Fish Audio S2：指令驱动的多人多轮语音合成系统

Fish Audio S2 是一款先进的开源文本转语音（TTS）系统，支持多发言人对话、长文本合成以及基于自然语言指令的精细化语音控制。该系统采用双自回归架构，将语言语义建模与音频细节生成解耦，配合高效的推理引擎实现了极低的延迟与卓越的吞吐性能。技术报告详细介绍了其创新的多阶段数据处理流水线，该流程巧妙地将语音质量评估与自动标注模型转化为强化学习（RL）中的奖励信号。通过这种对齐策略，模型在生成语音的自然度、情感表现力及指令遵循能力方面取得了显著突破。实验结果显示，该系统在多项主流基准测试中均达到行业领先水平，为构建高保真、可控的语音合成技术提供了强大的开源基础。