fish-drama-3Fish Audio Drama 3 は、Fish Audio が 2026 年 10 月 13 日に公開した音声合成モデルで、平坦な読み上げではなく「演技」をさせるためのモデルです。演出はテキストの中に書きます。セリフの前に [こらえながら、無理に笑って] のような角かっこのト書きを置くとそのセリフの言い方が変わり、<whisper>、<emphasis>、<soft>、<fast>、<slow>、<stress>、<forceful> の対になったタグは、囲んだ語だけの言い方を変えます。ト書きは英語でも日本語でも書けます。1 回のリクエストで 1 シーンを丸ごと収録できます。reference_id にボイス ID の配列を渡し、テキスト中の <|speaker:0|>、<|speaker:1|> で話者を切り替えます。<|speaker:0|> は配列の 1 番目のボイスを使い、最大 16 人まで指定できます。人名や専門用語の読みは音素タグで固定でき、英語は CMU Arpabet、中国語はピンイン、日本語はローマ字で書きます。対応言語は 83 です。Fish Audio は、Artificial Analysis の発音正確度テストで Drama 3 が 93.2%、S2.1 Pro が 88.1% だったとしています。課金は S2.1 Pro と同じく 1,000 UTF-8 バイト単位で、ひらがな・カタカナ・漢字は 1 文字 3 バイトです。料金は 1,000 バイトあたり $0.065 で、2026 年 11 月 12 日までは特別価格 $0.025 です。日本語 1,000 文字は 3,000 バイトなので $0.195、特別価格の期間中は $0.075 になります。当社のテストでは英語 1,000 文字の合成に 9.6 秒かかり、89 秒の音声が返りました。演出のいらない平坦なナレーションなら、1,000 バイトあたり $0.03 の S2.1 Pro のほうが向いています。Fish Audio 公式のライセンス音声(ボイスライブラリで licensed と表示されるもの)は 2.5 倍の料金で、1,000 バイトあたり $0.1625、特別価格の期間中は $0.0625 です。コミュニティ音声と自分でクローンした音声は通常料金です。
セリフの前に [無理に笑って]、語を <whisper>…</whisper> で囲むだけ。ト書きは日本語でも書けます
reference_id を配列で渡し <|speaker:N|> で切り替え。speaker 0 は配列の 1 番目のボイス
人名・用語は音素タグで指定。英語は CMU Arpabet、中国語はピンイン、日本語はローマ字
11 月 12 日までは特別価格 $0.025。UTF-8 バイト課金で、かな・漢字は 1 文字 3 バイト
Fish Audio Drama 3 は Fish Audio の音声合成 API です。Fish Audio Drama 3 は、Fish Audio が 2026 年 10 月 13 日に公開した音声合成モデルで、平坦な読み上げではなく「演技」をさせるためのモデルです。演出はテキストの中に書きます。セリフの前に [こらえながら、無理に笑って] のような角かっこのト書きを置くとそのセリフの言い方が変わり、<whisper>、<emphasis>、<soft>、<fast>、<slow>、<stress>、<forceful> の対になったタグは、囲んだ語だけの言い方を変えます。ト書きは英語でも日本語でも書けます。1 回のリクエストで 1 シーンを丸ごと収録できます。reference_id にボイス ID の配列を渡し、テキスト中の <|speaker:0|>、<|speaker:1|> で話者を切り替えます。<|speaker:0|> は配列の 1 番目のボイスを使い、最大 16 人まで指定できます。人名や専門用語の読みは音素タグで固定でき、英語は CMU Arpabet、中国語はピンイン、日本語はローマ字で書きます。対応言語は 83 です。Fish Audio は、Artificial Analysis の発音正確度テストで Drama 3 が 93.2%、S2.1 Pro が 88.1% だったとしています。課金は S2.1 Pro と同じく 1,000 UTF-8 バイト単位で、ひらがな・カタカナ・漢字は 1 文字 3 バイトです。料金は 1,000 バイトあたり $0.065 で、2026 年 11 月 12 日までは特別価格 $0.025 です。日本語 1,000 文字は 3,000 バイトなので $0.195、特別価格の期間中は $0.075 になります。当社のテストでは英語 1,000 文字の合成に 9.6 秒かかり、89 秒の音声が返りました。演出のいらない平坦なナレーションなら、1,000 バイトあたり $0.03 の S2.1 Pro のほうが向いています。Fish Audio 公式のライセンス音声(ボイスライブラリで licensed と表示されるもの)は 2.5 倍の料金で、1,000 バイトあたり $0.1625、特別価格の期間中は $0.0625 です。コミュニティ音声と自分でクローンした音声は通常料金です。 APIMODELS のプラットフォーム経由なら、統一 API と明朗な従量課金でこのモデルを呼び出せます。 現在の料金: per 1K UTF-8 bytes: $0.065, Fish licensed voice, per 1K UTF-8 bytes: $0.1625。
動画、アニメーション、広告向けにプロ品質のナレーションを、豊富な声質から選んで生成します。
複数話者の掛け合いにも対応し、ポッドキャストの音声を素早く仕上げます。
テキストを自然で流れのよい読み上げに変換し、オーディオブックとして出せます。
多言語の吹き替えと翻訳で、コンテンツを世界の視聴者に届けます。
Fish Audio Drama 3 は APIMODELS 経由で per 1K UTF-8 bytes: $0.065, Fish licensed voice, per 1K UTF-8 bytes: $0.1625 で利用できます。課金は従量制で、生成した分だけの支払いです。
APIMODELS に登録して API キーを取得し、統一エンドポイントを呼ぶだけです。cURL / Python / Node.js のサンプルを含む詳しいドキュメントを用意しています。
APIMODELS は同じ Fish Audio Drama 3 を集約プラットフォーム経由で提供します。統一された API インターフェースなので、プロバイダごとにアカウントを作る必要はありません。キー 1 本ですべてのモデルに届きます。
演出をテキストの中に書きます。セリフの前に角かっこのト書きを置くと、たとえば「[こらえながら、無理に笑って] 大丈夫。」のように、そのセリフ全体がその状態で話されます。一部の語だけ変えたいときは、<whisper>、<emphasis>、<soft>、<fast>、<slow>、<stress>、<forceful> の対になったタグで囲みます。例:「本当に。<whisper>先に行って。</whisper>」。ト書きは英語でも日本語でも書けます。Fish Audio には <french>…</french> のような文中で言語を切り替えるタグもありますが、提供元は実験的機能としており、すべてのボイスで効くとは限らず、モデルが自分で言語を切り替えることもあります。
reference_id にボイス ID の配列を渡し、各セリフの前に <|speaker:N|> を付けます。N は配列内の位置で、<|speaker:0|> は 1 番目、<|speaker:1|> は 2 番目のボイスを使い、最大 16 人まで指定できます。ID は Fish のボイスライブラリのものでも、自分でクローンしたものでも構いません。ボイスが 1 つだけなら従来どおり文字列で渡せます。配列を受け付けるのは fish-drama-3 だけで、fish-s2.1-pro に送ると 400 が返ります。
1,000 UTF-8 バイトあたり $0.065 で、2026 年 11 月 12 日までは特別価格 $0.025 です。S2.1 Pro と同じくバイト単位の課金で、英字は 1 バイト、ひらがな・カタカナ・漢字は 1 文字 3 バイトなので、英語 1,000 文字は $0.065、日本語 1,000 文字(3,000 バイト)は $0.195、特別価格の期間中はそれぞれ $0.025 と $0.075 です。S2.1 Pro は $0.03 なので、演出のいらない平坦なナレーションには S2.1 Pro が向いています。100 バイト未満のテキストは 100 バイトとして課金され、失敗したリクエストは課金されません。
APIMODELS では Fish Audio Drama 3 が 60 以上のモデルと同じ API キー・同じ残高の上に並んでいるので、選択は「相性」の問題であって「囲い込み」の問題ではありません。Inline Directions、Up to 16 Speakers、Pronunciation Tags、83 Languages に対応しており、他の音声合成モデルと価格・機能を並べて評価できます。乗り換えはモデル名の文字列を 1 つ書き換えるだけ。新しいアカウントも追加の実装も要りません。音声合成の選択肢と最新価格は apimodels.app/models で確認できます。
Fish Audio Drama 3 は次に対応しています: Inline Directions、Up to 16 Speakers、Pronunciation Tags、83 Languages。パラメータの全一覧と呼び出し例は APIMODELS のドキュメントをご覧ください。
はい。APIMODELS は Fish Audio Drama 3 を単一の統一 API とキー 1 本で提供します。プロバイダごとのアカウントも、各社の地域ごとのネットワーク経路を自分で面倒みる必要もありません。
Stripe（Visa、Mastercard などの国際カード）と Alipay に対応しています。支払い後、残高はすぐ反映されます。