fish.audio TTS
.env に FISH_AUDIO_API_KEY が必要です(https://fish.audio/go-api/api-keys/ で作成)。
fish.audio プレイグラウンドで音声モデルを作成し、その ID を reference_id として渡すと、クローンした声を再利用できます。
現在の API
生のオーディオバイトを返す単一の同期的呼び出し:
POST https://api.fish.audio/v1/tts
Authorization: Bearer ${FISH_AUDIO_API_KEY}
Content-Type: application/json
model: <バックエンドモデル> # HTTP ヘッダーでバックエンドを選択 (例: s1)
バックエンドモデルは、ボディフィールドではなく model HTTP ヘッダーで選択されます。OpenMontage では、これはツールの model 入力にマッピングされます。
バックエンドモデル
model は必須です — デフォルトはありません。以下のいずれかを指定します:
s2.1-pro— 最新世代。最高品質: インライン感情タグ、80以上の言語、マルチスピーカーに対応。本番ナレーション向け。s2.1-pro-free— プロモーション向け s2.1-pro の無料アクセス。プロモーション期間中のみ、下書き、サンプル、検証実行が $0。詳細は fish.audio のお知らせ: 2026年8月31日まで無料、フェアユースの対象、SLA/レイテンシ保証なし、リクエストが保持される可能性あり、商用利用は制限されます。本番やクライアントのナレーションには絶対に使用しないでください。s2-pro— 最初の S2 世代。安定した高品質で感情タグをサポート。s1— 以前のフラッグシップ。既存の統合との互換性のために維持。
課金は入力テキストの UTF-8 バイト単位(文字数ではありません)。CJK テキストと絵文字は、同じ表示長の ASCII 文字の 3〜4 倍のコストがかかります。現在のリスト価格: s1 / s2-pro / s2.1-pro = 100万バイトあたり $15、s2.1-pro-free = プロモーション期間中のみ $0(ツールの estimate_cost() は 2026年8月31日以降、有料の s2.1-pro レートに切り替わります)。大規模バッチの前に、https://docs.fish.audio/developer-guide/models-pricing/pricing-and-rate-limits で現在の料金を確認してください。
インライン感情タグ(S2 モデルのみ)
s2-pro / s2.1-pro / s2.1-pro-free は、テキストに埋め込まれたインライン感情タグを解釈します:
[laugh]、[whispers]などのタグで、文の途中で表現が変わります。- 例:
"That's hilarious [laugh] but let me explain seriously." s1は感情タグを解釈しません — タグがそのまま読み上げられる可能性があるため、s1 をターゲットにする場合はタグを削除してください。
音声選択(reference_id)
- fish.audio プレイグラウンドで音声を作成または選択し、そのモデル ID をコピーします。
- それを
reference_idとして渡します。セレクターの一般的なvoice_idは、reference_idがない場合のエイリアスとして受け入れられます。 reference_idがない場合、fish.audio は選択されたモデルのデフォルト音声を使用します。
インラインでのその場でのクローニング(リクエストごとに参照音声とテキストをアップロード)は、このツールではサポートされていません — 最初にプレイグラウンドで音声モデルを作成してください。
OpenMontage での使用法
TTS セレクターを使用して生成:
from tools.audio.tts_selector import TTSSelector
result = TTSSelector().execute({
"preferred_provider": "fish_audio",
"text": "Here's why compound interest quietly beats every get-rich-quick scheme.",
"model": "s1",
"reference_id": "<playground voice model id>",
"output_path": "projects/my-video/assets/audio/narration.mp3",
})
またはプロバイダを直接呼び出し:
from tools.audio.fish_audio_tts import FishAudioTTS
result = FishAudioTTS().execute({
"text": "Short sample line for approval.",
"model": "s1",
"reference_id": "<playground voice model id>",
"output_path": "projects/my-video/assets/audio/fish_sample.mp3",
})
プロバイダは output_path に音声を書き込み、data.output と解決された model および reference_id を返します。
品質とレイテンシの調整
latency:normal(デフォルト、最高品質)、balanced(少し高速)、low(最速、品質が若干低下)。normalize: デフォルトtrue。数値、日付、通貨が自然に読まれるように、オンにしたままにします。prosody: オプションの{ "speed": 1.0, "volume": 0 }でペース/音量を調整。mp3_bitrate:128が適切なデフォルト。音楽が混在するミックスには192に上げます。temperature: デフォルト0.7。より表現豊かな読み上げには0.9に近づけることを推奨(感情タグに依存する場合に推奨)。下げるとより安定した予測可能な配信になります。top_p/repetition_penalty: 通常はデフォルト(0.7/1.2)のままにします。
推奨ワークフロー
- 本番ナレーションの前に、選択した
model+reference_idで 10〜15 秒のサンプルを生成します。 - ユーザーに音声の自然さ、感情、ペースを承認してもらいます。
- 承認後にのみ完全なナレーションを生成します。
- コストが重要なバッチ/ローカリゼーションバリアントの場合は、
s2.1-pro-free(プロモーション期間中 $0。非商用の下書きのみ)でプロトタイプを作成し、最終版をs2.1-proにアップグレードします。
トラブルシューティング
401 Unauthorized:FISH_AUDIO_API_KEYが間違っているか欠落しています。402/ 支払いエラー: アカウントのクレジットが不足しています。404/ 無効な音声:reference_idが間違っているか、このアカウントが所有していません。- 空/短い音声:
textが空でないこと、normalizeが入力をすべて削除していないことを確認します。
安全性
API キーをログ、メタデータ、パッチ、プロジェクト成果物に印刷したり書き込んだりしないでください。.env.example には空の変数名のみを含めてください。