LONDON (IT BOLTWISE) – Fish Audio bringt Text-to-Speech und Stimmklonung in eine Weboberfläche, ohne dass Nutzer Software oder eine GPU installieren müssen. Für die Klonung reicht ein Sample von rund zehn Sekunden, bis zur erzeugten Audiofassung sind es laut Angaben schnell. Das System unterstützt 83 Sprachen und nutzt mit S2.1 Pro ein Modell, das auf einem Open-Source-Projekt namens Fish Speech basiert. Entscheidend wird aber vor allem, wo die Daten verarbeitet werden und ob der kostenlose Tarif mit 8.000 Credits für den eigenen Use Case ausreicht.
Fish Audio zielt auf ein sehr konkretes Anwenderproblem: Wer synthetische Sprache oder eine bestimmte Stimmlage für Content nutzen will, scheitert in der Praxis oft weniger an der Modellgüte als an Hürden wie Installation, Abhängigkeiten oder dem Bedarf an beschleunigter Hardware. Der Dienst sitzt deshalb bewusst im Browser und verspricht Text-to-Speech sowie Stimmklonung über eine einzige Oberfläche. Statt einen lokalen Stack aufzubauen, kann man Text eingeben, eine Stimme aus der Community-Bibliothek wählen oder ein eigenes Sample hochladen und erhält danach eine Audiodatei. Dazu kommt, dass die Latenz beim Streaming laut Herstellerangabe unter 300 Millisekunden sinkt, was das Tool nicht nur für Batch-Projekte, sondern auch für interaktive Workflows tauglich macht.
Technisch spannend ist dabei die Trennung zwischen dem offenen Kern und der „gehosteten“ Komfortschicht. Fish Audio vermarktet die kommerzielle Ausprägung des Open-Source-Projekts Fish Speech; das Basismodell entstand 2023 und gilt in der Open-Source-Szene als besonders populär, gemessen an 32.652 Sternen auf GitHub. In der Web-Version kommt laut Beschreibung eine neuere Modellvariante hinzu: S2.1 Pro als empfohlenes Produktionsmodell und darüber hinaus eine „Generation S2“, die im März 2026 ergänzt worden sein soll. Für Unternehmen und Entwickler heißt das: Man kann die Engine theoretisch selbst betreiben, erhält aber im Produkt vorgefertigte Workflows, eine Stimme-Bibliothek und eine Logik, die vom Upload bis zur Audiodatei als End-to-End-Prozess durchläuft.
Das prominenteste Feature ist die Stimmklonung aus einem kurzen Sample. Der Ablauf ist dabei relativ geradlinig: Man nimmt rund zehn Sekunden saubere Sprache auf oder lädt sie in der Funktion „Create Voice“ hoch. Anschließend baut das System ein Stimmmodell aus diesem Material und erzeugt danach Audio aus beliebigem Text im gleichen Timbre. Das Marketing nennt dafür „fünfzehn Sekunden“ vom Audio bis zur fertigen Stimme; in der Praxis wird diese Zeit vor allem für ein kurzes Sample als realistisch eingeordnet. Entscheidend bleibt jedoch weniger die reine Laufzeit, sondern die Qualität des Ausgangsmaterials: saubere Stimme ohne Hintergrundgeräusch, ohne deutliche Pausen und mit genügend konsistenter Aufnahme. Genau darin unterscheidet sich der praktische Output kaum von anderen Stimmklon-Setups, allerdings fällt hier der Setup-Aufwand weg, weil keine lokale GPU nötig ist.
Um die Nutzung für Produktionsumgebungen greifbar zu machen, nennt der Dienst mehrere Bausteine, die über das Klonen hinausgehen. Neben Text-to-Speech gibt es Funktionen für Voice Changer, also das Umformen einer aufgenommenen Stimme in eine andere, außerdem Audio Separation, die Spuren trennt, etwa Stimme und Musik, und Speech to Text als Umkehrweg für Transkriptionen. Daneben werden Sound Effects bereitgestellt, und mit „Story Studio“ wird ein mehrspuriger Workflow adressiert, in dem Text, Audio und Effekte zusammengesetzt werden. Neu hinzu kommt „Image & Video“, wobei hier ein integriertes Modell namens „Gemini Omni“ von Google zur Synchronisierung und Generierung eingesetzt wird. In der Summe versteht sich Fish Audio damit weniger als reines Kommandozeilen-Modell, sondern als „Studio“-Umgebung für den gesamten Content-Zyklus.
Beim Preis setzt Fish Audio auf ein Credit-Modell. Der kostenlose Tarif umfasst 8.000 Credits pro Monat, was laut Angaben rund sieben Minuten erzeugtem Audio entspricht; zusätzlich nennt der Dienst ein Limit von 500 Zeichen pro einzelner Generierung sowie Einschränkungen bei der Basis-Klonung. Als grobe Umrechnungsgröße werden etwa 600 bis 625 Credits pro Minute angegeben. Für höhere Volumen sind mehrere Stufen vorgesehen, die bis zu einem Max-Tarif mit 749 Dollar im Monat reichen und dort 25 Millionen Credits umfassen sollen. Für Entwickler, die die API nutzen, wird S2.1 Pro als kostenlos beworben, allerdings mit einer Abrechnung nach Verbrauch in Höhe von etwa 15 Dollar pro Million UTF-8-Byte. Diese Preislogik ist ein typischer „Compute statt Hardware“-Mechanismus: Der Aufwand wird nicht durch lokale GPU-Kosten abgebildet, sondern als nutzungsbasierter Meter.
Damit kippt die eigentliche Entscheidung von „welches Modell ist besser?“ zu „wo sollen Daten verarbeitet werden?“. Fish Audio ist Cloud-basiert: Sample und Texte laufen über die Server des Unternehmens, im Gegenzug erhält man Bequemlichkeit, keine Installation und eine Rechenleistung, die der eigene Rechner nicht bereitstellen muss. Ein lokal laufendes Modell dreht das Prinzip um: Man investiert initial mehr Zeit in Setup und Betrieb, erhält dafür Kontrolle darüber, dass die Stimme den Rechner nicht verlässt, und vermeidet Credit-Limits, die in produktiven Serien schnell zum Engpass werden können. Für Privacy-orientierte Teams ist dieser Punkt häufig ausschlaggebend, zumal das Risiko bei Stimmklonung nicht theoretisch ist: Das Klonen einer Person ohne Zustimmung, um sie Inhalte sagen zu lassen, die sie nicht geäußert hat, kann in Betrugsszenarien münden. Entsprechend stellt der Dienst die „goldene Regel“ heraus, die Stimme nur der eigenen Person oder einer ausdrücklich freigegebenen Stimme zuzuordnen.
Für die Praxis heißt das: Der kostenlose Tarif eignet sich vor allem zum Ausprobieren und zum Testen von Qualität und Sprachumfang, während die S2.1-Pro-API besonders für Entwickler interessant ist, die einen Einstieg ohne Fixkosten planen. Wer dagegen regelmäßig lange Texte, viele Sprachvarianten oder ein breites Produktionsvolumen abarbeiten muss, wird sehr schnell die Grenzen der kostenlosen Credits spüren und sich eher Richtung kostenpflichtige Tarife oder eine lokale Alternative orientieren. Aus Branchenperspektive ist genau diese Gegenüberstellung symptomatisch: Cloud-Tools beschleunigen Prototypen, lokale Modelle gewinnen an Boden, sobald Privatsphäre, Wiederholkosten und Betriebskontrolle stärker gewichtet werden. Unabhängig davon bleibt die technische Kernfrage bei Stimmklonung konstant: Qualität der Eingangsmuster und kontrollierte Nutzung entscheiden am Ende über Verständlichkeit, Natürlichkeit und vor allem über die korrekte, verantwortbare Anwendung.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "Fish Audio: Stimmen im Browser klonen und per KI in 83 Sprachen sprechen lassen" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "Fish Audio: Stimmen im Browser klonen und per KI in 83 Sprachen sprechen lassen" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »Fish Audio: Stimmen im Browser klonen und per KI in 83 Sprachen sprechen lassen« bei Google Deutschland suchen, bei Bing oder Google News!