fish-drama-3Fish Audio Drama 3 是 Fish Audio 2026 年 10 月 13 日发布的语音合成模型,目标是「演」而不是平铺直叙地读。表演指示直接写在文本里:在一句话前面加方括号,比如 [强忍着、挤出笑容],这句话的语气就跟着变;<whisper>、<emphasis>、<soft>、<fast>、<slow>、<stress>、<forceful> 这几个成对标签只改它包住的那几个词。指示用英文写或用你自己的语言写都可以。 一次请求就能做完一整场戏:把 reference_id 传成音色 id 数组,在文本里用 <|speaker:0|>、<|speaker:1|> 切换说话人,<|speaker:0|> 用数组里的第一个音色,最多 16 人。人名、术语的读音可以用音素标签钉死:英文用 CMU 音标,中文用拼音,日文用罗马音。覆盖 83 个语种;Fish Audio 援引 Artificial Analysis 的发音准确度测试,Drama 3 为 93.2%,S2.1 Pro 为 88.1%。 计价和 S2.1 Pro 一样按【UTF-8 字节】算,一个汉字是 3 字节:**每千字节 $0.065,2026 年 11 月 12 日前特价 $0.025**。英文 1000 字符 $0.065,中文 1000 字是 3000 字节、$0.195;特价期间分别是 $0.025 和 $0.075。Fish 官方授权音色(音色库里标 licensed 的)按 2.5 倍计价:每千字节 $0.1625,特价期间 $0.0625;社区音色和自己克隆的音色照常计价。我们实测英文 1000 字符 9.6 秒合成完,出来 89 秒音频。只是平铺直叙地朗读、不需要表演指示的话,用 S2.1 Pro($0.03 / 千字节)更合适。
一句话前面加 [挤出笑容],或用 <whisper>…</whisper> 包住几个词;指示用中文写也行
reference_id 传成数组,用 <|speaker:N|> 切换;speaker 0 用数组里的第一个音色
人名、术语用音素标签:英文写 CMU 音标,中文写拼音,日文写罗马音
11 月 12 日前特价 $0.025。按 UTF-8 字节计价,一个汉字算 3 字节
Fish Audio Drama 3 是由 Fish Audio 提供的语音合成 API。Fish Audio Drama 3 是 Fish Audio 2026 年 10 月 13 日发布的语音合成模型,目标是「演」而不是平铺直叙地读。表演指示直接写在文本里:在一句话前面加方括号,比如 [强忍着、挤出笑容],这句话的语气就跟着变;<whisper>、<emphasis>、<soft>、<fast>、<slow>、<stress>、<forceful> 这几个成对标签只改它包住的那几个词。指示用英文写或用你自己的语言写都可以。 一次请求就能做完一整场戏:把 reference_id 传成音色 id 数组,在文本里用 <|speaker:0|>、<|speaker:1|> 切换说话人,<|speaker:0|> 用数组里的第一个音色,最多 16 人。人名、术语的读音可以用音素标签钉死:英文用 CMU 音标,中文用拼音,日文用罗马音。覆盖 83 个语种;Fish Audio 援引 Artificial Analysis 的发音准确度测试,Drama 3 为 93.2%,S2.1 Pro 为 88.1%。 计价和 S2.1 Pro 一样按【UTF-8 字节】算,一个汉字是 3 字节:**每千字节 $0.065,2026 年 11 月 12 日前特价 $0.025**。英文 1000 字符 $0.065,中文 1000 字是 3000 字节、$0.195;特价期间分别是 $0.025 和 $0.075。Fish 官方授权音色(音色库里标 licensed 的)按 2.5 倍计价:每千字节 $0.1625,特价期间 $0.0625;社区音色和自己克隆的音色照常计价。我们实测英文 1000 字符 9.6 秒合成完,出来 89 秒音频。只是平铺直叙地朗读、不需要表演指示的话,用 S2.1 Pro($0.03 / 千字节)更合适。 通过 APIMODELS 平台，您可以使用统一的 API 接口调用该模型，按量计费、价格透明。当前定价：per 1K UTF-8 bytes: $0.065, Fish licensed voice, per 1K UTF-8 bytes: $0.1625。
为视频、动画、广告等内容生成专业级配音，支持多种音色。
快速生成播客节目的语音内容，支持多角色对话。
将文本内容转化为自然流畅的语音，适用于有声书制作。
AI 驱动的多语言配音翻译，帮助内容触达全球受众。
Fish Audio Drama 3 通过 APIMODELS 平台调用，当前定价：per 1K UTF-8 bytes: $0.065, Fish licensed voice, per 1K UTF-8 bytes: $0.1625。按量计费，用多少付多少。
在 APIMODELS 注册账号并获取 API Key，然后通过我们的统一 API 端点调用即可。我们提供详细的 API 文档和 cURL、Python、Node.js 代码示例。
APIMODELS 通过聚合平台提供与官方相同的 Fish Audio Drama 3 模型。我们提供统一的 API 接口，无需分别注册各平台账号，一个 API Key 即可调用所有模型。
把表演指示直接写进文本。在一句话前面加方括号,比如「[强忍着、挤出笑容] 我没事。」,整句都会按这个状态说出来。只想改几个词,就用成对标签包住它们:<whisper>、<emphasis>、<soft>、<fast>、<slow>、<stress>、<forceful>,比如「真的。<whisper>别管我了,你们先走。</whisper>」。指示可以用英文写,也可以直接用中文写。Fish Audio 另有 <french>…</french> 这类句中切换语言的标签,但官方标注为实验功能:不保证每个音色都有效,模型也可能自己切换语言。
把 reference_id 传成音色 id 数组,每段台词前用 <|speaker:N|> 标出说话人,N 是该音色在数组里的位置:<|speaker:0|> 用第一个音色,<|speaker:1|> 用第二个,最多 16 人。音色 id 可以来自 Fish 音色库,也可以是你自己克隆的。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。
每千 UTF-8 字节 $0.065,2026 年 11 月 12 日前特价 $0.025。和 S2.1 Pro 一样按字节计价:拉丁字母 1 字节、汉字 3 字节,所以英文 1000 字符 $0.065,中文 1000 字(3000 字节)$0.195;特价期间分别是 $0.025 和 $0.075。S2.1 Pro 是 $0.03,不需要表演指示的普通朗读用它更合适。不足 100 字节按 100 字节计,失败不扣费。
在 APIMODELS，Fish Audio Drama 3 与 60+ 个模型共用一个 API Key、一个余额，所以选型只看合不合适，不存在锁定。它支持 Inline Directions、Up to 16 Speakers、Pronunciation Tags、83 Languages，你可以在价格和能力上把它和其它语音合成模型对比，换模型只需改一个模型名字符串——无需新账号、无需重新对接。所有语音合成模型与实时价格见 apimodels.app/models。
Fish Audio Drama 3 支持：Inline Directions、Up to 16 Speakers、Pronunciation Tags、83 Languages。完整参数与调用方式见 APIMODELS 的 API 文档。
可以。APIMODELS 提供可直接访问的统一 API,一个 API Key 即可调用 Fish Audio Drama 3,无需分别注册官方账号、也无需自行处理官方接口的网络访问。
我们支持 Stripe（Visa、Mastercard 等国际信用卡）和支付宝付款。充值后积分即时到账。