Fish Audio über MCP mit Claude verbinden

💡 Keine Installation? Nutze cloud.anythingmcp.com direkt. Einloggen, Connectors → Fish Audio klicken, Zugangsdaten einfügen, MCP-API-Key erzeugen, fertig. Kein Docker, kein git clone, kein lokaler Server.

Fish Audio + Claude

Text-to-Speech, Voice Cloning und Spracherkennung mit Fish Audio: eine Bibliothek aus Community- und lizenzierten Stimmen durchsuchen, natürliche mehrsprachige Sprache mit Emotions-Tags als Audiodatei erzeugen, Aufnahmen mit Sprecherwechseln transkribieren, eigene Stimmmodelle anlegen, ändern und löschen und das API-Guthaben prüfen. Sprachausgabe und Transkription werden aus vorausbezahltem API-Guthaben bezahlt; ein kostenloses TTS-Modell gibt es.

Voraussetzungen

Die vollständige Setup-Anleitung ist in den Connector eingebaut (im Store sichtbar, wenn du den Connector auswählst). Benötigte Umgebungsvariablen für diesen Connector:

FISH_AUDIO_API_KEY

Schritt 1 — Zugangsdaten holen

Die Einrichtung dauert etwa 2 Minuten. Du brauchst ein Fish-Audio-Konto.

1. Registriere dich unter https://fish.audio und öffne Developers, Get started (https://fish.audio/app/developers/get-started/).
2. Klicke auf Get your API key und kopiere den Key: Er wird nur einmal angezeigt. Füge ihn in FISH_AUDIO_API_KEY ein. Er wird als Authorization: Bearer gesendet.
3. Installiere den Connector und rufe fish_audio_get_api_credit auf: Es zeigt das Entwickler-API-Guthaben in US-Dollar und bestätigt den Key.

API-Guthaben: Neue Konten starten ohne API-Guthaben. Text-to-Speech mit dem Modell s2.1-pro-free funktioniert sofort; alle anderen Modelle und die Transkription antworten mit 402, bis du unter Developers, Billing (https://fish.audio/app/developers/billing/) Guthaben aufgeladen hast. Das Entwickler-API-Guthaben ist getrennt von einem Abo der Web-App, das fish_audio_get_package anzeigt.

Was Geld kostet: Zwei Tools ziehen vom API-Guthaben ab.

• fish_audio_text_to_speech: 15 $ pro Million UTF-8-Bytes Text mit s2.1-pro oder s2-pro (etwa 0,015 $ pro 1.000 lateinische Zeichen; chinesische und japanische Zeichen belegen je 3 Bytes), 50 $ pro Million mit drama-3, nichts mit s2.1-pro-free.
• fish_audio_transcribe: 0,36 $ pro Stunde Audio, sekundengenau abgerechnet.

Fehlgeschlagene Anfragen werden nicht berechnet, alle anderen Tools sind kostenlos. Vor einem langen Text oder einer langen Aufnahme nennt dir die KI Länge und Kosten und wartet auf dein Ja.

Eine Stimme finden: fish_audio_list_voices durchsucht Hunderttausende Community- und lizenzierte Stimmen nach title, tag (male, female, young, old, narration, calm, deep ...) und language (en, de, zh ...). sort_by task_count stellt die meistgenutzten Stimmen nach vorn, und licensed true liefert nur Stimmen, die Fish Audio von ihren Eigentümern lizenziert hat und die sich kommerziell nutzen lassen. Jede Stimme hat einen sample_audio-Link zum Anhören. self true listet deine eigenen Stimmen, auch die privaten. fish_audio_get_voice zeigt eine einzelne Stimme; state trained heißt, sie ist einsatzbereit.

Sprechen: fish_audio_text_to_speech nimmt den text und die Stimm-ID als reference_id (ohne sie wird eine Standardstimme verwendet) und hängt die Audiodatei an das Ergebnis. model ist standardmäßig s2.1-pro; auf einem Konto ohne Guthaben nimmt die KI s2.1-pro-free. format ist mp3 (am kleinsten), wav, opus oder pcm; speed von 0,5 bis 2 und volume in dB passen den Vortrag an; language hilft, Zahlen, Daten und Einheiten richtig vorzulesen. Hinweise in eckigen Klammern im Text steuern Emotion und Vortrag: [happy], [sad], [excited], [whispering], [laughing], [sighing], [break]. Lange Texte werden automatisch in Abschnitte geteilt und kommen als eine Datei zurück, aber ein Ergebnis fasst etwa 10 MB MP3, daher teilt die KI ein Buch in Kapitel.

Transkribieren: fish_audio_transcribe nimmt audio_url, einen öffentlichen Link zu einer Audio- oder Videodatei (mp3, wav, m4a, ogg, flac, webm, mp4 ...) mit bis zu 10 MB, die AnythingMCP herunter- und wieder hochlädt. Das Standardmodell transcribe-1-pro schafft bis zu 60 Minuten und mehrere Sprecher: Der Text enthält Marker wie <|speaker:0|>. Mit ignore_timestamps false bekommst du zusätzlich Wort-segments und speaker_turns mit Sprecher, Text, Beginn und Ende. num_speakers oder min_speakers und max_speakers helfen bei der Sprechertrennung; tag_audio_events false entfernt Hinweise wie [laughter]. Sprecherlabels unterscheiden Sprecher nur innerhalb eines Transkripts.

Eine Stimme klonen: fish_audio_create_voice nimmt einen title und voice_url, einen öffentlichen Link zu 10 bis 30 Sekunden sauberer Sprache eines einzelnen Sprechers, dazu das Transkript in text, wenn du es hast. Die neue Stimme ist privat, solange du nicht unlist wählst, ihre _id funktioniert sofort als reference_id, und sie zählt auf das Stimmenlimit deines Tarifs. Klone nur Stimmen, die du nutzen darfst. fish_audio_update_voice ändert Titel, Beschreibung oder Sichtbarkeit einer eigenen Stimme; Tags bearbeitest du in der Web-App.

Datenformate: IDs bestehen aus 32 Hexadezimalzeichen. Datumsangaben sind ISO 8601 in UTC. credit und cumulative_top_up sind US-Dollar als Dezimal-Strings. Zeitstempel in Transkripten sind Sekunden.

Blättern: Stimmenlisten liefern total (bei Suchen in der Bibliothek auf 1.000 begrenzt) und has_more. Die KI fragt die nächste page_number ab, solange has_more true ist; page_size ist standardmäßig 20.

Bei der Installation ausgeschaltet: fish_audio_delete_voice, weil sich das Löschen einer Stimme nicht rückgängig machen lässt und danach keine Sprache mehr damit erzeugt werden kann. Ein Workspace-Admin schaltet es ein, wenn das Team es braucht.

Limits: Wie viele Anfragen gleichzeitig laufen dürfen, hängt davon ab, wie viel du vorausbezahlt hast: 5 unter 100 $, 15 ab 100 $ und 50 ab 1.000 $. Eine lange Transkription belegt einen Platz, bis sie fertig ist.

Häufige Fehler: 401 „Invalid token“ bedeutet einen falschen Key. 402 bedeutet kein API-Guthaben oder ein kostenpflichtiges Modell auf einem Konto ohne Guthaben. 404 bedeutet eine unbekannte Stimm-ID. 400 oder 422 weist auf ein ungültiges Feld hin, etwa einen Sprecherhinweis bei diarize false. 429 bedeutet zu viele gleichzeitige Anfragen: Die KI versucht es kurz darauf erneut.

Der Connector entwirft keine Stimmen aus einer Beschreibung, streamt weder Sprache noch Transkription in Echtzeit per WebSocket, betreibt keine Voice Agents von Fish Audio und nutzt keine Bild- und Video-Tools. Fish Audio betreibt außerdem einen eigenen MCP-Server unter https://api.fish.audio/mcp, der sich per OAuth anmeldet und den Tarif der Web-App statt des Entwickler-API-Guthabens belastet.

Schritt 2 — Adapter installieren

curl -fsSL https://raw.githubusercontent.com/HelpCode-ai/anythingmcp/main/docker-compose.quickstart.yml -o docker-compose.yml
printf 'JWT_SECRET=%s\nENCRYPTION_KEY=%s\n' "$(openssl rand -hex 32)" "$(openssl rand -hex 32)" > .env
docker compose up -d

Schritt 3 — Connector in Claude hinzufügen

Deine Server-URL: Öffne in AnythingMCP MCP Servers → den Server, auf dem dieser Connector liegt, und kopiere seine URL (https://cloud.anythingmcp.com/mcp/…). Setze sie überall ein, wo diese Anleitung YOUR_SERVER_ID zeigt.

Empfohlener Weg: funktioniert auf claude.ai web ohne Anfassen einer Konfigurationsdatei.

1. Öffne in Claude Customize → Connectors.
2. Klicke auf + und dann auf Add custom connector.
3. Gib einen Namen ein, z. B. Fish Audio, und die Remote-MCP-Server-URL https://cloud.anythingmcp.com/mcp/YOUR_SERVER_ID, dann klicke auf Add.
4. Klicke auf Connect und melde dich bei AnythingMCP an (OAuth), um den Zugriff zu erlauben.

Alle unten gelisteten Tools erscheinen in deinem Chat: Leg los mit Prompts.

Verfügbare Tools

Beispiel-Prompts

• „Wie viel Entwickler-API-Guthaben ist auf meinem Fish-Audio-Konto noch übrig?“
• „Finde unter den meistgenutzten Stimmen eine ruhige, tiefe männliche englische Erzählerstimme und gib mir den Link zur Hörprobe.“
• „Mach aus dieser Produktankündigung eine MP3 mit einer warmen deutschen Frauenstimme, etwas langsamer als normal. Sag mir vorher, was es kostet.“
• „Transkribiere das Interview unter https://example.com/interview.mp3 mit Sprecherwechseln und Zeitstempeln.“
• „Leg aus meiner 20-Sekunden-Aufnahme unter https://example.com/my-voice.wav einen privaten Stimmklon namens Studio Sprecher an.“

FAQ

Funktioniert es mit Claude Code genauso wie mit Claude Desktop? Ja, beide auf https://cloud.anythingmcp.com/mcp/YOUR_SERVER_ID zeigen lassen.

Nächste Schritte

• Connector-Startseite
• Mit ChatGPT verbinden
• Mit Cursor verbinden
• Mit Gemini verbinden
• Mit Meta Muse verbinden
• Mit Microsoft Copilot verbinden