Fish Audio gibt sein Sprachmodell S2 Pro mit offenen Gewichten heraus, und es kann einzelne Wörter anders betonen. Das klingt nach „keine Limitierungen mehr“. Die Lizenz sieht für Betriebe aber etwas anderes vor.
Wenn ein Anbieter schreibt, seine Gewichte seien „fully open-source“, lohnt ein zweiter Blick. Was kann das Modell, was erlaubt die Lizenz, und was musst du vorher klären? Wir gehen die drei Fragen der Reihe nach durch, mit dem, was die Seiten des Anbieters belegen, und dem, was offen bleibt.
S2 Pro ist ein Text-to-Speech-Modell von Fish Audio. Statt einer festen Liste von Stimmungen nimmt es Freitext in eckigen Klammern entgegen, etwa „[whisper in small voice]“ oder „[professional broadcast tone]“. Die Tags lassen sich laut Anbieter an einzelnen Wörtern setzen, die Stimme kann also mitten im Satz den Ton wechseln. Fish Audio spricht von mehr als 15.000 verschiedenen Tags und von Dialogen mit Sprecherwechsel innerhalb einer Erzeugung.
Trainiert wurde das Modell nach Angaben des Anbieters mit über zehn Millionen Stunden Audio in mehr als 80 Sprachen. Japanisch, Englisch und Chinesisch stehen in der ersten Qualitätsstufe, Deutsch in der zweiten. Die Architektur besteht aus einem Modell mit 4 Milliarden Parametern für den Inhalt und einem mit 400 Millionen für die akustischen Details. Veröffentlicht werden die Gewichte, Code zum Nachtrainieren und eine Streaming-Software auf Basis von SGLang.
Beim Tempo nennt der Anbieter auf einer einzelnen Nvidia-H200-Grafikkarte einen Echtzeitfaktor von 0,195, also etwa fünfmal schneller als die Wiedergabe, und rund 100 Millisekunden bis zum ersten Ton. Für Betriebe ist das ein Hinweis, dass sich gesprochene Hinweise, Ansagen und Videovertonung mit eigener Technik erzeugen lassen. Es ist aber nur eine Fähigkeit, noch keine Erlaubnis. Dazu im nächsten Kapitel mehr.
Die Seite des Anbieters nennt keine Benchmarks mit Messmethode, alle Werte stammen von Fish Audio selbst. Der Speicherbedarf ist nicht angegeben, die Modellseite nennt einmal 4B plus 400M und an anderer Stelle 5B Parameter, und ein Datum für die Veröffentlichung der Gewichte steht nicht auf den Seiten, die wir lesen konnten. Laut Modellseite wird das Modell derzeit von keinem Anbieter gehostet, man muss es also selbst betreiben. Wie deutsch es klingt, haben wir nicht getestet.
Die Gewichte von S2 Pro stehen unter der Fish Audio Research License. Forschung und nicht-kommerzielle Nutzung sind kostenlos erlaubt, als nicht-kommerziell gelten zum Beispiel persönliche Nutzung (Hobby) sowie Bewertung und Tests. Jede kommerzielle Nutzung braucht einen separaten schriftlichen Vertrag mit Fish Audio, Kontakt laut Lizenz: business@fish.audio. Gebühren oder Schwellenwerte nennt die Lizenz nicht.
Als kommerziell zählt die Lizenz nicht nur den Verkauf eines Dienstes oder einer API. Genannt werden auch interne Geschäftsabläufe und jede Nutzung im Zusammenhang mit Gebühren oder Umsatz. Wer das Modell also im Betrieb nutzt, etwa für Telefonansagen, Erklärvideos oder Werbung, braucht diese Lizenz. Die erzeugten Audios gehören dir, soweit das Recht es zulässt. Mit ihnen darf man aber keine eigenen KI-Grundmodelle trainieren, und bei Weitergabe ist „Built with Fish Audio“ sichtbar anzugeben.
Wichtig ist eine Verwechslungsgefahr: Im GitHub-Projekt von Fish Audio liegt eine zweite, großzügigere Lizenz, die Community License. Sie erlaubt kommerzielle Nutzung, solange der Jahresumsatz unter 500.000 Dollar liegt, schließt aber gehostete Dienste für Dritte aus. Sie gilt laut den Seiten nicht für die S2-Pro-Gewichte, dort gilt die Research License. Wer nur die Überschrift „open source“ liest, übersieht diesen Unterschied schnell. Dasselbe Muster gibt es bei Anwendungen rund um solche Modelle: VoiceStudio, ein lokal laufendes Open-Source-Programm für Stimmklonen, Vertonung und Transkription (nach Projektangabe in 646 Sprachen), steht unter der AGPL-3.0, die laut Projektseite auch kommerzielle Nutzung unter ihren Bedingungen deckt. Modellgewichte, Stimmen und Ausgaberegeln unterliegen dort aber eigenen Regeln, die Lizenz der App gewährt sie ausdrücklich nicht. Welche Modelle dahinterstehen, nennt die Seite nur über ein Modell-Inventar. Heißt: App offen, Modell nicht automatisch. Das ist unsere Einordnung der gelesenen Lizenztexte, keine Rechtsberatung.
Die Research License haben wir über die Zusammenfassung ihres Textes auf Hugging Face gelesen, nicht Zeile für Zeile, und bei VoiceStudio nur die Projektseite auf GitHub, nicht das Modell-Inventar. Zu Voice-Cloning verweist sie auf eine Richtlinie zur akzeptablen Nutzung (Acceptable Use Policy), die wir nicht gelesen haben. Ob die Werbeaussage „fully open-source“ auf der Seite des Anbieters oder die Lizenz die verbindliche Lesart ist, entscheidet im Zweifel der Lizenztext. Für den Einsatz im Betrieb ist eine Rückfrage bei Fish Audio oder eine Rechtsberatung sinnvoll.
Wer überlegt, ein solches Modell im Betrieb zu nutzen, sollte vier Punkte klären. Erstens die Lizenz: Für alles, was Umsatz berührt, auch für interne Abläufe, braucht es den separaten Vertrag. Zweitens die Stimme: Die Community License verbietet ausdrücklich, die Stimme einer erkennbaren Person ohne deren Einwilligung nachzuahmen. Für die Research License verweist der Text auf eine Richtlinie, die wir nicht gelesen haben. Sinnvoll ist, es genauso zu halten: nur eigene oder eingewilligte Stimmen.
Drittens die Kennzeichnung: KI-Stimmen in Werbung oder Videos sollten als solche erkennbar sein, die Pflichten dazu haben wir in einem eigenen Beitrag beschrieben. Viertens der Betrieb: Das Modell wird laut Modellseite von keinem Anbieter gehostet, du brauchst also eigene Rechner mit leistungsfähiger Grafikkarte. Der Speicherbedarf ist nicht angegeben.
Für die meisten kleinen Betriebe ist deshalb ein gehosteter Dienst mit klarer Geschäftslizenz der einfachere Weg. Wir nutzen für unsere eigenen Stimmen derzeit ElevenLabs, das ist ein Hinweis auf unseren Weg und keine Empfehlung für jeden. Fish Audio selbst bietet daneben Drama 3 an, ein Modell für Regieanweisungen mit Tags für Geräusche, Pausen und einzelne Wörter, laut Seite verfügbar in der Text-to-Speech-App und über die API, derzeit als Vorschau. Preis, Lizenz und ob die Gewichte offen sind, nennt die Seite nicht. Das Modell S2 Pro von Fish Audio bleibt interessant, wenn man die Technik selbst betreiben kann und bereit ist, mit dem Anbieter einen Lizenzvertrag zu schließen. Die Möglichkeit, einzelne Wörter zu betonen, wird in der Branche vermutlich Standard werden. Das ist eine Vermutung, kein Beleg.
Was eine kommerzielle Lizenz kostet, steht nirgends, und wir haben das Modell nicht gegen Dienste mit Geschäftslizenz getestet. Auch zur Qualität im Deutschen und zur Sicherheit gegen Missbrauch gibt es in den gelesenen Quellen keine unabhängigen Angaben.
Frag bei jedem offenen Modell, was du damit tun darfst, nicht nur, was du herunterladen kannst. Gewichte offen heißt, dass man sie sehen und ausprobieren kann. Ob man sie im Betrieb einsetzen darf, steht in der Lizenz, und die ist hier eine andere als die, die im selben Projekt unter dem gleichen Namen liegt. Wer das vor dem Einsatz prüft, spart sich Ärger und den Umbau danach.
S2 Pro zeigt, wie weit Sprach-KI gekommen ist: Betonung einzelner Wörter, viele Sprachen, schneller als Echtzeit. Für Betriebe ist die entscheidende Zeile aber nicht die Fähigkeit, sondern die Lizenz.
Für deinen Betrieb heißt das: ausprobieren ist erlaubt, einsetzen braucht einen Vertrag. Wer ohnehin einen gehosteten Dienst mit Geschäftslizenz nutzt, muss nichts ändern. Wer das Modell selbst betreiben will, schreibt zuerst Fish Audio an.
Quellen: Modell: Fish Audio, S2 und Modellseite S2 Pro auf Hugging Face (Funktionen, Sprachen, Größe, Tempo, Hosting). Lizenz: Fish Audio Research License (Zusammenfassung des Textes gelesen) und Fish Audio Community License auf GitHub. Anwendung: VoiceStudio auf GitHub. Alle Leistungsangaben sind Herstellerangaben und nicht unabhängig geprüft. Die Acceptable Use Policy von Fish Audio haben wir nicht gelesen. Die Einordnungen und Empfehlungen sind unsere eigene Meinung und keine Rechtsberatung. Stand: 14.10.2026.
Welches Modell für welche Aufgabe, welche Tools wirklich zählen und wie du richtig promptest — komplett lesbar, kein Download.
Jetzt gratis lesen →Wir gehen mit dir durch, wo in deinem Betrieb eine KI-Stimme sinnvoll wäre, welche Lizenz du dafür brauchst und wie du sie kennzeichnest. Danach ist das nächste „open source“ für dich nur noch eine Einordnung.