Fish Audio: ответы на частые вопросы и полное руководство

Первое, что сбивает с толку новичка в Fish Audio, — квадратные скобки прямо в поле ввода текста. Ставишь

[whisper]

Ниже — практика. Как озвучить текст, как записать образец для клона, как подключиться к API и что делать, когда приходит ошибка. Обзор самого сервиса с тарифами и сравнением с конкурентами у нас на отдельной странице, здесь его не повторяю.

Что это за сервис, если коротко

Fish Audio — облачный сервис синтеза речи, клонирования голоса и распознавания аудио. Разработчик — Hanabi AI Inc., сайт

fish.audio

fish.audio/ru

Кроме синтеза сервис умеет расшифровывать записи, менять голос, переводить аудио с сохранением тембра, разделять дорожки и собирать многоголосые сцены в Story Studio. Живое написание «Фиш Аудио» кириллицей — тот же сервис, отдельного русского продукта не существует.

Как пользоваться Fish Audio: пошаговая инструкция

1. Откройте сайт. Основные функции доступны без установки, всё работает в браузере. Русская версия включается на

   fish.audio/ru

   .
2. Заведите аккаунт. Регистрация — по электронной почте или через Google. Номер телефона сервис не спрашивает.
3. Выберите голос. В библиотеке есть готовые голоса: мужские, женские, детские, отдельная ветка персонажных. Либо загрузите свой образец, если нужен клон.
4. Вставьте текст. Поле ввода ограничено по длине одной генерации, поэтому длинные материалы режутся на части заранее (как — ниже).
5. Расставьте теги эмоций. Прямо в тексте, в квадратных скобках.
6. Нажмите «Создать аудио». Голос обычно готов за считаные секунды, длинные куски обрабатываются дольше.
7. Прослушайте и скачайте. Результат выгружается в MP3.

Если результат не устроил, не переделывайте весь файл. Меняйте текст или теги и перегенерируйте только тот кусок, который звучит плохо.

Теги эмоций: главная рабочая фича

Управление интонацией в Fish Audio сделано не через настройки, а через разметку текста. Работает и на готовых голосах, и на клонах.

Список поддерживаемых тегов сервис раскрывает не полностью, но основными можно пользоваться смело:

[whisper]

[sad]

[angry]

[emphasis]

[pause]

[laugh]

[whisper in small voice]

[tired, slow]

Сравните два варианта одной фразы.

Я не знал, что она вернётся.

[sad] Я не знал, [pause] что она вернётся.

Первый читается ровно, дикторским тоном. Второй звучит как реплика. Разница в четырёх словах в скобках, а не в настройках.

Где теги реально экономят время

Аудиокниги. Один голос читает автора и персонажей, теги разводят реплики по интонации. Спор двух героев получается без второго диктора и без монтажа.

Озвучка комиксов и коротких видео. Абзац с ремарками выдаёт готовую сцену за одну генерацию, тогда как раньше такие вещи собирали из нескольких дублей и склеивали в редакторе.

Голоса для игр. Набор NPC набирается из библиотеки, а характер задаётся тегами. Брутальный стражник и ироничный торговец могут звучать одним тембром, но по-разному.

Одно предупреждение. Тегом

[angry]

Клонирование голоса: образец решает всё

Fish Audio клонирует голос в режиме zero-shot. Дообучение не требуется, достаточно короткой записи — обычно называют 10–30 секунд. Что переносится: тембр, манера подачи, ритм, акцент. Дикция и характерные оговорки тоже переходят в клон, и это не всегда плюс.

Про качество образца у людей устойчивое заблуждение: «чем больше записи, тем лучше клон». На практике двадцать секунд чистой студийной начитки дают результат точнее, чем три минуты с телефона в комнате с эхом. Алгоритму не нужен объём, ему нужен чистый сигнал. И вот что сбивает с толку чаще всего: лишний материал не улучшает клон, а размывает его, потому что модель усредняет разные условия записи.

Что портит клон:

• фоновый шум и музыка, даже тихая;
• эхо комнаты, запись на встроенный микрофон ноутбука;
• перепады громкости внутри образца;
• чтение без интонации, будто диктант.

Практический рецепт: гарнитура или нормальный микрофон, тихая комната, одна интонация на весь образец, ровный уровень записи. Если планируете использовать теги эмоций, произнесите в образце хотя бы пару фраз с живой подачей. И да, согласие человека, чей голос вы загружаете, — ваша ответственность. Ответственность за использование чужого голоса сервис на себя не берёт.

Длинные тексты: режьте на куски сами

Готовая статья или глава книги в поле ввода целиком не влезет. Да и не стоит: на длинном тексте интонация постепенно плывёт, паузы встают не там, а эмоциональный тег в начале абзаца выдыхается к его концу.

Рабочая схема: разбить материал на куски по 500–800 знаков, границы ставить по абзацам или по репликам. Каждый кусок генерируется отдельно, скачивается отдельным файлом и уже потом собирается в аудиоредакторе. Полноценного сведения дорожек внутри сервиса нет, это внешний шаг.

Почему так дешевле: перегенерация неудачного куска занимает секунды. Правка готового файла в редакторе — минуты, а иногда и повторная генерация всего материала. Куски с одинаковыми тегами лучше держать рядом, чтобы подача не разъезжалась между соседними фрагментами.

API: ключ и первый запрос

Вход в разработку один: получить API-ключ в личном кабинете и положить его в заголовок

Authorization: Bearer

docs.fish.audio

POST https://api.fish.audio/v1/tts

Минимальный запрос через cURL:

curl -X POST https://api.fish.audio/v1/tts \
  -H "Authorization: Bearer ВАШ_API_КЛЮЧ" \
  -H "Content-Type: application/json" \
  -d '{"text":"[whisper] Только между нами.","format":"mp3","reference_id":"ID_ГОЛОСА"}' \
  --output voice.mp3

То же самое на Python, без сторонних обёрток:

import requests
 
r = requests.post(
    "https://api.fish.audio/v1/tts",
    headers={"Authorization": "Bearer ВАШ_API_КЛЮЧ"},
    json={
        "text": "[sad] Дождь шёл третьи сутки.",
        "format": "mp3",
        "reference_id": "ID_ГОЛОСА",
    },
)
open("voice.mp3", "wb").write(r.content)

В теле запроса три значимых поля:

text

format

reference_id

Потоковый режим для голосовых ботов

Для телефонии и голосовых ассистентов обычный REST неудобен: пока файл скачается целиком, абонент успеет попрощаться. WebSocket отдаёт звук порциями по мере синтеза, и бот начинает говорить почти сразу после получения ответа от языковой модели. Эта же схема подходит для озвучки чатов и стриминга.

Ошибки API и что они значат

Authorization

Ошибку 401 легко получить после смены пароля: старые ключи при этом отзываются. Ещё одна частая причина — ключ случайно попал в публичный репозиторий и был отозван автоматически.

Тарифы и лимиты

Актуальные планы сняты с

fish.audio/plan

/pricing

Лимиты по длине одной генерации и количеству голосовых слотов отличаются по планам, точные значения смотрите в карточке тарифа. И честно о нестыковках, которые сервис не спешит править.

Бейдж Commercial use стоит на карточке бесплатного тарифа, хотя справка говорит прямо: бесплатный уровень — только для личного использования. В маркетинговых текстах встречается «экономия 33%» при годовой оплате, хотя пересчёт даёт 25–27%. И лимит бесплатного уровня в разных местах описывается по-разному — то как «час генерации», то как 8 000 кредитов. Перед публикацией коммерческого проекта опирайтесь на текст оферты и справку, а не на бейджи.

Можно ли скачать Fish Audio

Отдельного установщика для Windows не существует. Основная работа идёт в браузере, и для большинства задач приложение не нужно. В магазинах под названием Fish Audio лежат сторонние сборки: как минимум одна из них во внутренних материалах прямо указывает, что собрана на ElevenLabs и Whisper, то есть к сервису отношения не имеет.

Если нужен движок на своём железе, искать надо не установщик, а открытую модель Fish Speech на GitHub. Важная оговорка: лицензия у неё исследовательская (Fish Audio Research License), не MIT и не Apache. Для экспериментов и внутренних тестов — можно, для встраивания в коммерческий продукт придётся разбираться с условиями отдельно.

Пиратские сборки и чужие голоса

Запросы про взлом и кряки ведут в тупик. Неофициальные клиенты приходят с майнерами и перехватом данных, аккаунт за использование пиратского клиента блокируется без возможности восстановления баланса. Проверить качество синтеза бесплатно можно на самом сервисе, для этого хватает бесплатного уровня.

Клонирование чужого голоса без согласия носителя — отдельный риск, и технический, и юридический. Сервис требует подтвердить, что права на запись у вас есть, но проверить это не может. Ответственность остаётся на том, кто загрузил образец.

Можно ли генерировать музыку во Fish Audio?

Нет. Генерации музыкальных композиций в сервисе не существует. Это синтез и обработка речи, и ничего больше.

Ложное утверждение разошлось по русскоязычным обзорам вместе с выдуманными деталями: якобы сервис «создаёт треки в различных жанрах», принимает параметр для настройки ритмического рисунка, поддерживает флаг качества с битрейтом до 320 kbps и имеет библиотеку-клиент с методом генерации джаза на 60 секунд. Ни одного из этих параметров нет. Мы эту ошибку у себя уже исправили, и если вы пришли на статью по старому тексту — верный ответ здесь.

Для музыки нужны другие инструменты: Suno, Stable Audio, Udio. Fish Audio хорошо делает голос и берётся за него там, где генератор музыки просто не умеет — например, когда нужна конкретная реплика с заданной интонацией.

Частые вопросы

Как пользоваться Fish Audio новичку

Зарегистрироваться, выбрать голос в библиотеке, вставить текст, нажать «Создать аудио», скачать MP3. Всё в браузере, установка не нужна. Первый запуск занимает пару минут.

Есть ли Fish Audio на русском

Да. Русский язык синтеза поддерживается, у сайта есть русская версия —

fish.audio/ru

Можно ли пользоваться бесплатно

Да, на тарифе Free даётся 8 000 кредитов в месяц. Ограничение не техническое, а юридическое: результат нельзя использовать в коммерческих проектах. Для теста качества и первых проб этого достаточно.

Нужна ли регистрация

Да, для генерации нужен аккаунт. Без регистрации доступны только демонстрационные примеры на сайте. Вход — по почте или через Google.

Что делать, если не приходит письмо для входа

Проверьте папку «Спам» и попробуйте запросить письмо заново. Если аккаунт заводился через Google, отдельный пароль не нужен — входите тем же способом.

Есть ли приложение Fish Audio

Официального приложения для Windows нет. Работа идёт в браузере. Сборки из магазинов под этим названием выпущены сторонними разработчиками и к сервису не относятся.

Есть ли женский голос

Да, в библиотеке есть женские голоса, мужские, детские и персонажные. Плюс можно клонировать свой, если ни один готовый не подходит по тембру.

Можно ли использовать результат в коммерческих проектах

Только на платном тарифе. Справка сервиса говорит об этом прямо, хотя на карточке бесплатного плана стоит вводящий в заблуждение бейдж о коммерческом использовании.

Что делать, если голос звучит роботом

Скорее всего, дело в образце или в разбивке. Проверьте три вещи: нет ли в записи шума и эха, не слишком ли длинный кусок текста, стоят ли теги эмоций. Иногда помогает смена голоса из библиотеки — у популярных моделей разметка интонации отработана точнее.