Fish Agent V0.1 3B ist ein bahnbrechendes Sprach-zu-Sprach-Modell, das Umgebungsaudioinformationen mit bisher unerreichter Präzision erfassen und generieren kann. Das Modell verwendet eine Architektur ohne semantische Markierungen und eliminiert somit den Bedarf an herkömmlichen semantischen Codierern/Decodierern. Darüber hinaus handelt es sich um ein hochmodernes Text-to-Speech (TTS)-Modell, das mit 700.000 Stunden mehrsprachigen Audiodaten trainiert wurde. Als weiter trainierte Version von Qwen-2.5-3B-Instruct wurde es mit 200 Milliarden Sprach- und Textmarken trainiert. Das Modell unterstützt 8 Sprachen, darunter Englisch und Chinesisch, wobei die Datenmenge pro Sprache variiert. Englisch und Chinesisch verfügen jeweils über ca. 300.000 Stunden Trainingsdaten, die anderen Sprachen über ca. 20.000 Stunden.