上安装了最新的 NVIDIA 显卡驱动。

步骤 1：启用并安装 WSL2（如果尚未安装）

1. 以管理员身份打开 PowerShell，执行 WSL 安装命令。

   wsl --install

2. 设置 WSL 默认版本为 2。

   wsl --set-default-version 2

3. 安装 Ubuntu 24.04 发行版。

   wsl --install -d Ubuntu-24.04

4. 进入 WSL 的 Ubuntu 环境。

   wsl -d Ubuntu-24.04
   # 或者直接在开始菜单搜索 “Ubuntu” 并打开

步骤 2：在 WSL 中安装基本依赖

进入 WSL 的 Ubuntu 终端后，执行以下命令安装必要的基础软件包。

sudo apt update && sudo apt upgrade -y
sudo apt install -y git build-essential python3 python3-pip python3-venv ffmpeg libsndfile1 portaudio19-dev libsox-dev

步骤 3：安装 Miniconda（强烈推荐，便于管理 Python 和 CUDA 环境）

使用 Conda 可以避免系统 Python 环境冲突，是管理 开源实战 项目依赖的利器。

wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
bash Miniconda3-latest-Linux-x86_64.sh -b -p $HOME/miniconda
~/miniconda/bin/conda init

执行后关闭并重新打开终端，使 Conda 初始化生效。

步骤 4：创建 Conda 环境并安装 Fish Speech

1. 创建一个新的 Conda 环境。

   conda create -n fish-speech python=3.10 -y
   conda activate fish-speech

2. 根据你的 CUDA 版本安装 PyTorch（通过 nvidia-smi 命令查看 CUDA Version）。

   # 根据你的 CUDA 版本选择（查看 nvidia-smi）
   # 常见选项：cu121 / cu124 / cu128 / cu129 等
   # 以 CUDA 12.8 为例（2025-2026 大多数 40/50 系显卡推荐）
   pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu128

3. 克隆 Fish Speech 项目仓库并安装依赖。

   git clone https://github.com/fishaudio/fish-speech.git
   cd fish-speech
   # 安装依赖（最重要的一步）
   pip install -e .[stable]
   # 如果你不需要 compile 加速（最常见情况），上面就够了
   # 如果要 compile，需要额外装 triton（Windows/WSL 有时很麻烦，不推荐初次尝试）

步骤 5：下载模型权重

进入项目目录，使用 huggingface-cli 从 HuggingFace 下载模型。你可以选择一个合适的模型进行测试。

# 进入项目目录
cd ~/fish-speech   # 假设你克隆在 home 目录下
# 下载一个较小的模型用于测试（例如 Fish-Speech-2）
huggingface-cli download fishaudio/fish-speech-2 --local-dir checkpoints/fish-speech-2
# 或者下载最新的 S2-pro（需要更大显存）
# huggingface-cli download fishaudio/s2-pro --local-dir checkpoints/s2-pro

步骤 6：启动 WebUI（最常用的交互方式）

在 Conda 环境激活的状态下，运行以下命令启动 Web 界面。你需要将路径替换为你实际存放模型的位置。

python tools/run_webui.py --llama-checkpoint-path /mnt/g/FishModels/checkpoints/fish-speech-2 --decoder-checkpoint-path /mnt/g/FishModels/checkpoints/fish-speech-2/codec.pth --decoder-config-name firefly_gan_vq --half --compile

小提示：

• 如果遇到显存不足的问题，可以尝试使用更小的模型，或者确保添加了 --half 参数使用半精度推理。
• WSL 中访问 Windows 文件系统：路径 /mnt/c/ 对应 Windows 的 C 盘，以此类推。

安装与管理技巧

将 WSL 安装到非系统盘

如果你的系统盘空间紧张，可以将 WSL 发行版安装到其他磁盘。

mkdir G:\WSL\Ubuntu-24.04
wsl --install -d Ubuntu-24.04 --location G:\WSL\Ubuntu-24.04
//验证位置
wsl -l -v

迁移已安装的 WSL 到其他盘

如果已经安装，也可以进行迁移。

wsl --shutdown
mkdir G:\WSL\Ubuntu-24.04
wsl --export Ubuntu-24.04 G:\WSL\Ubuntu-24.04\backup.tar
wsl --unregister Ubuntu-24.04
wsl --import Ubuntu-24.04 G:\WSL\Ubuntu-24.04 G:\WSL\Ubuntu-24.04\backup.tar --version 2
wsl -d Ubuntu-24.04

后续启动命令

安装完成后，每次使用需要按顺序执行以下命令：

1. 启动 WSL 并进入 Ubuntu。
2. 激活 Conda 环境。
3. 启动 Fish Speech WebUI。
   为了方便，你可以将以下命令保存为一个脚本。

   wsl -d Ubuntu-24.04
   cd ~/fish-speech
   conda activate fish-speech
   PYTHONUNBUFFERED=1 python -u tools/run_webui.py --llama-checkpoint-path /mnt/g/FishModels/checkpoints/fish-speech-2 --decoder-checkpoint-path /mnt/g/FishModels/checkpoints/fish-speech-2/codec.pth --decoder-config-name modded_dac_vq --half --device cuda --compile

   执行成功后，WebUI 将默认运行在 7860 端口，你可以在浏览器中通过 http://localhost:7860 访问。

另一款开源 TTS 简介：Hume AI TADA

除了 Fish Audio，近期 Hume AI 也开源了其 TADA 语音模型。它采用了创新的文本-声学双流对齐架构，打破了传统 TTS 的固定帧率限制，通过 1:1 的 Token 对齐机制，能在一个自回归步内动态生成完整的语音片段，显著提升了推理效率。

核心亮点：

• 极致推理效率：大幅降低底层音频帧计算开销。
• 双流生成：以低成本同步生成文本和语音，保持上下文长度一致。
• 开源权重：提供基于 Llama 3.2 的 1B 和 3B 参数模型，支持包括中文在内的多种语言。
  项目地址：https://github.com/HumeAI/tada

结语与资源

目前，S2 的 4B 参数模型在我的 RTX 3070 显卡上进行实时对话推理仍有些迟缓，因此暂时没有集成到我现有的实时互动数字人系统中。后续会持续关注其优化进展。现阶段，CosyVoice2 和 Qwen3-TTS 已经能够满足大部分需求。

为方便大家快速上手，这里提供了整合好的模型安装包，包含文中提到的必要组件，可节省大量下载和配置时间。详细的部署步骤和故障排查，你也可以在 云栈社区 的技术文档板块找到更多参考资料。

模型安装包获取：https://pan.quark.cn/s/9d0da3c53395

希望这篇详细的 TTS 部署教程能帮助你顺利运行 Fish-Audio S2，体验下一代语音合成的魅力。