Весело
Весело

Fish Audio голос S2.1 Pro по API

Fish Audio S2.1 Pro, или «фиш аудио», как её часто пишут по-русски, — основная модель озвучки Fish Audio, которую компания советует для работы. Эмоции ей описывают своими словами в квадратных скобках, например [warm and happy], а языков у неё 83, русский среди них. Голоса у нас только официальные. Цена — 3,36 ₽ за 1000 букв кириллицы.

  • 3,36 ₽ за 1000 букв кириллицы
  • до 4 096 знаков
  • текст → звук

fishaudio/s2.1-pro

Обновлено:

Получить ключ Попробовать Документация

Попробовать Fish Audio S2.1 Pro

Отправь текст — модель вернёт его голосом. Запрос оплачивается с API-счёта по цене на кнопке, бесплатных проб нет; ошибка нейросети денег не стоит.

Текст для озвучки: «[warm and happy] Привет! Это голос для твоего ролика. [whispering] А теперь секрет: его сделала нейросеть.»

В ответ приходит сам звук, по умолчанию MP3; цена — в заголовке x-veselo-cost-rub.

Цены Fish Audio S2.1 Pro в рублях

Текст — латиница, цифры и пробелы — вдвое дешевле3,36 ₽ за 1000 букв кириллицы

Запрос, который закончился ошибкой, денег не стоит. Кэшбэк — до 5% от расхода за месяц. Как считается цена

Сколько стоят типичные задачи

Суммы посчитаны по цене выше — сколько спишется за такую работу.

Закадровый голос для ролика в соцсетях: ролик на 400 знаков по-русскиОколо 1,35 ₽
Медитации и дыхательные практики: практика на 1 500 знаков по-русскиОколо 5,04 ₽
Объясняющий ролик или урок: урок на 2 000 знаков по-русскиОколо 6,72 ₽
Рекламный ролик с энергией: реклама на 300 знаков по-русскиОколо 1,01 ₽
Голос тренера в фитнес-приложении: сорок команд по 60 знаков по-русскиОколо 8,07 ₽

Что умеет Fish Audio S2.1 Pro

  • Говорит на 83 языках и определяет язык по самому тексту, без настроек (модели Fish Audio).
  • Эмоции и манера пишутся свободными словами в квадратных скобках: [happy], [whispering], [in a hurry tone], [slightly sad]. Закрытого списка нет.
  • Звуки и паузы тоже ставятся тегами: [laughing], [sighing], [gasping], [clear throat], [break] и [long-break].
  • Fish советует одну главную эмоцию на предложение и не больше трёх вместе (эмоции в Fish Audio).
  • Голоса — официальные голоса Fish, среди них Adrian, Ethan, Hannah, Jordan, Laura, Sarah и Selene. Записаны они по-английски, а говорят на всех языках модели.
  • Текст до 4 096 знаков за раз; звук отдаётся в MP3, WAV, Opus или PCM.

Где применять

Закадровый голос для ролика в соцсетях

Ролику для Reels или YouTube нужен голос, который звучит по-человечески и не надоедает к десятому выпуску. S2.1 Pro читает русский текст и берёт эмоцию из слов в скобках: [warm and happy] в начале задаёт тёплый тон, [whispering] перед секретом понижает голос. Тег для всей фразы Fish советует ставить в начало предложения. Для разговорного ролика подойдёт мягкая Sarah, для рассказа — тёплая Laura.

Пример запроса: «[warm and happy] Сегодня покажу, как за десять минут собрать завтраки на всю неделю. [whispering] Спойлер: духовка не понадобится.»

Стоимость: ролик на 400 знаков по-русски — около 1,35 ₽.

Медитации и дыхательные практики

Медитации нужен голос, который не торопит. Selene в каталоге Fish так и описана: спокойный голос для медитаций, с придыханием. Паузы для вдоха и выдоха ставь тегом [long-break], короткие — тегом [break], а тон задай в начале словами [calm] или [soft tone]. Длинную практику дели на части до 4 096 знаков и склеивай в приложении, тогда паузы между частями можно растянуть под ритм дыхания.

Пример запроса: «[calm] Устройся удобно и закрой глаза. [long-break] Медленный вдох… [break] и такой же медленный выдох.»

Стоимость: практика на 1 500 знаков по-русски — около 5,04 ₽.

Объясняющий ролик или урок

Для объяснялок у Fish есть Ethan, любознательный рассказчик с документальной подачей. Главное слово урока выделяй тегом [emphasis] прямо перед ним: так Fish показывает ударение в своих примерах. Определения и формулы пиши так, как их надо произнести, а не символами. Если урок длинный, держи один голос на всю серию, чтобы ученики узнавали его с первых слов. Примеры и задачи выноси в отдельные абзацы: после них голосу проще сделать паузу.

Пример запроса: «Почему небо голубое? [emphasis] Свет рассеивается в воздухе, и синие лучи разлетаются сильнее остальных.»

Стоимость: урок на 2 000 знаков по-русски — около 6,72 ₽.

Рекламный ролик с энергией

Рекламе нужна энергия, но без крика. В Fish силу эмоции можно уточнить словом: [slightly excited] для спокойного анонса, [very excited] для распродажи, [extremely angry] даже для шуточного антигероя. Hannah в каталоге Fish отмечена как уверенный голос для рекламы и фитнеса. Сделай два-три варианта с разной силой эмоции и выбери тот, что звучит честнее. Название бренда и адрес оставь в конце без тегов, ровным голосом, чтобы их запомнили.

Пример запроса: «[very excited] Новая коллекция уже в магазине! [happy] Приходи примерить до конца недели.»

Стоимость: реклама на 300 знаков по-русски — около 1,01 ₽.

Голос тренера в фитнес-приложении

Тренировке нужны короткие бодрые команды и живое дыхание между ними. Jordan у Fish описан как мотивирующий спикер, тег [determined] добавляет напора, а [panting] вставляет тяжёлое дыхание прямо в речь. Fish советует добавлять после такого звука подходящий текст, например «ух», тогда он звучит естественнее. Команды тренировки повторяются, поэтому озвучь их один раз и собирай занятия из готовых файлов. Новые запросы понадобятся только для того, что меняется: имени, числа повторов, названия упражнения.

Пример запроса: «[determined] Ещё десять секунд! Не опускай руки. [panting] Ух… Отлично, отдых.»

Стоимость: сорок команд по 60 знаков по-русски — около 8,07 ₽.

Английская версия ролика для зарубежных зрителей

Официальные голоса Fish записаны по-английски, поэтому английская версия ролика звучит у них естественно. Сценарий переводит языковая модель, S2.1 Pro озвучивает перевод голосом Adrian или Laura. Английский текст к тому же вдвое дешевле русского: Fish считает байты, и латиница идёт за полцены. Теги эмоций работают так же, как в русском тексте. Перед публикацией дай английский текст прочитать носителю языка или хотя бы прогони перевод обратно на русский, чтобы поймать смысловые ошибки.

Пример запроса: «[warm] Hi there! In this video I'll show you three ways to fold a shirt in under ten seconds.»

Стоимость: ролик на 1 000 знаков по-английски — около 1,68 ₽.

Как писать запрос

Эмоцию для всего предложения ставь в его начало, а описательную можно и внутрь фразы: «What a [warm and happy] wonderful day!». Одна главная эмоция на предложение работает спокойнее, чем три спорящих. Описания в скобках держи короткими, противоположные эмоции не смешивай. Короткий текст не перегружай тегами: в двух фразах хватит одного.

Характеристики

РазработчикFish Audio
ВидОзвучка текста
ГолосаAdrian, Ethan, Hannah, Jordan, Laura, Sarah и ещё 1
Языкиen
Текст за запросдо 4 096 знаков
Форматы звукаmp3, opus, wav, pcm
Как считается текстЦена — за 1000 букв кириллицы. Латиница, цифры, пробелы и знаки препинания стоят вдвое дешевле: модель считает текст в байтах.
id для запросаfishaudio/s2.1-pro

Как подключить

Вместо sk-vsl-ТВОЙ_КЛЮЧ — ключ из кабинета. Ответ придёт в формате OpenAI.

Запрос — POST https://veselo.ai/v1/audio/speech с полем model: fishaudio/s2.1-pro, ключ — в заголовке Authorization: Bearer sk-vsl-….

curl

curl https://veselo.ai/v1/audio/speech \
  -H "Authorization: Bearer sk-vsl-ТВОЙ_КЛЮЧ" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "fishaudio/s2.1-pro",
    "voice": "bf322df2096a46f18c579d0baa36f41d",
    "input": "Добрый вечер! Сегодня в программе — хорошие новости."
  }' \
  --output speech.mp3

Python

from openai import OpenAI  # pip install openai

client = OpenAI(base_url="https://veselo.ai/v1", api_key="sk-vsl-ТВОЙ_КЛЮЧ", timeout=600.0, max_retries=0)

with client.audio.speech.with_streaming_response.create(
    model="fishaudio/s2.1-pro",
    voice="bf322df2096a46f18c579d0baa36f41d",
    input="Добрый вечер! Сегодня в программе — хорошие новости.",
) as r:
    r.stream_to_file("speech.mp3")

JavaScript

import fs from 'node:fs';

const res = await fetch('https://veselo.ai/v1/audio/speech', {
  method: 'POST',
  headers: { Authorization: 'Bearer sk-vsl-ТВОЙ_КЛЮЧ', 'Content-Type': 'application/json' },
  body: JSON.stringify({ model: 'fishaudio/s2.1-pro', voice: 'bf322df2096a46f18c579d0baa36f41d', input: 'Добрый вечер! Сегодня в программе — хорошие новости.' }),
  signal: AbortSignal.timeout(600_000),
});
if (!res.ok) throw new Error((await res.json()).error.message);
fs.writeFileSync('speech.mp3', Buffer.from(await res.arrayBuffer()));

Пример ответа — только поля

HTTP/1.1 200 OK
Content-Type: audio/mpeg
x-veselo-cost-rub: …

<звук MP3>

В программах: тем же ключом — из любого кода, а без ключа Claude, ChatGPT и Cursor зовут модель по MCP: вход на сайте и кнопка «Разрешить». MCP

Документация раздела

Сравнение с похожими

МодельЦенаГлавноеКогда выбрать
Fish Audio S2.1 Pro — эта модель3,36 ₽ / 1000 букв кириллицыдо 4 096 знаковживая озвучка роликов и уроков с эмоциями, описанными своими словами
Fish Audio S2 Pro — Fish Audio3,36 ₽ / 1000 букв кириллицыдо 4 096 знаковровный закадровый голос для объявлений, документальных роликов и презентаций
Eleven v3 — ElevenLabs11,18 ₽ / 1000 знаковдо 4 096 знаковигровая озвучка роликов, рекламы и скетчей со смехом, шёпотом и звуками
MiniMax Speech 2.8 HD — MiniMax11,18 ₽ / 1000 знаковдо 4 096 знаковаудиогиды, курсы и реклама, где качество голоса важнее цены за знак
Inworld TTS-2 — Inworld AI2,80 ₽ / 1000 знаковдо 2 000 знаковрусская озвучка с указаниями подачи прямо в тексте: приложения, игры, сказки
Soniox TTS v2 — Soniox1,58 ₽ / 1000 знаковдо 4 096 знаководин голос на многих языках и эмоции метками в тексте, русский есть
  • Fish Audio S2 Pro — если проект уже настроен на S2 Pro и звук менять не хочется.
  • Eleven v3 — когда нужны звуки вроде аплодисментов и большой выбор официальных голосов.
  • MiniMax Speech 2.8 HD — если нужен голос, записанный именно для русского.
  • Inworld TTS-2 — когда нужны голоса с русскими именами: Алёна, Дмитрий, Светлана и другие.
  • Soniox TTS v2 — если важна цена русского текста, а эмоциям хватит английских тегов вроде [warm].

Версии и отличия

  • Fish Audio S2 Pro — прошлое поколение S2: тот же синтаксис скобок, больше 80 языков. Для работы Fish теперь советует S2.1 Pro.
  • Fish Audio S1 (fishaudio/s1) — старая модель с эмоциями в круглых скобках. Fish снимает её 31 декабря 2026 года, после этого запросы к S1 обслуживает S2.1 Pro. Теги из круглых скобок придётся переписать в квадратные: сами они не переводятся.
  • Fish Audio Drama 3 — модель для режиссуры: указания актёру, звуки и выделение отдельных слов.

Подробно о Fish Audio S2.1 Pro

S2.1 Pro — основная модель озвучки Fish Audio и доработанная версия S2 Pro. По словам компании, у неё выше качество, ниже задержка и больше пропускная способность, а языков стало 83. Fish советует её для рабочих проектов.

Главное в семье S2 — как устроены эмоции. Слова в квадратных скобках для модели не команды из списка, а обычный текст. Fish объясняет это так: на огромном объёме записей модель выучила, как описание вроде «шепчет нежно» или «нервно смеётся» звучит на деле. Поэтому в скобки можно писать что угодно в пределах здравого смысла: [whispers sweetly], [laughing nervously], [in a hurry tone]. Силу эмоции задают уточнения [slightly], [very], [extremely], а несколько тегов подряд складываются: [sad][whispering].

Язык S2.1 Pro определяет без подсказки, отдельно для каждого куска текста, поэтому смешанный текст с английскими словами в русской фразе не требует настроек. У самой Fish модель умеет и диалог нескольких голосов в одном запросе. Через наш API один запрос — это один голос, и сцену с несколькими героями удобно собирать из отдельных реплик.

С голосами у Fish особая история. В общей библиотеке тысячи голосов, их загружали пользователи, и среди них встречаются подделки под известных людей. Мы даём только официальные голоса Fish: Adrian, Ethan, Hannah, Jordan, Laura, Sarah, Selene и другие, отобранные вручную. Все они записаны по-английски, а говорят на любом языке модели.

Ещё одна особенность — счёт. Fish меряет текст не знаками, а байтами UTF-8, где кириллица весит вдвое больше латиницы. Поэтому цена у нас — за тысячу букв кириллицы, а латиница, цифры и пробелы считаются за полбуквы. Строки «Стоимость» на этой странице посчитаны по знакам с небольшим запасом: пробелы в них взяты по полной цене.

Прошлая модель Fish, S1, уходит 31 декабря 2026 года: после этой даты её запросы обслуживает S2.1 Pro. Если у тебя тексты с тегами в круглых скобках, вроде (happy), перепиши их в квадратные заранее.

Как устроен доступ

Весело — не разработчик Fish Audio S2.1 Pro: модель выпускает Fish Audio. Мы даём к ней доступ по API — один ключ на все модели, оплата в рублях с API-счёта, а цена каждого ответа видна в самом ответе. Запрос, который закончился ошибкой, денег не стоит. Что мы храним о запросах и сколько — в разделе «Данные и приватность» документации. Данные и приватность

Вопросы и ответы

Есть ли в Fish Audio голоса знаменитостей?
Не у нас. В общей библиотеке Fish Audio много голосов от пользователей, и среди них встречаются подделки под известных людей. Через наш API доступны только официальные голоса Fish: подделка чужого голоса без согласия — это дипфейк, и таких голосов мы не даём ни в одной модели.
Говорит ли Fish Audio S2.1 Pro по-русски?
Да, русский входит в 83 языка модели, и язык она определяет по самому тексту. Официальные голоса Fish записаны по-английски, поэтому манера и акцент зависят от голоса: прослушай два-три на своей фразе в блоке «Попробовать».
Как задать эмоцию в фиш аудио S2.1 Pro?
Напиши её словами в квадратных скобках перед предложением: [happy], [whispering], [in a hurry tone]. Силу можно уточнить: [slightly sad], [very excited]. Теги можно ставить подряд, например [sad][whispering], но Fish советует не больше трёх эмоций на предложение.
Почему русский текст в Fish Audio стоит дороже английского?
Fish считает объём текста в байтах UTF-8, а не в буквах: латинская буква занимает один байт, кириллическая — два. Поэтому цена модели — 3,36 ₽ за 1000 букв кириллицы, а латиница, цифры и пробелы стоят вдвое дешевле, и русская фраза обходится примерно вдвое дороже английской той же длины.
Какие голоса Fish Audio доступны по API?
Официальные: Adrian — спокойный рассказчик, Ethan — любознательный объясняльщик, Hannah — уверенный голос для рекламы, Jordan — мотивирующий спикер, Laura — тёплая рассказчица, Sarah — мягкий разговорный голос, Selene — голос для медитаций. Полный список с id отдаёт /v1/audio/voices?model=fishaudio/s2.1-pro.
Чем Fish Audio S2.1 Pro отличается от S2 Pro?
Fish называет S2.1 Pro доработанной версией S2 Pro: выше качество, ниже задержка, больше пропускная способность, а языков 83 против 80 с лишним. Синтаксис эмоций у них общий, поэтому тексты с тегами переносятся без правок.
Сколько запросов можно отправлять?
До 60 запросов в минуту и до 10 одновременно на один ключ, ключей у аккаунта — до 20. Сверх лимита придёт ответ 429 с заголовком Retry-After: через столько секунд можно повторить.
Можно ли использовать результат в рекламе и соцсетях?
Можно: мы не претендуем на результат, использовать его можно любым законным способом, не нарушая прав других людей. Только не выдавай его за голос, лицо или слова настоящего человека — так требуют правила API.
Нужны ли VPN и зарубежная карта для Fish Audio S2.1 Pro?
Нет. Запросы идут на https://veselo.ai/v1, а API-счёт пополняется в рублях — картой российского банка или по СБП.

Ещё по теме

Факты сверены 16 ноября 2026 по документации: docs.fish.audio