fish-drama-3Fish Audio Drama 3 — модель синтеза речи, которую Fish Audio выпустила 13 октября 2026 года для актёрской подачи, а не ровного чтения. Режиссура пишется прямо в тексте: пометка в квадратных скобках перед репликой, например [едва сдерживаясь, через силу улыбаясь], меняет то, как прозвучит эта реплика, а парные теги <whisper>, <emphasis>, <soft>, <fast>, <slow>, <stress> и <forceful> меняют только слова внутри них. Пометки можно писать по-английски или на своём языке. Один запрос озвучивает целую сцену: передайте reference_id массивом идентификаторов голосов и переключайте говорящих тегами <|speaker:0|>, <|speaker:1|> и так далее — до 16 голосов; <|speaker:0|> берёт первый голос из массива. Произношение имён и терминов можно закрепить фонемными тегами: CMU Arpabet для английского, пиньинь для китайского, ромадзи для японского. Модель покрывает 83 языка; Fish Audio приводит точность произношения 93.2% в тесте Artificial Analysis против 88.1% у S2.1 Pro. Тарификация, как и у S2.1 Pro, идёт за 1000 байт UTF-8: латинская буква — один байт, кириллическая — два, китайский иероглиф — три. Цена — $0.065 за 1000 байт, а до 12 ноября 2026 года действует спеццена $0.025. В нашем тесте 1000 английских символов синтезировались за 9.6 секунды и дали 89 секунд аудио. Для ровного чтения без режиссуры лучше подходит S2.1 Pro за $0.03 за 1000 байт. Официальные лицензированные голоса Fish Audio (в библиотеке помечены licensed) тарифицируются по ставке ×2.5 — $0.1625 за 1000 байт, по спеццене $0.0625; голоса сообщества и ваши собственные клоны идут по обычной цене.
[через силу улыбаясь] перед репликой или <whisper>…</whisper> вокруг слов; пометки можно писать по-русски
reference_id передаётся массивом, говорящие переключаются тегом <|speaker:N|>; speaker 0 — первый голос массива
Фонемные теги для имён и терминов: CMU Arpabet для английского, пиньинь для китайского, ромадзи для японского
До 12 ноября спеццена $0.025. Тарификация по байтам UTF-8: кириллическая буква считается за два байта
Fish Audio Drama 3 — это API категории «аудио и речь» от Fish Audio. Fish Audio Drama 3 — модель синтеза речи, которую Fish Audio выпустила 13 октября 2026 года для актёрской подачи, а не ровного чтения. Режиссура пишется прямо в тексте: пометка в квадратных скобках перед репликой, например [едва сдерживаясь, через силу улыбаясь], меняет то, как прозвучит эта реплика, а парные теги <whisper>, <emphasis>, <soft>, <fast>, <slow>, <stress> и <forceful> меняют только слова внутри них. Пометки можно писать по-английски или на своём языке. Один запрос озвучивает целую сцену: передайте reference_id массивом идентификаторов голосов и переключайте говорящих тегами <|speaker:0|>, <|speaker:1|> и так далее — до 16 голосов; <|speaker:0|> берёт первый голос из массива. Произношение имён и терминов можно закрепить фонемными тегами: CMU Arpabet для английского, пиньинь для китайского, ромадзи для японского. Модель покрывает 83 языка; Fish Audio приводит точность произношения 93.2% в тесте Artificial Analysis против 88.1% у S2.1 Pro. Тарификация, как и у S2.1 Pro, идёт за 1000 байт UTF-8: латинская буква — один байт, кириллическая — два, китайский иероглиф — три. Цена — $0.065 за 1000 байт, а до 12 ноября 2026 года действует спеццена $0.025. В нашем тесте 1000 английских символов синтезировались за 9.6 секунды и дали 89 секунд аудио. Для ровного чтения без режиссуры лучше подходит S2.1 Pro за $0.03 за 1000 байт. Официальные лицензированные голоса Fish Audio (в библиотеке помечены licensed) тарифицируются по ставке ×2.5 — $0.1625 за 1000 байт, по спеццене $0.0625; голоса сообщества и ваши собственные клоны идут по обычной цене. Через платформу APIMODELS доступ к этой модели идёт по единому API с прозрачной оплатой по факту использования. Текущая цена: per 1K UTF-8 bytes: $0.065, Fish licensed voice, per 1K UTF-8 bytes: $0.1625.
Профессиональная озвучка для видео, анимации и рекламы с большим выбором голосов.
Быстро собрать аудио для подкаста, в том числе с диалогом нескольких говорящих.
Превратить текст в естественную, связную речь для выпуска аудиокниг.
Дубляж и перевод на разные языки, чтобы контент дошёл до аудитории по всему миру.
Fish Audio Drama 3 доступна через APIMODELS по цене: per 1K UTF-8 bytes: $0.065, Fish licensed voice, per 1K UTF-8 bytes: $0.1625. Оплата идёт по факту использования — вы платите только за то, что сгенерировали.
Зарегистрируйтесь на APIMODELS, получите API-ключ и обращайтесь к нашему единому эндпоинту. Есть подробная документация с примерами на cURL, Python и Node.js.
APIMODELS отдаёт ту же самую модель Fish Audio Drama 3 через свою агрегирующую платформу. Мы предоставляем единый интерфейс API, поэтому отдельные аккаунты у каждого поставщика не нужны — один ключ открывает доступ ко всем моделям.
Напишите режиссёрскую пометку прямо в тексте. Поставьте её в квадратных скобках перед репликой — например, «[едва сдерживаясь, через силу улыбаясь] Всё в порядке.» — и вся реплика прозвучит именно так. Чтобы изменить только несколько слов, оберните их парным тегом <whisper>, <emphasis>, <soft>, <fast>, <slow>, <stress> или <forceful>: «Правда. <whisper>Идите без меня.</whisper>». Пометки можно писать по-английски или по-русски. У Fish Audio есть и теги смены языка вроде <french>…</french>, но сам провайдер называет их экспериментальными: они работают не с каждым голосом, и модель может переключить язык сама.
Передайте reference_id массивом идентификаторов голосов и отметьте каждую реплику тегом <|speaker:N|>, где N — позиция голоса в массиве: <|speaker:0|> берёт первый голос, <|speaker:1|> — второй, всего до 16 голосов. Идентификаторы могут быть из библиотеки голосов Fish или из ваших собственных клонов. Для одного голоса по-прежнему достаточно строки. Массив принимает только fish-drama-3; fish-s2.1-pro на него ответит ошибкой 400.
Drama 3 стоит $0.065 за 1000 байт UTF-8, а до 12 ноября 2026 года действует спеццена $0.025. Тарификация, как и у S2.1 Pro, идёт по байтам: латинская буква занимает один байт, кириллическая — два, поэтому 1000 кириллических букв стоят вдвое больше, чем 1000 английских символов ($0.065, по спеццене $0.025). S2.1 Pro стоит $0.03, так что для ровного чтения без режиссуры он подходит лучше. Тексты короче 100 байт тарифицируются как 100 байт, неудачные запросы не оплачиваются.
В APIMODELS Fish Audio Drama 3 соседствует более чем с 60 моделями под одним API-ключом и общим балансом, поэтому выбор — это вопрос соответствия задаче, а не привязки к поставщику. Модель поддерживает Inline Directions, Up to 16 Speakers, Pronunciation Tags, 83 Languages; вы можете сравнить её по цене и возможностям с другими моделями категории «аудио и речь» и переключиться, изменив одну строку с именем модели — без нового аккаунта и без переписывания интеграции. Все варианты категории «аудио и речь» с актуальными ценами — на apimodels.app/models.
Fish Audio Drama 3 поддерживает: Inline Directions, Up to 16 Speakers, Pronunciation Tags, 83 Languages. Полный список параметров и примеры вызовов — в документации APIMODELS.
Да. APIMODELS отдаёт Fish Audio Drama 3 через единый API и один ключ — отдельные аккаунты у каждого поставщика не нужны, и вам не приходится самостоятельно решать вопросы регионального сетевого доступа к каждому из них.
Принимаем Stripe (Visa, Mastercard и другие международные карты) и Alipay. Баланс становится доступен сразу после оплаты.