Generación de Imágenes y Vídeo de Fish Audio: Lip-Sync y Fish Creative 2026

Fish Audio era una herramienta de voz. Texto a voz, clonación de voz, quizá efectos de sonido si te ponías a buscar. Luego compraron Thank You AI y ahora la misma cuenta que clona tu voz también genera imágenes, crea vídeos y sincroniza los labios de una cabeza parlante con tu audio. Lo llaman Fish Creative.

Llevo un tiempo usando Fish Audio para TTS en YouTube. Cuando salió la suite creativa, me pasé un fin de semana probándola. Parte me sorprendió. Parte no. Esto es lo que encontré.

Prueba Fish Audio Gratis

Qué incluye Fish Creative

Fish Creative no es un producto aparte. Vive dentro de tu cuenta de Fish Audio existente. Cuando inicias sesión, tienes acceso a:

• Texto a voz — el modelo S2.1 Pro con etiquetas de emoción, 83 idiomas, más de 2M de voces de la comunidad
• Clonación de voz — 10-15 segundos de audio, unos dos minutos para clonar
• Generación de imágenes — texto a imagen para retratos de personajes, fondos y escenas
• Generación de vídeo — convierte imágenes o prompts de texto en clips de vídeo cortos
• Lip-sync — sincroniza cualquier audio con una imagen o vídeo de un rostro, produciendo un clip de cabeza parlante
• Efectos de sonido y música — genera recursos de audio a partir de prompts de texto
• Cambiador de voz — transforma audio existente en una voz diferente
• Story Studio — producción de audio de larga duración con varios locutores para audiolibros y narración
• Asset Library — cada subida y generación acaba aquí, reutilizable entre herramientas sin volver a subirla
• Avatares — guarda un personaje como avatar persistente dentro de Image & Video para trabajos repetidos de lip-sync

La parte de voz ya la cubrí en mi reseña de Fish Audio. Este artículo se centra en las herramientas visuales: generación de imágenes, generación de vídeo y lip-sync.

Generación de imágenes

El generador de imágenes dentro de Fish Creative produce retratos de personajes y escenas a partir de prompts de texto. No intenta competir con Midjourney o Flux en calidad artística — las imágenes están pensadas para usarse como objetivos de lip-sync y fotogramas de vídeo.

Lo que noté tras generar unas 50 imágenes:

Los retratos de frente funcionan bien. Si necesitas un rostro mirando a cámara, el generador produce resultados limpios y consistentes. La textura de la piel, la iluminación y las proporciones faciales son sólidas. Estas son las imágenes que mejor funcionan como entrada del pipeline de lip-sync.

Los cuerpos enteros y las poses de acción son una lotería. Las manos siguen saliendo raras y las poses complejas a veces producen extremidades distorsionadas. El mismo problema que tiene cualquier generador de imágenes, pero Fish Creative tampoco lo ha resuelto.

El control de estilo es limitado. Puedes describir lo que quieres, pero no hay selector de estilo, ni prompts negativos, ni un selector de relación de aspecto visible en la UI (que yo haya encontrado). Obtienes lo que el modelo te da. Para trabajo de producción donde necesitas un estilo concreto, quizá siga mereciendo la pena generar la imagen en Flux o Midjourney y subirla a Fish Creative para el paso de lip-sync.

La velocidad es decente. Una sola imagen tarda entre 10 y 20 segundos. No es instantáneo, tampoco es frustrante. También hay una opción de escalado Topaz HD para imágenes individuales cuando quieres más detalle de una generación.

Mi opinión honesta: el generador de imágenes es suficiente para fotogramas de cabeza parlante. Si lo que importa es el rostro y el fondo es secundario, cumple. Si necesitas una ilustración pulida y estilizada, genérala en otra parte y tráela aquí.

Generación de vídeo

Fish Creative puede generar clips de vídeo cortos a partir de prompts de texto o de una imagen de referencia. La generación de vídeo es donde más se nota la integración de Thank You AI — era su producto principal antes de la adquisición.

Lo que puedes hacer:

• Texto a vídeo: describe una escena y obtén un clip corto (unos segundos)
• Imagen a vídeo: sube una imagen fija y anímala en un vídeo
• Vídeo con lip-sync: toma una imagen con un rostro, sincronízala con audio y obtén un vídeo de cabeza parlante

La generación de vídeo general (texto a vídeo, imagen a vídeo) produce clips cortos — piensa en 3 a 6 segundos. La calidad está a la par con otras herramientas de vídeo IA de gama media. El movimiento es fluido en escenas simples (una persona girando la cabeza, una bandera ondeando) pero se vuelve entrecortado con movimientos complejos.

Para el tipo de contenido que hago — narraciones de YouTube, clips explicativos — el pipeline de lip-sync es el verdadero atractivo. Rara vez necesito un vídeo generado de un zorro corriendo por un bosque. Necesito un rostro que hable.

Lip-sync

Esta es la función que más me interesaba y la que más probé. Lip-sync toma una imagen de un rostro y un clip de audio, y produce un vídeo donde la boca se mueve en sincronía con el audio.

Cómo funciona en la práctica:

1. Genera o sube una imagen de rostro (de frente funciona mejor)
2. Genera o sube tu audio (TTS, voz clonada o audio grabado)
3. Pulsa lip-sync
4. Espera — tarda entre unos 30 segundos y un par de minutos según la duración del audio
5. Descarga el vídeo

Lo que funciona:

• El movimiento de la boca sigue bien el audio. La mandíbula, los labios y la lengua se ven naturales en habla normal.
• El rostro se mantiene estable. Sin parpadeos, sin deriva del fondo, sin cambios repentinos de cara.
• Funciona con cualquier fuente de audio — tu voz clonada, una voz de la comunidad, grabaciones subidas, incluso música (aunque con música el resultado es más entretenido que útil).
• El contenido de cabeza parlante de frente se ve lo bastante profesional para YouTube, redes sociales y presentaciones.

Lo que está verde:

• Los ángulos extremos de la cabeza producen artefactos. Si el rostro de tu imagen está girado más de unos 30 grados, el lip-sync empieza a verse raro.
• Las expresiones muy abiertas (gritos, risas grandes) a veces distorsionan la mandíbula o las mejillas.
• El vídeo generado es corto — limitado por la duración del audio, y hay un techo práctico alrededor de 1-2 minutos por clip.
• Sin animación de cuerpo. Solo se mueve el rostro. Si necesitas gestos de manos o asentimientos de cabeza, necesitas otra herramienta.

Comparado con HeyGen:

HeyGen es la herramienta que la mayoría conoce para vídeos de cabezas parlantes con IA. He usado ambas. HeyGen tiene mejor animación corporal, más opciones de avatares y un editor más pulido. Pero HeyGen empieza en $24/mes y cobra por minuto de vídeo. Fish Creative está incluido en tu cuenta de Fish Audio, y el lip-sync funciona con cualquier imagen de rostro que traigas — no solo con sus avatares predefinidos.

Si necesitas una cabeza parlante pulida, de estilo corporativo, con movimiento de cuerpo completo, HeyGen sigue siendo mejor. Si necesitas un rostro que hable a juego con tu audio TTS y lo quieres barato, Fish Creative cumple.

Asset Library y avatares

Dos adiciones discretas que importan más de lo que parece. Todo lo que subes o generas ahora acaba en la Asset Library — fotos de referencia, retratos generados, clips terminados — así que dejas de volver a subir los mismos archivos entre herramientas. Una imagen que acabas de crear alimenta directamente la generación de vídeo o el lip-sync sin una ida y vuelta de descargas.

Los avatares van un paso más allá: dentro de Image & Video puedes guardar un personaje como Avatar persistente y reutilizar ese mismo rostro en trabajos de lip-sync. Si estás construyendo un presentador recurrente para un canal, esto sustituye el viejo ciclo de generar-una-cara-y-rezar-para-que-coincida.

El flujo de trabajo que uso de verdad

Este es mi flujo de trabajo real para hacer un clip de cabeza parlante:

1. Escribir el guion
2. Generar la voz en Fish Audio con S2.1 Pro y etiquetas de emoción
3. Generar un retrato de personaje con el generador de imágenes (o subir una foto)
4. Ejecutar lip-sync con el audio y la imagen
5. Descargar el MP4
6. Colocarlo en mi editor de vídeo como una capa

Antes de Fish Creative, esto era: ElevenLabs para la voz, Midjourney o Flux para el rostro, HeyGen o D-ID para el lip-sync, y luego sincronizarlo todo en un editor de vídeo. Cuatro herramientas, cuatro suscripciones, cuatro inicios de sesión. Ahora es una.

La calidad no es dramáticamente mejor ni peor que el stack anterior. La victoria es la comodidad y el coste. Una suscripción, un inicio de sesión, un panel.

Precios

Las herramientas de Fish Creative forman parte de la cuenta de Fish Audio. No pagas aparte por la generación de imágenes ni por el lip-sync — consumen créditos de tu plan existente.

Plan	Precio	Qué obtienes
Free	$0	TTS limitado, voces de la comunidad, acceso limitado a las herramientas creativas
Starter	~$15/mes	Más generaciones, clonación de voz, herramientas creativas
Pro	~$45/mes	Límites más altos, derechos comerciales, procesamiento más rápido
Enterprise	Personalizado	Soporte dedicado, SLA, integraciones a medida

El nivel gratuito te da suficiente para probar el pipeline de lip-sync unas cuantas veces. Si produces contenido con regularidad, el plan Starter cubre TTS más las herramientas creativas.

Para desarrolladores, por fin existe acceso programático a las herramientas creativas, en dos formas. El servidor MCP oficial (https://api.fish.audio/mcp, inicio de sesión OAuth — claude mcp add --transport http fish-audio https://api.fish.audio/mcp en Claude Code) permite a un agente generar y editar imágenes y vídeos directamente. Gasta los créditos del paquete de tu plan en lugar de créditos de API, muestra un precio antes de cada trabajo y te pide confirmar — la generación de vídeo necesita un plan de pago. Por separado, la nueva superficie Open API (fishaudio.org, no la documentación clásica de api.fish.audio/v1) expone endpoints de trabajos asíncronos para generación de imágenes, lip-sync (POST /api/open/v1/media/lip-sync/jobs) y doblaje de vídeo — TTS más lip-sync en una sola llamada. Es un modelo de trabajos y polling en lugar del POST único y limpio que usa TTS, pero la vía de automatización ya está ahí.

Qué cambiaría

Añadir control de relación de aspecto a la generación de imágenes. Ahora mismo describes lo que quieres y esperas que la relación de aspecto sea cercana a 16:9. Un simple selector ahorraría tiempo.

Documentar las APIs creativas en el sitio principal de documentación. Lip-sync y el doblaje de vídeo ya existen en la superficie Open API y el servidor MCP maneja la generación de imágenes y vídeo, pero docs.fish.audio aún no las cubre. La fontanería está — la documentación solo tiene que ponerse al día.

Mejorar el lip-sync en rostros angulados. De frente funciona. Cualquier cosa más allá de 30 grados empieza a verse mal. Es un problema difícil, pero es el principal techo de calidad ahora mismo.

Soporte de vídeo más largo. El límite práctico de alrededor de 1-2 minutos por clip de lip-sync significa que tienes que cortar narraciones más largas en segmentos y unirlas. No es un impedimento, pero añade fricción.

Mejor documentación. La documentación de TTS en docs.fish.audio es sólida. La documentación de la suite creativa es escasa. Tuve que averiguar el flujo de trabajo por ensayo y error.

Quién debería usarlo

YouTubers y creadores de contenido que necesitan vídeos de cabeza parlante sin grabarse. Genera una voz, genera un rostro, lip-sync, exporta. Sin cámara, sin iluminación, sin edición.

Creadores de redes sociales que hacen contenido de formato corto. El lip-sync produce clips que funcionan para TikTok, Reels y Shorts.

Cualquiera que ya use Fish Audio para TTS. Si pagas por Fish Audio, las herramientas creativas ya están ahí. Pruébalas antes de pagar por una herramienta de lip-sync aparte.

Desarrolladores y aficionados que experimentan con vídeo IA. El nivel gratuito basta para montar una prueba de concepto.

Quién debería mirar a otro lado

Si necesitas animación de cuerpo completo, gestos de manos o composición de escenas, HeyGen o Synthesia son más maduras. Si necesitas generación de vídeo cinematográfica con calidad de producción, mira Veo o Kling a través de Kie.ai. Y si necesitas una API REST totalmente documentada para el pipeline creativo, el servidor MCP y los endpoints de trabajos de la Open API cubren lo básico, pero el sitio principal de documentación no se ha puesto al día.

Primeros pasos

1. Ve a Fish Audio y regístrate (gratis)
2. Genera una voz o clona la tuya (15 segundos de audio, 2 minutos para clonar)
3. Navega a la sección Creative en el panel
4. Genera o sube una imagen de rostro
5. Ejecuta lip-sync con tu audio
6. Descarga el vídeo

Toda la primera prueba lleva unos 10 minutos. Nivel gratuito, sin tarjeta de crédito. Si la calidad del lip-sync funciona para tu caso de uso, el plan Starter a ~$15/mes lo cubre todo.

Prueba Fish Creative Gratis

¿Fish Creative es gratis?

El nivel gratuito incluye acceso limitado a las herramientas creativas — suficiente para probar la generación de imágenes y el lip-sync unas cuantas veces. Para uso regular, el plan Starter a ~$15/mes cubre TTS, clonación de voz y la suite creativa.

¿Puedo usar Fish Creative para vídeos comerciales?

Sí, en los planes de pago. El nivel gratuito es para pruebas. El plan Pro y superiores incluyen derechos comerciales sobre el contenido generado.

Fish Creative vs HeyGen: ¿cuál es mejor?

HeyGen tiene mejor animación corporal, más opciones de avatares y un editor pulido. Fish Creative es más barato (incluido en tu plan de Fish Audio), funciona con cualquier imagen de rostro y se integra directamente con tus voces TTS. Para contenido de cabeza parlante con presupuesto ajustado, Fish Creative es la mejor opción. Para presentaciones corporativas con avatares de cuerpo completo, gana HeyGen.

¿El lip-sync funciona con cualquier audio?

Sí. Puedes usar el TTS de Fish Audio, tu voz clonada, grabaciones subidas o audio de otras fuentes. El motor de lip-sync solo necesita un archivo de audio y una imagen de rostro.

¿Hay una API para las herramientas creativas?

Parcialmente. El servidor MCP en api.fish.audio/mcp ofrece a los agentes generación de imágenes y vídeo con un paso de confirmación de precio integrado. La nueva Open API (fishaudio.org) tiene endpoints de trabajos asíncronos para imágenes, lip-sync y doblaje de vídeo. El sitio principal de documentación aún solo documenta TTS, ASR y modelos de voz.

Mi opinión

Era escéptico cuando escuché que Fish Audio añadía generación de imágenes y vídeo. Las herramientas que intentan hacerlo todo suelen acabar siendo mediocres en todo. Pero Fish Creative no intenta reemplazar a Midjourney o Veo. Elige un solo problema — convertir tu audio TTS en un vídeo de cabeza parlante — y lo hace sin salir de la plataforma.

Y para eso, funciona. El lip-sync es suficiente para YouTube y redes sociales. El generador de imágenes produce rostros utilizables. Todo el pipeline lleva minutos en lugar de los 30-45 minutos que solía pasar saltando entre cuatro herramientas distintas.

Las asperezas son reales: documentación escasa de la suite creativa, control de relación de aspecto limitado, lip-sync que se degrada en rostros angulados. La brecha de API de la que me quejé tras el lanzamiento está casi cerrada — MCP cubre la generación de imágenes y vídeo, y la Open API tiene endpoints de trabajos para lip-sync y doblaje. La base está ahí, y tenerlo todo en un solo panel con mi configuración de TTS existente es lo que me hace volver.

Si estás creando contenido con voces IA y quieres añadir un rostro a esas voces, prueba Fish Creative antes de pagar por una herramienta de lip-sync aparte. El nivel gratuito es suficiente para decidir.