Fish Audio Review 2026: Voice Cloning, kostenlose API & Preise im Test
Fish Audio im Praxis-Test: Voice Cloning aus 15 Sekunden Audio, kostenlose S2.1-Pro-API, Lip-Sync-Video mit Fish Creative, echte Preise (0–45 $/Monat) und wie es ElevenLabs schlägt.
Aktualisiert Veröffentlicht 29 Min. Lesezeit

Hinweis: Dieser Guide enthält Referral-Links. Wenn du darüber kaufst, erhalte ich möglicherweise eine Provision – ohne Mehrkosten für dich.
Ich klone meine Stimme in Fish Audio aus rund 15 Sekunden Audio und nutze sie auf YouTube. Ich bin von ElevenLabs rübergekommen, weil die Rechnung immer höher wurde und der mehrsprachige Support für meinen Mix aus Englisch und Rumänisch nicht gut genug war. Nach ein paar Wochen bin ich immer noch bei Fish Audio. Hier die ehrliche Version: was funktioniert, was holprig ist und wer es lieber lassen sollte.
Fish Audio kostenlos testenWas ist Fish Audio
Fish Audio ist eine Voice-AI-Plattform für Text-to-Speech, Voice Cloning, Speech-to-Text und eine Reihe weiterer Audio-Aufgaben – dazu kommen Bild- und Videogenerierung sowie eine gehostete Voice-Agent-Plattform obendrauf. Du kannst es ohne Code über die Web-App nutzen oder über die REST-API und das Python SDK, wenn du etwas darauf aufbauen willst.
Was meine Aufmerksamkeit erregt hat, war die Emotionssteuerung. Die meisten TTS-Tools liefern flache, monotone Ausgabe, es sei denn, du steckst Zeit in das Feintuning von SSML-Tags. Fish Audio lässt dich Textabschnitte mit Emotion-Tags wie (excited) oder (whisper) markieren, und die Stimme ändert tatsächlich die Vortragsweise. Klingt nach einer Kleinigkeit, macht aber einen echten Unterschied, wenn du ein 10-minütiges Video sprichst und sich der Ton verändern soll.

In der Bibliothek stecken über 2 Millionen von der Community hochgeladene Stimmen. Du kannst eine Stimme nehmen, die jemand anders erstellt hat, oder deine eigene aus etwa 10 bis 15 Sekunden Audio klonen. Die Klonqualität ist solide. Nicht perfekt, aber gut genug, dass meine Frau im Blindtest den Unterschied zwischen meiner echten Stimme und dem Klon in einer Video-Vertonung nicht erkennen konnte.
Die Modelle
Fish Audio betreibt drei zentrale TTS-Modelle:
- S2.1 Pro — das aktuelle Produktionsmodell. Bessere Qualität, geringere Latenz und höherer Durchsatz als die vorherige Generation. Das ist das Modell, das ich nutze.
- S2 Pro — die vorherige Generation. Immer noch solide, unterstützt Multi-Speaker und die Steuerung des Ausdrucks über natürliche Sprache.
- S1 — das ältere Modell, das klammerbasierte Emotion-Tags wie
(happy)oder(sad)nutzt.
Hier kommt der Teil, der mich überrascht hat: Sie haben S2.1 Pro für Entwickler kostenlos gemacht. Dasselbe Modell, das den Bezahltarif antreibt, kostenloser API-Zugang, 83 Sprachen, kein hartes Nutzungslimit. Du setzt einfach model: "s2.1-pro-free" in deinem API-Call und bist auf S2.1 Pro. Wenn du eine App baust oder TTS in einem Projekt testest, ist das ein gutes Angebot.
Kostenlose S2.1-Pro-API
Fish Audio hat sein bestes Modell für Entwickler kostenlos gemacht. Setze model: "s2.1-pro-free" und du bekommst dieselbe S2.1-Pro-Qualität ohne Kosten. Kein hartes Nutzungslimit. Gleicher Endpunkt wie die Bezahlversion.
Was Fish Audio wirklich gut kann
Voice Cloning ist schnell. Ich habe etwa 15 Sekunden von mir aufgenommen, wie ich einen Absatz vorlese, hochgeladen – und hatte in unter zwei Minuten einen funktionierenden Klon. ElevenLabs braucht 60 Sekunden Audio fürs Klonen, und der Klon steckt hinter dem 22-$-Monatstarif. Fish Audio macht es schneller und günstiger.

Die Emotionssteuerung funktioniert. Das Tag-System braucht etwas Eingewöhnung. Du kannst nicht einfach überall (excited) einstreuen und gute Ergebnisse erwarten. Aber sobald du herausgefunden hast, wo du die Tags platzierst, klingt die Ausgabe spürbar natürlicher als flaches TTS. Ich nutze es für YouTube-Vertonungen, und der Unterschied ist offensichtlich.
Der mehrsprachige Support ist stark. Fish Audio beherrscht 83 Sprachen. Ich habe es mit gemischtem englischem und rumänischem Content getestet, und die Aussprache war sauber. Kein roboterhafter Akzent, der durchschlägt, wie bei manch anderen Tools. Wenn du Content in mehreren Sprachen erstellst, zieht Fish Audio hier an ElevenLabs vorbei.
Die Community-Stimmbibliothek ist riesig. Zwei Millionen Stimmen bedeuten, dass du wahrscheinlich etwas findest, das nah an deinem Bedarf liegt, ohne überhaupt klonen zu müssen. Du kannst nach Sprache, Stil und Anwendungsfall suchen. Manche Community-Stimmen sind überraschend gut.
Die Preise sind fair. Der kostenlose Tarif gibt dir genug zum ausgiebigen Testen. Bezahltarife starten bei rund 15 $/Monat mit Pay-as-you-go-Abrechnung. Kein Ablauf-Kredit-Unsinn. Du zahlst, was du nutzt.
Mit Fish Audio loslegenWo es hinkt
Die Web-App kann langsam sein. Langes Audio über die Browser-Oberfläche zu generieren, dauert eine Weile. Die API ist schneller, aber wenn du ein nicht-technischer Nutzer bist, der einfach Text einfügen und Audio bekommen will, könnte die Web-Erfahrung besser sein.
Emotion-Tags haben eine Lernkurve. Die Dokumentation erklärt, welche Tags verfügbar sind, aber kaum etwas zur Platzierungsstrategie. Ich musste etwa eine Stunde experimentieren, bevor ich Ergebnisse hatte, mit denen ich zufrieden war. Ein paar Beispielskripte mit Vorher/Nachher-Audio würden helfen.
Die Qualität der Stimmbibliothek schwankt. Zwei Millionen Stimmen sind viel, und nicht alle sind gut. Suche und Filterung könnten besser sein. Ich habe mehr Zeit als gewollt damit verbracht, mich durch mittelmäßige Stimmen zu klicken, bevor ich welche fand, die mir gefielen.
Keine Desktop-App. Es gibt nur Web oder API. Wenn du eine native App für Offline-Arbeit willst, hast du Pech. Es gibt eine Mobile-App bei Google Play, die ich aber nicht getestet habe.
Fish Creative: Bild, Video und Lip-Sync
Fish Audio ist längst nicht mehr nur ein Stimmen-Tool. Sie haben Thank You AI übernommen und daraus eine neue Suite namens Fish Creative gebaut – gleiches Dashboard, gleicher Account, jetzt mit Bildgenerierung, Videogenerierung, Lip-Sync und Soundeffekten obendrauf auf dem vorhandenen TTS und Voice Cloning.
Ich habe die Video- und Lip-Sync-Seite getestet. So sieht das in der Praxis aus: Du generierst eine Stimme (oder lädst eigenes Audio hoch), wählst oder generierst das Bild eines Charakters, und Fish Creative synchronisiert die Mundbewegungen zum Audio. Das Ergebnis ist ein Talking-Head-Video, das du exportieren und direkt verwenden kannst. Kein After Effects, kein separates Lip-Sync-Tool, kein manuelles Ausrichten.
Der Lip-Sync funktioniert mit jeder Audioquelle – deiner geklonten Stimme, einer Community-Stimme oder hochgeladenem Audio. Du kannst auch Bilder aus Text-Prompts direkt in der Plattform generieren und als Basis für Lip-Sync-Videos nutzen. Der Workflow: Skript schreiben, Stimme generieren, Bild generieren oder hochladen, Lip-Sync starten, exportieren.
Ich komme immer wieder auf denselben Punkt zurück: Früher brauchte das drei oder vier getrennte Tools. HeyGen für den Avatar, ElevenLabs für die Stimme, irgendein Bild-Tool fürs Gesicht und einen Video-Editor zum Zusammennähen. Jetzt ist es ein Tab.
Die Bildgenerierung ist ordentlich – keine Midjourney-Qualität, aber gut genug für Charakterporträts und Talking-Head-Frames. Die Videogenerierung bekommt Lippen- und Kieferbewegung gut hin. Haare, Augen und Hintergrund bleiben stabil. Seltsam wird es bei extremen Kopfdrehungen oder weit aufgerissenen Gesichtsausdrücken – dasselbe Problem, das aktuell jedes Lip-Sync-Tool hat.
Wenn du Fish Audio schon für TTS nutzt, lohnt ein Blick in die Creative-Suite. Du wechselst nicht das Tool, du nutzt einfach mehr von demselben.
Fish Creative
Fish Audio enthält jetzt Bildgenerierung, Videogenerierung und Lip-Sync in der Fish-Creative-Suite. Gleicher Account, gleiches Dashboard. Der kostenlose Tarif umfasst eingeschränkten Zugang zu den Creative-Tools.
Was zuletzt neu kam
Fish Audio liefert Updates im schnellen Takt. Ein paar Neuerungen aus den letzten ein, zwei Monaten, die man kennen sollte:
Transcribe 1 Pro (Speech-to-Text). Ihre ASR hat einen Pro-Tarif für Interviews, Meetings und Podcasts bekommen. Er markiert Sprecher inline (<|speaker:0|>, <|speaker:1|>), behält Emotionshinweise wie [laughter] im Transkript, erkennt die Sprache automatisch und kann Timestamps auf Wortebene liefern. Gleicher Preis wie das Standardmodell: 0,36 $ pro Audiostunde. Vorerst nur über die API – setze den model: transcribe-1-pro-Header bei POST /v1/asr. Ein Web-App-Release ist unterwegs.
Aussprache-Wörterbücher. Wenn ein Name oder ein Akronym immer wieder falsch rauskommt, musst du nicht mehr in jedes Skript Phonem-Tags einfügen. Baue einmal ein Wörterbuch in der Web-App (oder inline im API-Request), veröffentliche es und referenziere es per ID in TTS-Calls. Englische Regeln nutzen CMU Arpabet, Chinesisch Pinyin mit Ton-Zahlen, Japanisch Romaji mit Pitch-Markierungen. Bis zu 3 Wörterbücher pro Request, je 5.000 Regeln.
Der MCP-Server kann jetzt auch Bilder und Video. Fish Audios MCP-Endpunkt (https://api.fish.audio/mcp) war früher nur Audio. Ein Agent, der über Claude, Cursor oder Codex verbunden ist, kann jetzt Stimmen suchen, TTS fahren, Dateien transkribieren und Bilder sowie Videos generieren oder bearbeiten. Er meldet sich per OAuth an, verbraucht die Paket-Credits deines Tarifs statt API-Credits und nennt vor jedem Bild- oder Video-Job einen Preis – du bestätigst die Kosten zuerst. Videogenerierung braucht einen Bezahltarif.
Voice Design ist im Web für begrenzte Zeit kostenlos. Beschreibe eine Stimme in einfachen Worten – Alter, Akzent, Ton, Tempo – und es generiert in etwa 15 Sekunden Kandidaten. Kein Audio-Sample nötig. Normalerweise kostet es 2.000 Credits pro Generierung; die API-Version (voice-design-1) bleibt mit 0,01 $ pro Request abgerechnet.
Asset Library und Avatare. Deine Uploads und generierten Dateien liegen jetzt in einer zentralen Asset Library, und du kannst einen Charakter als Avatar in Image & Video speichern, statt bei jedem Lip-Sync dasselbe Gesicht neu hochzuladen.
Noch ein Ding, das in den Docs steht: eine vollwertige Voice-Agent-Plattform – baue einen Agenten in einer Konsole mit Prompt, Stimme, Wissensbasis und Tools und deploye ihn als Web-Widget oder auf einer echten Telefonnummer mit eingehenden Anrufen, ausgehenden Anrufen und Warm-Transfers. Ich habe es noch nicht End-to-End getestet, aber es ist ein deutlich größeres Produkt als das TTS-Tool, für das ich mich ursprünglich angemeldet habe.
Fish Audio vs. ElevenLabs
Das ist der Vergleich, den die meisten wissen wollen. Ich habe beide genutzt, so stehen sie zueinander:
| Merkmal | Fish Audio | ElevenLabs |
|---|---|---|
| Benötigtes Audio fürs Voice Cloning | 10-15 Sekunden | 60+ Sekunden |
| Günstigster Tarif mit Klonen | Kostenlos / 15 $/Monat | 22 $/Monat |
| Sprachen | 83 | 32 |
| Emotionssteuerung | Tag-basiert | Begrenzt |
| Community-Stimmen | 2 Millionen+ | Große Bibliothek |
| Englische Stimmqualität | Sehr gut | Klassenbeste |
| API-Preis | 15 $/Mio. Zeichen | ~30 $/Mio. Zeichen |
| Speech-to-Text | transcribe-1 / transcribe-1-pro | Scribe |
| Kostenloser Tarif | Ja | Ja (kein Klonen) |
Bei der reinen englischen Stimmqualität hat ElevenLabs weiterhin die Nase vorn. Wenn du nur englischen Content produzierst und Budget keine Rolle spielt, ist ElevenLabs schwer zu schlagen. Aber für mehrsprachige Arbeit, Emotionssteuerung und Kosten ist Fish Audio die bessere Wahl. Die kostenlose S2.1-Pro-API macht es für Entwickler noch attraktiver.
Eine Sache sollte man wissen: ElevenLabs hat seine Nutzungsbedingungen angepasst und beansprucht unbefristete Rechte an Stimmdaten. Diese Klausel gibt es bei Fish Audio nicht. Wenn du deine eigene Stimme klonst, lies das Kleingedruckte.
Eigentum an Stimmdaten
Lies vor dem Klonen deiner Stimme auf einer beliebigen Plattform die Nutzungsbedingungen. ElevenLabs beansprucht unbefristete, lizenzgebührenfreie Rechte an Stimmdaten. Die Bedingungen von Fish Audio sind Standard. Das zählt, wenn du deine eigene Stimme kommerziell nutzt.
Preise
Fish Audio hält die Preise simpel:
| Tarif | Preis | Was du bekommst |
|---|---|---|
| Free | 0 $ | Begrenzte Generierungen, Zugang zu Community-Stimmen, kostenlose S2.1-Pro-API |
| Starter | ~15 $/Monat | Mehr Generierungen, Voice Cloning, priorisierte Verarbeitung |
| Pro | ~45 $/Monat | Höhere Limits, kommerzielle Rechte, schnellere Verarbeitung |
| Enterprise | Individuell | Dedizierter Support, SLA, individuelle Integrationen |
Der kostenlose Tarif reicht, um Voice Cloning zu testen und ein paar Audioclips zu generieren. Wenn du regelmäßig Content produzierst, deckt der Starter-Tarif die meisten Anwendungsfälle ab. Durch das Pay-as-you-go-Modell verfallen deine Credits am Monatsende nicht.
Für Entwickler ist die kostenlose S2.1-Pro-API schwer zu schlagen. Gleiche Modellqualität wie im Bezahltarif, kein hartes Nutzungslimit. Wenn du ein Produkt baust, das TTS braucht, fang hier an.
So legst du los
- Geh zu Fish Audio und erstelle einen kostenlosen Account
- Wähl eine Stimme aus der Community-Bibliothek oder klone deine eigene
- Füg deinen Text ein, setz wo nötig Emotionen und generiere
- Lade das Audio herunter oder nutz die API in deinem Projekt
Fürs Voice Cloning nimm dich selbst auf, wie du etwa 15 Sekunden lang deutlich einen Absatz vorliest. Lade das Audio hoch, warte ein, zwei Minuten, und dein Klon ist fertig. Teste ihn mit ein paar verschiedenen Skripten, bevor du einen Bezahltarif abschließt.
Wenn du die API nutzen willst, deckt die Dokumentation unter docs.fish.audio das Python SDK und die REST-Endpunkte ab. Das Modell s2.1-pro-free ist ein guter Einstieg.
Wie funktioniert Voice Cloning?
Fish Audio analysiert einen kurzen Audioclip (10-15 Sekunden), um deine Stimmmerkmale zu erfassen: Tonlage, Pitch, Sprechstil und Rhythmus. Daraus baut es ein Modell, das aus jeder beliebigen Texteingabe Sprache in deiner Stimme erzeugen kann. Der Klon kann in 83 Sprachen sprechen, wobei die Qualität je nach Sprache variiert.
Ist Fish Audio kostenlos?
Ja, es gibt einen kostenlosen Tarif mit begrenzten Generierungen und Zugang zu Community-Stimmen. Die S2.1-Pro-API ist für Entwickler ebenfalls kostenlos, ohne hartes Nutzungslimit. Bezahltarife starten bei rund 15 $/Monat für höhere Limits und Voice-Cloning-Features.
Ist Fish Audio sicher?
Fish Audio nutzt Standard-Verschlüsselung und beansprucht keine unbefristeten Rechte an deinen Stimmdaten (anders als manche Konkurrenten). Trotzdem: Lies die Nutzungsbedingungen, bevor du sensible Audiodateien hochlädst. Für die kommerzielle Nutzung geklonter Stimmen enthalten die Bezahltarife die passende Lizenzierung.
Fish Audio oder ElevenLabs: was soll ich nehmen?
Fish Audio ist besser für mehrsprachigen Content, Emotionssteuerung und budgetbewusste Projekte. ElevenLabs liegt bei der reinen englischen Stimmqualität vorn. Wenn du Content in mehreren Sprachen erstellst oder die kostenlose API willst, nimm Fish Audio. Wenn du nur englische Vertonungen machst und die absolut beste Qualität willst, ist ElevenLabs den Aufpreis wert.
Für wen Fish Audio passt
Content Creators, die Videos, Podcasts oder Hörbücher in mehreren Sprachen produzieren. Die Emotion-Tags lassen Vertonungen weniger roboterhaft klingen, und die Preise ruinieren dein Budget nicht. Wenn du zusätzlich Talking-Head-Videos oder lip-gesynchte Avatare brauchst, erledigt das die Fish-Creative-Suite, ohne die Plattform zu verlassen.
Entwickler, die Apps mit TTS bauen. Die kostenlose S2.1-Pro-API ist großzügig und die Dokumentation ordentlich. Python SDK und REST-Endpunkte sind beide verfügbar, und der MCP-Server deckt Transkription plus Bild- und Videogenerierung ab, wenn ein Agent das Ganze steuern soll.
Teams, die eine konsistente Markenstimme über ihren Content hinweg brauchen. Einmal eine Stimme klonen, überall nutzen. Der mehrsprachige Support heißt: Du kannst lokalisieren, ohne für jede Sprache Sprecher zu engagieren.
Alle, die KI-Stimmen-Tools testen. Der kostenlose Tarif reicht, um ein echtes Gefühl für die Plattform zu bekommen, bevor Geld fließt.
Wer woanders schauen sollte
Wenn du nur englischen Content produzierst und die absolut höchste Stimmqualität willst, ist ElevenLabs weiterhin die Referenz. Wenn du eine Desktop-App für Offline-Arbeit brauchst, hat Fish Audio keine. Und wenn du ein Tool willst, das ohne Experimentieren direkt perfekt läuft, wird dich das Emotion-Tag-System anfangs frustrieren.
Fazit
Ich kam wegen des günstigeren Klonens und blieb wegen der Emotion-Tags und der kostenlosen API. Die Klonqualität reicht für YouTube. Die Web-App ist immer noch langsamer, als sie sein sollte, die Bibliothekssuche ist unübersichtlich, und die Tags brauchen Übung. Für meinen Anwendungsfall überwiegt nichts davon den Preis- und Mehrsprachigkeitsvorteil.
Die Fish-Creative-Suite hat mich kalt erwischt. Bildgenerierung, Video, Lip-Sync – alles im selben Dashboard, das ich ohnehin für TTS nutze. Für einen Talking-Head-Clip brauchte ich früher HeyGen plus ElevenLabs plus einen Video-Editor. Jetzt geht es in einem Tab. Der Lip-Sync ist bei extremen Kopfbewegungen nicht perfekt, aber für frontal aufgenommene Talking-Heads hält er stand. Wenn du schon für Fish Audio zahlst, teste die Creative-Tools, bevor du einen separaten Lip-Sync-Dienst bezahlst.
Lust, es auszuprobieren? Kostenloser Tarif, 15 Sekunden Audio, etwa zwei Minuten Wartezeit. Wenn du Alternativen vergleichst: Ich habe außerdem Fish Audio vs. ElevenLabs und einen Fish-Audio-vs.-MiniMax-Vergleich geschrieben.
Fish Audio kostenlos testenVerwandt
Wenn du TTS-Skripte lokal bauen willst, schau dir Text-to-Speech mit uv: Audio aus Text in Python erzeugen an – ein Guide für TTS von der Kommandozeile.
Verwandte Artikel
- Fish Audio Bild- & Videogenerierung: Lip-Sync, Creative Suite — der komplette Fish-Creative-Walkthrough: Bilder, Video, Lip-Sync
- Voice-Cloning-TTS mit Fish Audio in Mastra einbauen —
fish_ttsfür Video-Vertonung in Mastra-Agents verdrahten - Fish Audio vs. ElevenLabs 2026 — Qualität, Klonen und echte Jahreskosten im Direktvergleich
- Deine Stimme mit Fish Audio in 2 Minuten klonen — Walkthrough mit Screenshots und Aufnahme-Tipps
- Fish Audio vs. MiniMax im Vergleich — englische vs. chinesische Qualität, Preise, kostenlose API
- HyperFrames Studio im Review — einen Fish-Audio-Skill in HyperFrames Studio für vertonte Shorts nutzen
Hat diese Anleitung bei dir funktioniert?
Brauchst du Hilfe bei Astro, VPS oder einer Self-hosted-App? Services ansehen →


