Fish Audio Drama 3 API

计价:按 UTF-8 字节

和 S2.1 Pro 一样按输入文本的 UTF-8 字节数计价,不是按字符。拉丁字母 1 字节,西里尔字母和带重音的字母 2 字节,汉字、假名、韩文 3 字节。方括号里的表演指示和 <whisper> 这类标签也是文本的一部分,同样计费。

特价到 2026-11-12 00:00 UTC(北京时间 8 点),之后自动按 $0.065 计费,不需要改任何代码。不足 100 字节按 100 字节计。失败不扣费。

Fish 官方授权音色(音色库返回 licensed: true 的)按 2.5 倍计价:每千字节 $0.1625,特价期间 $0.0625。社区音色和你自己克隆的音色照常计价。多人对白里只要有一个授权音色,整单按授权价。

写表演指示

在一句话前面加方括号写状态、意图或节奏,整句都会按这个方式说出来。指示用英文写或直接用中文写都可以,不需要和台词同一种语言。

[barely holding it together, forcing a smile] I'm fine.
[强忍着、挤出笑容] 我没事。

只想改几个词,就用成对标签包住它们。支持的标签:

Really. <whisper>Go on without me.</whisper>

多人对白

• reference_id 传成音色 id 数组,最多 16 个。
• 每段台词前写 <|speaker:N|>,N 从 0 开始,对应数组下标:<|speaker:0|> 用第一个音色,<|speaker:1|> 用第二个。
• 音色 id 可以来自 Fish 音色库,也可以是你在 POST /v1/audio/voices/fish 克隆的音色。
• 只有一个音色时照样传字符串。数组只有 fish-drama-3 接受,发给 fish-s2.1-pro 会返回 400。

指定读音与切换语言

人名、品牌、术语读不准时,用音素标签把读音写死。英文用 CMU 音标(元音后的数字是重音:1 重读、0 不重读),中文用拼音,日文用罗马音:

<|phoneme_start|>EH1 N JH AH0 N IH0 R<|phoneme_end|>

句中切换语言用语言标签包住要换语言的那几个词,比如:

Thanks for coming. <french>Je voudrais une table pour deux, s'il vous plaît.</french>

语言标签是 Fish Audio 标注的实验功能:不保证每个语种、每个音色都有效,模型也可能自己切换语言。音色最好来自能流利说两种语言的人。

代码示例

# ─── 一个音色,带表演指示 ─────────────────────────────────
curl -X POST https://api.apimodels.app/v1/audio/generations \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "fish-drama-3",
    "text": "[barely holding it together, forcing a smile] I am fine. Really. <whisper>Go on without me.</whisper>",
    "reference_id": "VOICE_ID",
    "format": "mp3"
  }'
# { "code": 200, "data": { "taskId": "clxxx", "state": "pending" } }


# ─── 两个人的对白:reference_id 传数组,<|speaker:N|> 切换 ─────
curl -X POST https://api.apimodels.app/v1/audio/generations \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "fish-drama-3",
    "text": "<|speaker:0|>[tired, keeping her voice down] Did you lock the door?<|speaker:1|>[too quickly] Of course I did.<|speaker:0|>[a long pause] Then why is it open?",
    "reference_id": ["VOICE_ID_A", "VOICE_ID_B"],
    "format": "wav"
  }'


# ─── 取结果 ─────────────────────────────────────────────
curl "https://api.apimodels.app/v1/audio/generations?task_id=TASK_ID" \
  -H "Authorization: Bearer YOUR_API_KEY"
# { "code": 200, "data": { "state": "completed", "resultUrls": ["https://r2.apimodels.app/..."] } }

请求参数

S2.1 Pro 的其余参数(prosody、mp3_bitrate、sample_rate、latency、chunk_length)照样原样转给模型,取值范围见 S2.1 Pro 文档。

Drama 3 还是 S2.1 Pro

• 需要演:有情绪起伏的台词、广播剧、游戏角色、多人对白 —— 用 Drama 3。
• 平铺直叙地朗读、不需要表演指示 —— 用 S2.1 Pro,$0.03 / 千字节,另有经济档。
• 我们实测英文 1000 字符 9.6 秒合成完,出 89 秒音频;中文 500 字 13.4 秒,出 146 秒音频。这是整段合成耗时,不是首字延迟。

说明

• 异步任务:先建单拿 taskId,再轮询 GET ?task_id= 取结果。
• 克隆音色和 S2.1 Pro 共用:前 20 个免费,克隆方法见 S2.1 Pro 文档。
• 结果文件保留 30 天后自动删除,请及时下载或转存。
• 失败不扣费。

试一试:Playground