OpenAudio S1 震撼登場：全球首款即時情緒可控 AI 聲優，顛覆配音生態

Hanabi AI 在舊金山公開推出 OpenAudio S1，號稱全球第一款「AI 聲優」：它不只是讀稿機，而是一位可以在毫秒間調整情緒、語氣與節奏的虛擬演員。官方將這項突破形容為「語音從工具升級為表演」，這對影視、遊戲、Podcast 與所有需要說話的創作者而言，都是一次質變。

從 TTS 到 Voice Acting——關鍵三大轉折

1. 真實情緒：S1 透過 40 億參數的端到端模型，學習超過 200 萬小時的多語音檔，能演繹「開心中帶一絲不安」這種複雜指令，並支援 (whispering with urgency) 等百種標記。

2. 即時操控：官方實測延遲低於 100 ms，可在遊戲或直播中即刻變換腔調，不再受「先打字、後生成」的時差限制。

3. 多語與多角色：原生支援 11 種語言，還能在一段對話中流暢切換角色與語系，保留音色一致性。

技術亮點

• RLHF + 自研標註：團隊用自家 STT 模型自動標註情緒、語者與節奏，再以 4B 模型配合 Online GRPO 微調，取得 Hugging Face TTS Arena 人類主觀評分第一名。

• 語音複製：精準克隆說話者的韻律與音色，可為影片剪輯、劇集補錄或多媒體在地化大幅省時。

• 極速雲端 API：定價 15 美元／百萬 byte（約 1 小時語音），比同級對手平均便宜兩倍以上。

市場與應用

Hanabi AI 以四人 Z 世代創業班底，在 2025 年初即衝破年化 500 萬美元營收，月活用戶從 5 萬翻至 42 萬，代表「AI 聲優」已不只是 demo，而是具備商業價值的解決方案。S1 可望在以下場景掀起革命：

• 遊戲配音：NPC 對話可因玩家選擇即時改變情緒，帶來沉浸式劇情。

• 影視後期：臨時換角或補錄情緒，可直接輸出與原演員相符的音質。

• 串流直播：VTuber 或數位分身能即時改變情緒，強化互動張力。

• 教育與無障礙：以地道口音＋情境語氣，打造更人性化的教學與輔助工具。

與競爭者的差異

現行市面熱門服務（如 ElevenLabs、OpenAI TTS、Cartesia）在延遲或情感細膩度仍有不足；S1 以更低延遲和全面情緒控制勝出，並在 Hugging Face 基準測試的表現、WER/CER 與主觀聽感全面領先。S1 目前提供免費公測 Playground，讓創作者無痛試玩；正式版的 120 美元年費更貼合獨立工作者的預算。

關於 Hanabi AI——把「開源魂」變成商業火箭

Hanabi AI 在 2024 年於舊金山成立，由開源社群名人 Shijia Liao 領軍，核心團隊僅四位 Z 世代工程師，卻立志顛覆語音生成的玩法——「聲音不只是輸出，而是一場表演」。創辦人早年參與 So-VITS-SVC、GPT-SoVITS、Bert-VITS2 等熱門專案，累積了對語者韻律與情感建模的深厚功力，也因此贏得開源社群的高度信任。這股「開源 DNA」後來成了公司研發與招募的護城河。

Hanabi AI 營運架構分成兩大支柱：OpenAudio 研究室專注突破模型極限（S1 即出自此處），Fish Audio 則把黑科技包裝成人人可用的雲端服務。短短四個月，靠著 Fish Audio 的早期產品，年化營收從 40 萬美元衝到超過 500 萬，月活用戶也從 5 萬扶搖直上 42 萬，證明「AI 聲優」不只是酷炫實驗，而是可規模化的生意。

Fish Audio——把實驗室黑科技送進瀏覽器

如果 OpenAudio S1 是一顆引擎，那 Fish Audio 就像放大器，讓創作者無痛踩下油門。平台目前已累積 20 萬+ 聲音模型庫，並獲得 150+ 位國內外 KOL 實戰背書，從 Podcast、VTuber 到互動小說都在用。

產品線涵蓋 TTS、Voice Cloning、STT，再加上 13 國語言跨語系輸出、一鍵 Voice Agent SDK 與 < 100 ms 延遲 API，無論要做遊戲 NPC 臨場對話或是自動客服都能即插即用。更重要的是，官方定價 15 美元/百萬 byte 的「均一價」策略，直接把門檻打到學生也能負擔。Fish Audio 也積極佈局生態系：今年 3 月與開源 LLM 平台 Dify 合作推出插件，讓開發者能在自家聊天機器人一鍵導入高擬真語音；接下來還計畫開放 WebRTC SDK，支援即時語音串流。

資料來源：Businesswire、Open Audio