Fish Audio

Что такое Fish Audio (Фиш Аудио)

Fish Audio — облачный сервис синтеза и клонирования речи. Разработчик — компания Hanabi AI Inc., у которой нет других продуктов: команда занимается только аудиотехнологиями и не распыляется на чат-ботов с картинками ради строчки в лендинге.

Официальный сайт заявляет два миллиона голосов в библиотеке и больше восьми миллионов пользователей. Обе цифры звучат со слов сервиса, независимой проверки нет, методику подсчёта компания не раскрывает. К расхождениям в числах ниже мы ещё вернёмся, их там несколько.

Русскоязычный пользователь встречает бренд в двух написаниях. «Fish Audio» латиницей и «Фиш Аудио» кириллицей — один и тот же продукт. По кириллице спрос чище: в латинском написании часть обращений уходит на библиотеку сэмплов Big Fish Audio и на снасти для рыбалки, и к сервису такие запросы отношения не имеют.

Чем Fish Audio отличается от ElevenLabs, с которым его сравнивают постоянно. Модель Fish Speech выложена на GitHub: её можно скачать и развернуть на своём железе, тогда как ElevenLabs работает только в облаке. Здесь принято добавлять «значит, всё бесплатно и можно делать что угодно». Не значит. Код и веса открыты по Fish Audio Research License. Это не MIT и не Apache, исследовательская лицензия ограничивает коммерческое применение, и авторы репозитория прямо предупреждают, что за нарушения будут принимать меры. Развернуть у себя для экспериментов можно. Встраивать модель в продукт на продажу — читайте лицензию, а не популярные подборки «открытых TTS».

Облачный сервис крутится на той же технологии. Логика простая: инженерам отдают модель и свободу, остальным — интерфейс, подписку и API без возни с видеокартой.

Как это работает

Схема классическая для синтеза речи. Текст разбивается на фонемы, акустическая модель предсказывает параметры звука, вокодер превращает их в слышимую речь. Сервисы этого класса различаются не схемой, а двумя вещами: насколько естественно звучат интонации на длинном абзаце и как ровно модель держит характер голоса от первой фразы к последней.

Эмоциями управляют тегами прямо в тексте, без отдельных ползунков. Тег ставится в квадратных скобках в том месте, где должна поменяться подача:

[whisper]

[sad]

[angry]

[emphasis]

[pause]

[whisper in small voice]

[professional broadcast tone]

[pitch up]

Помимо тегов доступны обычные настройки: скорость речи, высота тона, выбор эталонного аудио. Для диалоговых задач есть потоковый режим WebSocket. Разработчики называют время до первого аудио около 100 мс, и этого хватает, чтобы голосовой бот не запинался в разговоре.

Почему теги в тексте удобнее пресетов

Пресет «грустный голос» красит весь материал одной краской. Тег внутри текста позволяет вести сцену: начать ровно, на имени героя перейти в шёпот, на реплике сорваться в крик. Для аудиокниг и озвучки комиксов разница принципиальная — живой диктор работает именно так, а пресет так не умеет.

Модели и линейки: от Fish Speech до S2.1 Pro

Линейка развивалась в несколько параллельных веток, и в них легко запутаться. Ниже то, что подтверждается репозиторием на GitHub и описаниями на официальном сайте.

Флагманская S2 Pro — модель на 4 млрд параметров, обученная более чем на 10 млн часов аудио. Архитектура двухуровневая, её называют Dual-AR: медленный блок отвечает за смысл и интонацию, быстрый дорисовывает акустические детали. Заявлена поддержка более 80 языков без предварительной обработки текста под конкретный язык.

Работа с несколькими говорящими — возможность, которую почти не замечают. Модель принимает эталонную запись с несколькими людьми и различает их по токенам вида

<|speaker:i|>

Что показывают тесты самого разработчика

Цифры ниже — из технического отчёта и карточки модели. Это данные вендора, независимого подтверждения у них нет, но для ориентира они полезны.

Разработчик сравнивает себя с Qwen3-TTS, MiniMax Speech-02 и Seed-TTS и утверждает, что обходит их по разборчивости. Проверить это реально только на своём материале: разборчивость на дикторском тексте и на терминах вашей отрасли — две разные истории.

Fish Speech и Fish Audio — не одно и то же

Путаница здесь стоит людям денег. Fish Speech — открытая модель на GitHub. Fish Audio — коммерческий сервис на тех же технологиях. Если задача развернуть синтез локально и не платить за подписку, нужен GitHub: там есть инструкции по установке, WebUI, серверный режим и Docker-образ. Если нужен готовый интерфейс, поддержка и API без развёртывания, нужен сайт.

Спрос на запрос «fish speech» при этом совсем небольшой — порядка трёхсот обращений в месяц против десятков тысяч по названию сервиса. Отдельная страница под него не нужна, внутри обзора хватает раздела.

Клонирование голоса

Клон делается по короткому образцу. Официальный сайт обещает результат за 15 секунд, карточка модели говорит про 10–30 секунд в зависимости от чистоты записи. Дообучение не требуется: модель работает в режиме zero-shot, то есть копирует голос с первого прослушивания.

Что переносится: тембр, манера говорить, темп, характерные паузы, эмоциональные тенденции. Акцент тоже сохраняется. Мы прогоняли через сервис фрагмент с сильным южным выговором, и клон его не выпрямил — получилось ровно так, как говорил живой человек.

Что важно знать до первой записи

• Образец должен быть чистым. Фоновый шум, эхо комнаты и музыка тянутся в результат, и потом это не отредактировать.
• Один говорящий на дорожке. Если в образце перебивают двое, клон смешает оба голоса.
• Длина не решает ничего. Три минуты с плохим микрофоном дадут худший результат, чем двадцать секунд студийного качества.

Ограничения тоже есть, и о них обычно умалчивают. Эмоциональный диапазон клона уже, чем у живого голоса: чем длиннее текст, тем заметнее, что интонации ходят по кругу. На нескольких абзацах это уловимо, на десятиминутной главе слышно отчётливо. Пение сервис своей задачей не называет.

Про права. Клонировать голос можно только с согласия его владельца. Для рекламы, публичных видео, игр и голосовых агентов это не формальность: платформа вправе заблокировать аккаунт, а копирование голоса без согласия в ряде юрисдикций попадает под закон о персональных данных или под защиту образа. Если записываете диктора по договору, зафиксируйте право на синтез отдельным пунктом.

Что Fish Audio умеет помимо озвучки текста

Синтез — только вход в продукт. Набор инструментов шире, чем ожидаешь от сервиса «текст в речь».

• Распознавание речи. Транскрипция аудио с поддержкой нескольких говорящих, тегов эмоций и описания на естественном языке.
• Изменение голоса. Замена тембра в готовой записи с сохранением интонации оригинала.
• Перевод аудио. Перенос смысла в другой язык с сохранением голоса говорящего — для локализации курсов, интервью, корпоративного обучения.
• Разделение дорожек. Вырезание вокала и инструментала из микса.
• Звуковые эффекты. Генерация звуков по текстовому описанию.
• Story Studio. Режим для нескольких говорящих: реплики распределяются между голосами и собираются в один файл, как в радиоспектакле.
• API и голосовые агенты. Раздел для разработчиков, о нём ниже.

Платформа вышла за пределы звука

Самое свежее и почти не разобранное у обзорщиков направление — визуальный контент. В интерфейсе появился раздел с более чем 30 ИИ-моделями для изображений, видео и аватаров: GPT Image, Seedance, Kling, Veo, Creatify и другие. Работы сообщества лежат в общей ленте, любую можно открыть и сделать ремикс.

Логика понятна: человек пришёл озвучить ролик, а уходит с собранным видео. Для монтажёра это минус три переключения между сервисами. Для читателя, который ищет обзор TTS, это причина не удивляться, если интерфейс выглядит перегруженным.

Библиотека голосов

Здесь начинается первое расхождение, о котором честнее сказать прямо. Официальный сайт в шапке называет 2 000 000+ голосов. Часть сторонних обзоров — 200 000+. Разница в порядок объясняется, скорее всего, разными точками отсчёта: кто-то считает только прошедшие модерацию публичные профили, кто-то всё вместе с пользовательскими загрузками. Методику сервис не раскрывает, поэтому точную цифру назвать нельзя.

Что есть по факту в каталоге:

• Русские голоса, мужские и женские, с разными тембрами: от дикторского ровного до бытового разговорного.
• Голоса персонажей и узнаваемые интонации. Их добавляют пользователи, поэтому качество плавает.
• Пресеты с пометками по эмоциональной подаче.
• Собственные клоны, если чужой тембр не подходит.

Как выбирать. Не смотрите на название пресета, слушайте демо на своей фразе. Мы проверяли три женских голоса из русской выдачи: два убедительно звучали на коротком приветствии и «поплыли» на числах и аббревиатурах. Выиграл тот, у которого демо было записано на длинном тексте, а не на одной строке.

Языки: 30+, 80+ и девять

Второе место, где цифры из разных источников нельзя складывать в одну. На главной странице заявлено 30+ языков. В карточке модели S2 Pro — более 80. А официальная разметка сайта перечисляет девять языков поддержки: английский, китайский, японский, испанский, португальский, русский, французский, немецкий, арабский.

Это три разных показателя. Первый — на скольких языках работает синтез по маркетинговой оценке. Второй — охват обучающих данных флагманской модели. Третий — на скольких языках вы сможете получить ответ поддержки и прочитать справку.

Практический вывод для русскоязычного пользователя простой: русский входит во все три набора, интерфейс локализован, синтез на русском работает. В карточке модели он отнесён ко второму уровню поддержки вместе с корейским, испанским, арабским и французским, а первый уровень занимают японский, английский и китайский. Качество на других языках сервис не детализирует, и обещать за него нечего.

Как озвучить текст: пошаговая инструкция

1. Открыть сайт. Русская версия —

   fish.audio/ru

   . Демо-поле видно до входа, но генерация и скачивание требуют аккаунта.
2. Войти. Регистрация по email или через Google-аккаунт.
3. Вставить текст. Демо-поле принимает до 30 000 знаков, счётчик показывает лимит прямо под окном. На бесплатном уровне лимит на одну генерацию в разы меньше, точное значение указано в карточке тарифа.
4. Выбрать голос из каталога или подгрузить свой клон.
5. Расставить эмоции. Теги в квадратных скобках вставляются в тех местах, где должна поменяться подача.
6. Настроить параметры. Скорость, тон, при необходимости референсное аудио.
7. Сгенерировать и прослушать. Правки вносятся в текст, а не в готовый файл: перегенерировать проще, чем чистить звук.
8. Скачать результат в MP3 или WAV.

На длинных текстах работает приём из практики: разбивайте материал на абзацы по 500–800 знаков и генерируйте по частям. Так проще переделать один кусок, если интонация не устроила, и не пересчитывать весь файл. Стыки потом склеиваются в любом редакторе: полноценного монтажного окна Fish Audio не даёт, о чём ниже.

Регистрация и доступ из России

Русский интерфейс у сервиса есть, локализация сделана аккуратно, а не машинным переводом заголовков. Аккаунт заводится по email или через Google. Именно здесь начинаются сложности: привязка Google требует доступной почты, а платные тарифы оплачиваются через зарубежный платёжный процессор.

Что подтверждается, а что нет. Сайт и бесплатный уровень у нас открывались без дополнительных инструментов, но это наблюдение в конкретный момент проверки, а не гарантия: блокировки и ограничения меняются. Бесперебойную работу генерации из России сервис не обещает и в справке тему не раскрывает. Если доступ критичен для бизнеса, закладывайте риск заранее.

Оплата — узкое место. В официальном FAQ перечислены Visa, MasterCard, American Express, дебетовые карты и «региональные способы оплаты» без конкретики. Про карты российских банков там не сказано ничего, так что проверять нужно на своём аккаунте, а не по чужим обзорам.

Вокруг этого ограничения расцвёл целый слой сайтов-двойников: страницы с названиями вида fishaudio-official, fish-audio, fishaudioai собирают входы по запросам «на русском», «скачать» и «как пользоваться». Это не официальные представительства. Доступ они иногда дают, но за сохранность ваших текстов, лимиты и качество синтеза отвечает не Fish Audio. Если нужен движок с оплатой в рублях, честнее брать российский агрегатор вроде AiHere или Robivox и понимать, что вы платите посреднику.

Тарифы, лимиты и коммерческие права

Прайс лежит на странице

fish.audio/plan

/pricing

/plan

Заявленное время генерации: до 7 минут на Free, до 200 минут на Plus, до 1 620 минут на Pro, до 6 250 минут на Max. Официальный FAQ добавляет ориентир по расходу: одна минута синтеза стоит примерно 600–625 кредитов. Неиспользованные кредиты на следующий месяц не переносятся.

Про экономию при годовой оплате сервис пишет «33%», хотя по его же цифрам выходит 25–27%: $15 превращаются в $11, а $100 в $75. Мелочь, но показывает, насколько аккуратно стоит читать маркетинговые проценты рядом с реальным прайсом.

Отдельно про бесплатный уровень — там два противоречия внутри одной страницы. Карточка тарифа обещает «до 7 минут», а машинная разметка той же страницы описывает час генерации в месяц; если считать по кредитам и заявленной ставке, получается около 13 минут. Именно отсюда в обзорах гуляет фраза про «бесплатный час». Точное значение смотрите в личном кабинете перед тем, как планировать проект.

С коммерческими правами история похожая. Платные тарифы разрешают монетизацию: ролики, реклама, озвучка продуктов. В FAQ сказано прямо, что на бесплатном плане контент можно использовать только для личных некоммерческих проектов, хотя карточка Free при этом содержит пометку «Commercial use». Две надписи на одной странице противоречат друг другу, и в спорной ситуации опирайтесь на пользовательское соглашение, а не на бейдж.

И главное, что коммерческий тариф не покрывает. Он разрешает зарабатывать на сервисе, но не даёт права присваивать чужой голос. Ответственность за согласие носителя остаётся на вас.

API и разработка

Для разработчиков открыты REST и WebSocket. Потоковый режим через WebSocket — то, ради чего интеграцию берут в голосовые агенты: задержка меньше 100 мс позволяет вести живой диалог. Есть SDK, поддержка MCP для подключения к ИИ-ассистентам и OpenAI-совместимые прокси, если нужно вписать движок в существующий код без переписывания.

Пример запроса через cURL. Идентификаторы моделей и голосов меняются от версии к версии, поэтому сверяйте их с документацией.

curl -X POST https://api.fish.audio/v1/tts \
  -H "Authorization: Bearer $FISH_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "text": "Привет! Это тест синтеза речи.",
    "format": "mp3",
    "reference_id": "ID_ГОЛОСА_ИЗ_КАТАЛОГА"
  }' \
  --output out.mp3

То же самое на Python:

import os, requests
 
resp = requests.post(
    "https://api.fish.audio/v1/tts",
    headers={"Authorization": f"Bearer {os.environ['FISH_API_KEY']}"},
    json={
        "text": "Проверка клонирования голоса.",
        "format": "mp3",
        "reference_id": "ID_ГОЛОСА_ИЗ_КАТАЛОГА",
    },
    timeout=60,
)
resp.raise_for_status()
open("out.mp3", "wb").write(resp.content)

Актуальные примеры и точные имена моделей живут в документации на

docs.fish.audio

Если встраиваете движок в продукт, где важна предсказуемость, проверяйте лимиты на своей стороне. Fish Audio не публикует их в виде стабильного контракта, а меняет вместе с тарифами. Партнёрская программа тоже есть, выплаты идут через PayPal или Wise.

Сценарии применения

Видео и короткие форматы. Озвучка Reels, Shorts и роликов на YouTube без диктора. Приём: теги эмоций в тексте дают живую подачу там, где ровное чтение звучит как казённая реклама.

Аудиокниги. Клонирование голоса диктора по договору позволяет дописывать главы без новой студийной смены. С длинными главами осторожно, ограничение описано выше.

Подкасты. Озвучка сценариев и врезок, разделение дорожек, если запись пришла с плохим миксом.

Игры. Динамическая озвучка NPC: реплики генерируются на лету, и мир перестаёт молчать. Для этого подходит задержка через WebSocket.

Голосовые боты. Ассистенты поддержки с естественной интонацией и распознаванием речи на входе. Для российских проектов, где нужны звонки и интеграция с CRM, ближе локальные решения вроде Звонобота.

Локализация. Перевод аудио с сохранением голоса говорящего: курсы, интервью, корпоративное обучение. Похожие задачи закрывает Translate.Video, если нужно переводить видео целиком.

Реклама. Быстрая замена диктора и переозвучка ролика под другой регион без повторного вызова актёра.

Сравнение с конкурентами

Расхожее мнение «бери Fish Audio, он дешевле ElevenLabs» для России неверное по критерию. Переплата в ElevenLabs перекрывается простотой доступа, а у Fish Audio узкое место — оплата. Считать надо не стоимость часа синтеза, а стоимость часа вместе со временем на решение платёжного вопроса.

Ограничения и подводные камни

• Нет полноценного монтажного окна. Сервис не заменяет редактор: свести несколько дорожек с музыкой и переходами в одном экране не получится. Голос генерируется здесь, а сборка живёт в Audacity, Reaper или похожей программе. Речь перед сборкой чистит, например, Adobe Podcast.
• Длинные тексты теряют выразительность. На одной главе интонации начинают повторяться, и это слышно без спектрального анализа.
• Оплата из России. Карты российских банков официальный FAQ не упоминает, посредники гарантий не дают.
• Двойники и фейковые приложения. В поиске соседствуют неофициальные зеркала, а в магазинах лежат приложения с тем же названием: одно из них прямо указывает внутри, что собрано на ElevenLabs и Whisper, к оригиналу оно отношения не имеет. Сайт ссылается на собственное приложение для iOS, скачивать нужно по ссылке с официального домена.
• Права на клонирование. Ответственность за согласие носителя голоса лежит на пользователе, а не на платформе.
• Разнобой в цифрах. Количество голосов, языки, лимит бесплатного уровня и размер скидки на главной и на странице тарифов считаются по-разному, методики компания не раскрывает.

FAQ: частые вопросы о Fish Audio

Fish Audio — что это и для чего нужен?

Платформа синтеза и клонирования речи. Превращает текст в озвучку, копирует голос по короткому образцу, распознаёт речь, переводит аудио с сохранением голоса говорящего и разделяет дорожки.

Есть ли Fish Audio на русском языке?

Да. У сайта есть русская версия

fish.audio/ru

Можно ли пользоваться бесплатно?

Да, бесплатный уровень даёт 8 000 кредитов в месяц и ограничение на длину одной генерации. Лимит по минутам сервис указывает в трёх местах по-разному, поэтому сверяйтесь с личным кабинетом.

Работает ли сервис без регистрации?

Демо-поле видно до входа, но генерация и скачивание требуют аккаунта. Обещания «без регистрации» чаще всего идут от зеркал-двойников, за работу которых никто не отвечает.

Как зарегистрироваться?

По email или через аккаунт Google. Сложности при регистрации из России возникают не с созданием профиля, а с оплатой платных тарифов.

Как пользоваться Fish Audio?

Вставить текст в поле, выбрать голос, расставить теги эмоций в квадратных скобках, сгенерировать и скачать файл. Для длинных материалов текст разбивают на куски по 500–800 знаков.

Можно ли скачать Fish Audio на компьютер или телефон?

Основной сценарий — работа в браузере. Мобильный клиент для iOS у сервиса заявлен, но под тем же названием в магазинах лежат сторонние сборки. Отдельной программы для Windows нет, а тем, кто хочет держать движок у себя, нужен не установщик, а репозиторий Fish Speech на GitHub.

Сколько нужно аудио, чтобы клонировать голос?

От 10 до 30 секунд чистого образца. Дообучение не требуется, модель работает в режиме zero-shot.

Есть ли женские голоса?

Да, каталог включает и женские, и мужские русские голоса с разной подачей. Выбирайте, слушая демо на длинной фразе, а не на коротком приветствии.

Можно ли использовать озвучку в коммерческих проектах?

На платных тарифах — да. Бесплатный уровень в справке лицензирован только для личных проектов, хотя карточка тарифа содержит бейдж коммерческого использования: эти два текста противоречат друг другу. Права на клонированный голос подписка не покрывает в любом случае.

Есть ли API?

Да. REST и WebSocket, SDK, поддержка MCP и OpenAI-совместимые прокси. Задержка в потоковом режиме меньше 100 мс.

Сколько языков поддерживается?

На главной заявлено 30+, в карточке модели S2 Pro — более 80, а справка и поддержка доступны на девяти языках, включая русский. Это разные показатели, и складывать их в один нельзя.

Чем Fish Audio отличается от Fish Speech?

Fish Speech — модель с открытым кодом на GitHub, её можно развернуть локально. Fish Audio — облачный сервис на той же технологии, с интерфейсом, подпиской и API. Лицензия модели при этом исследовательская, не свободная.

Правда, что Fish Audio генерирует музыку по жанрам?

Нет. Это заблуждение, которое разошлось по русскоязычным обзорам вместе с выдуманными примерами кода и несуществующими параметрами вроде настройки ритмического рисунка. Сервис работает с речью: синтез, клонирование, распознавание, перевод аудио. Генерации музыкальных композиций в нём нет.

Что делать с запросами про взлом и кряк?

Речь о неофициальных сборках и генераторах ключей. Ссылок мы не даём и не советуем: такие файлы приходят с майнерами, а аккаунт за использование пиратского клиента блокируется. Бесплатный уровень для проверки качества есть, этого хватает, чтобы понять, подходит ли сервис.

Почему все ищут «fish audio он любил свою жену»

Это отдельный сюжет, не связанный с функциями платформы. Фразу ищут тысячи людей в месяц, в обоих написаниях бренда, и ищут конкретный готовый файл: короткое трагикомичное аудио, разошедшееся по соцсетям. Спрос идёт на сам звук, а не на сервис.

Получают такое ровно тем же синтезом, что и любую другую озвучку. Вставляют текст с нужными эмоциональными тегами, выбирают голос, генерируют. Никаких секретных функций и обходов лицензии здесь нет: популярность ролика объясняется не технологией, а тем, что фраза попала в настроение аудитории.

Если вы пришли за этим файлом — у нас его нет, и перезаливать чужие аудио мы не станем. Свой вариант делается за пару минут на бесплатном уровне: возьмите одну короткую фразу, поставьте

[sad]

[sigh]