S2 Pro 采用双自回归架构，其中 40 亿参数的 Slow AR 组件负责语义预测，4 亿参数的 Fast AR 组件负责声学细节。Fish Audio 报告称其训练于超过 1000 万小时的音频数据，支持 80 多种语言、超过 1.5 万个自然语言控制标签，并提供基于 SGLang 的流式推理引擎。
Fish Audio S2 适用于希望获得比固定音色库更多控制力的研究人员、开发者和创意语音团队。该发布包含推理代码、模型权重、微调支持以及适用于具备 GPU 基础设施团队的自托管路径，但商业使用需要单独的 Fish Audio 许可证。
