Fish Audio presentó la versión 1.5 de Fish-Speech, su arquitectura abierta de síntesis de voz texto a voz (TTS) autorregresiva de vanguardia que revoluciona la clonación vocal cero muestras (zero-shot) y la expresividad emocional mediante modelado de tokens acústicos discretos. A diferencia de los sistemas tradicionales basados en predictores de duración difusos que generan voces uniformes y carentes de espontaneidad, Fish-Speech 1.5 implementa un mecanismo Dual-Autoregressive acoplado a un autoencoder neural (VQ-GAN/DAC) que comprime audio de alta fidelidad a tasas de muestreo de hasta 44.1 kHz. Con solo cinco a diez segundos de muestra vocal de referencia, el modelo clona la identidad de la voz preservando la prosodia natural, los suspiros, las vacilaciones y la acústica ambiental en múltiples idiomas.
Capítulo 01
La noticia en una frase
Fish Audio lanza Fish-Speech 1.5, modelo abierto de TTS autorregresivo con clonación de voz en segundos, alta fidelidad acústica y soporte multilingüe.
El sistema genera habla espontánea e hiperrealista directamente a partir de tokens de texto y códigos acústicos sin recurrir a vocoders externos complejos.
Capítulo 02
El alcance que cambia la lectura
La producción de contenido auditivo, audiolibros, doblaje cinematográfico y asistentes virtuales entra en una era donde la síntesis vocal abierta no se distingue del habla humana en pruebas a ciegas, democratizando herramientas profesionales para creadores independientes y empresas de software.
