fish-drama-3Fish Audio Drama 3 es un modelo de texto a voz pensado para interpretar, no para leer de forma plana, lanzado por Fish Audio el 13 de octubre de 2026. Lo diriges desde el propio texto: una acotación entre corchetes antes de una frase, como [conteniéndose, forzando una sonrisa], cambia cómo se dice esa frase, y las etiquetas en pareja <whisper>, <emphasis>, <soft>, <fast>, <slow>, <stress> y <forceful> solo cambian las palabras que envuelven. Las acotaciones pueden ir en inglés o en tu propio idioma. Una sola petición puede dar voz a una escena entera: pasa reference_id como un array de ids de voz y cambia de hablante con <|speaker:0|>, <|speaker:1|> y así sucesivamente, hasta 16 hablantes; <|speaker:0|> usa la primera voz del array. La pronunciación de nombres y términos se fija con etiquetas de fonemas: CMU Arpabet para inglés, pinyin para chino y romaji para japonés. Cubre 83 idiomas, y Fish Audio cita un 93.2% de precisión de pronunciación en Artificial Analysis frente al 88.1% de S2.1 Pro. Se factura por cada 1000 bytes UTF-8, igual que S2.1 Pro: una letra sin tilde ocupa un byte, una vocal con tilde o la ñ dos, y un carácter chino tres. El precio es $0.065 por cada 1000 bytes, con un precio especial de $0.025 hasta el 12 de noviembre de 2026. En nuestra prueba, 1000 caracteres en inglés tardaron 9.6 segundos y devolvieron 89 segundos de audio. Para una narración plana que no necesita dirección, S2.1 Pro a $0.03 por cada 1000 bytes encaja mejor. Las voces con licencia oficial de Fish Audio (marcadas como licensed en la biblioteca) se cobran a 2,5 veces la tarifa: $0.1625 por cada 1000 bytes, $0.0625 durante el precio especial; las voces de la comunidad y tus propios clones mantienen la tarifa normal.
[forzando una sonrisa] antes de una frase, o <whisper>…</whisper> alrededor de unas palabras; las acotaciones pueden ir en español
Pasa reference_id como array y cambia con <|speaker:N|>; el hablante 0 usa la primera voz del array
Etiquetas de fonemas para nombres y términos: CMU Arpabet en inglés, pinyin en chino, romaji en japonés
Precio especial de $0.025 hasta el 12 de noviembre. Se cobra por byte UTF-8: la ñ o una vocal con tilde cuentan como dos
Fish Audio Drama 3 es una API de audio y voz de Fish Audio. Fish Audio Drama 3 es un modelo de texto a voz pensado para interpretar, no para leer de forma plana, lanzado por Fish Audio el 13 de octubre de 2026. Lo diriges desde el propio texto: una acotación entre corchetes antes de una frase, como [conteniéndose, forzando una sonrisa], cambia cómo se dice esa frase, y las etiquetas en pareja <whisper>, <emphasis>, <soft>, <fast>, <slow>, <stress> y <forceful> solo cambian las palabras que envuelven. Las acotaciones pueden ir en inglés o en tu propio idioma. Una sola petición puede dar voz a una escena entera: pasa reference_id como un array de ids de voz y cambia de hablante con <|speaker:0|>, <|speaker:1|> y así sucesivamente, hasta 16 hablantes; <|speaker:0|> usa la primera voz del array. La pronunciación de nombres y términos se fija con etiquetas de fonemas: CMU Arpabet para inglés, pinyin para chino y romaji para japonés. Cubre 83 idiomas, y Fish Audio cita un 93.2% de precisión de pronunciación en Artificial Analysis frente al 88.1% de S2.1 Pro. Se factura por cada 1000 bytes UTF-8, igual que S2.1 Pro: una letra sin tilde ocupa un byte, una vocal con tilde o la ñ dos, y un carácter chino tres. El precio es $0.065 por cada 1000 bytes, con un precio especial de $0.025 hasta el 12 de noviembre de 2026. En nuestra prueba, 1000 caracteres en inglés tardaron 9.6 segundos y devolvieron 89 segundos de audio. Para una narración plana que no necesita dirección, S2.1 Pro a $0.03 por cada 1000 bytes encaja mejor. Las voces con licencia oficial de Fish Audio (marcadas como licensed en la biblioteca) se cobran a 2,5 veces la tarifa: $0.1625 por cada 1000 bytes, $0.0625 durante el precio especial; las voces de la comunidad y tus propios clones mantienen la tarifa normal. A través de la plataforma APIMODELS puedes acceder a este modelo mediante una API unificada con precios de pago por uso transparentes. Precio actual: per 1K UTF-8 bytes: $0.065, Fish licensed voice, per 1K UTF-8 bytes: $0.1625.
Genera locuciones de nivel profesional para videos, animaciones y anuncios, con voces variadas.
Produce rápidamente el audio de tu pódcast, con soporte para diálogos de varios personajes.
Convierte texto en voz natural y fluida para producir audiolibros.
Doblaje y traducción multilingüe con IA para que tu contenido llegue a audiencias globales.
Fish Audio Drama 3 está disponible a través de APIMODELS a: per 1K UTF-8 bytes: $0.065, Fish licensed voice, per 1K UTF-8 bytes: $0.1625. La facturación es de pago por uso: solo pagas por lo que generas.
Regístrate en APIMODELS, obtén tu clave API y llama a nuestro endpoint unificado. Ofrecemos documentación detallada con ejemplos en cURL, Python y Node.js.
APIMODELS ofrece el mismo modelo Fish Audio Drama 3 a través de nuestra plataforma de agregación. Proporcionamos una interfaz de API unificada, así que no necesitas cuentas separadas por proveedor: una sola clave para acceder a todos los modelos.
Escribe la acotación dentro del texto. Pon una nota entre corchetes antes de la frase, como "[conteniéndose, forzando una sonrisa] Estoy bien.", y toda la frase se dice así. Para cambiar solo unas palabras, envuélvelas en una etiqueta en pareja —<whisper>, <emphasis>, <soft>, <fast>, <slow>, <stress> o <forceful>—, por ejemplo "De verdad. <whisper>Seguid sin mí.</whisper>". Las acotaciones pueden ir en inglés o en español. Fish Audio también ofrece etiquetas de cambio de idioma como <french>…</french>, pero las marca como experimentales: no están garantizadas con todas las voces y el modelo puede cambiar de idioma por su cuenta.
Pasa reference_id como un array de ids de voz y marca cada intervención con <|speaker:N|>, donde N es la posición en ese array: <|speaker:0|> usa la primera voz, <|speaker:1|> la segunda, hasta 16 hablantes. Los ids pueden venir de la biblioteca de voces de Fish o de tus propios clones. Con una sola voz sigue valiendo un string. Solo fish-drama-3 acepta arrays; fish-s2.1-pro devuelve un 400 si le envías uno.
Drama 3 cuesta $0.065 por cada 1000 bytes UTF-8, con un precio especial de $0.025 hasta el 12 de noviembre de 2026. Se factura por byte, igual que S2.1 Pro: una letra sin tilde ocupa un byte, una vocal con tilde o la ñ dos y un carácter chino tres, así que 1000 caracteres en inglés cuestan $0.065 y 1000 caracteres chinos (3000 bytes) $0.195; durante el precio especial, $0.025 y $0.075. S2.1 Pro cuesta $0.03, por lo que encaja mejor en una narración plana que no necesita dirección. Los textos de menos de 100 bytes se cobran como 100 bytes y las peticiones fallidas no se cobran.
En APIMODELS, Fish Audio Drama 3 convive con más de 60 modelos bajo una sola clave API y un solo saldo, así que elegir es cuestión de ajuste, no de dependencia. Admite Inline Directions, Up to 16 Speakers, Pronunciation Tags, 83 Languages y puedes valorarlo en precio y capacidad frente a otros modelos de audio y voz, y cambiar modificando una sola cadena con el nombre del modelo: sin nueva cuenta ni integración. Explora todas las opciones de audio y voz con precios en vivo en apimodels.app/models.
Fish Audio Drama 3 admite: Inline Directions, Up to 16 Speakers, Pronunciation Tags, 83 Languages. Consulta la documentación de APIMODELS para ver todos los parámetros y ejemplos de llamada.
Sí. APIMODELS expone Fish Audio Drama 3 mediante una única API unificada y una sola clave, sin cuentas separadas por proveedor ni necesidad de gestionar tú mismo el acceso de red regional de cada proveedor.
Aceptamos Stripe (Visa, Mastercard y otras tarjetas internacionales) y Alipay. El saldo está disponible al instante tras el pago.