Cómo conectar Fish Audio a ChatGPT vía MCP

💡 ¿Sin instalación? Usa cloud.anythingmcp.com directamente. Inicia sesión, pulsa Connectors → Fish Audio, pega tus credenciales, genera una MCP API key y listo. Sin Docker, sin git clone, sin servidor local.

Fish Audio + ChatGPT

Texto a voz, clonación de voz y voz a texto con Fish Audio: busca en una biblioteca de voces de la comunidad y con licencia, genera habla natural y multilingüe con etiquetas de emoción como archivos de audio, transcribe grabaciones con turnos de hablante, crea, modifica y elimina modelos de voz propios y consulta el crédito de la API. La síntesis y la transcripción se pagan con crédito de API prepago; existe un modelo de TTS gratuito.

Requisitos previos

Las instrucciones de configuración completas están incluidas en el conector (visibles en el store al seleccionarlo). Las variables de entorno requeridas:

FISH_AUDIO_API_KEY

Paso 1 — Obtener credenciales

La configuración lleva unos 2 minutos. Necesitas una cuenta de Fish Audio.

1. Regístrate en https://fish.audio y abre Developers, Get started (https://fish.audio/app/developers/get-started/).
2. Haz clic en Get your API key y copia la clave: solo se muestra una vez. Pégala en FISH_AUDIO_API_KEY. Se envía como Authorization: Bearer.
3. Instala el conector y ejecuta fish_audio_get_api_credit: muestra el crédito de la API para desarrolladores en dólares estadounidenses y confirma la clave.

Crédito de la API: las cuentas nuevas empiezan sin crédito de API. El texto a voz con el modelo s2.1-pro-free funciona enseguida; todos los demás modelos y la transcripción responden 402 hasta que añadas crédito en Developers, Billing (https://fish.audio/app/developers/billing/). El crédito de la API para desarrolladores es independiente de una suscripción a la app web, que muestra fish_audio_get_package.

Qué cuesta dinero: dos herramientas descuentan del crédito de la API.

• fish_audio_text_to_speech: 15 $ por millón de bytes UTF-8 de texto con s2.1-pro o s2-pro (unos 0,015 $ por cada 1.000 caracteres latinos; los caracteres chinos y japoneses ocupan 3 bytes cada uno), 50 $ por millón con drama-3 y nada con s2.1-pro-free.
• fish_audio_transcribe: 0,36 $ por hora de audio, facturado por segundo.

Las peticiones fallidas no se cobran y todas las demás herramientas son gratuitas. Antes de un texto o una grabación largos, la IA te indica la duración y el coste y espera tu sí.

Encontrar una voz: fish_audio_list_voices busca entre cientos de miles de voces de la comunidad y con licencia por title, tag (male, female, young, old, narration, calm, deep ...) e language (en, de, zh ...). sort_by task_count pone primero las voces más usadas, y licensed true devuelve solo voces que Fish Audio tiene con licencia de sus dueños, aptas para uso comercial. Cada voz tiene un enlace sample_audio para escucharla. self true lista tus propias voces, incluidas las privadas. fish_audio_get_voice muestra una voz; state trained significa que está lista.

Hablar: fish_audio_text_to_speech recibe el text y el id de la voz como reference_id (sin él usa una voz predeterminada) y adjunta el archivo de audio al resultado. model es s2.1-pro por defecto; en una cuenta sin crédito la IA usa s2.1-pro-free. format es mp3 (el más ligero), wav, opus o pcm; speed de 0,5 a 2 y volume en dB ajustan la locución; language ayuda a leer bien números, fechas y unidades. Las indicaciones entre corchetes en el texto marcan emoción y tono: [happy], [sad], [excited], [whispering], [laughing], [sighing], [break]. Los textos largos se dividen automáticamente en fragmentos y vuelven como un solo archivo, pero un resultado admite unos 10 MB de MP3, así que la IA divide un libro en capítulos.

Transcribir: fish_audio_transcribe recibe audio_url, un enlace público a un archivo de audio o vídeo (mp3, wav, m4a, ogg, flac, webm, mp4 ...) de hasta 10 MB, que AnythingMCP descarga y sube. El modelo predeterminado transcribe-1-pro admite hasta 60 minutos y varios hablantes: el texto lleva marcas como <|speaker:0|>. Con ignore_timestamps false obtienes además los segments de palabras y los speaker_turns con hablante, texto, inicio y fin. num_speakers, o min_speakers y max_speakers, ayudan a separar a los hablantes; tag_audio_events false quita indicaciones como [laughter]. Las etiquetas de hablante solo distinguen a los hablantes dentro de una transcripción.

Clonar una voz: fish_audio_create_voice recibe un title y voice_url, un enlace público a 10 a 30 segundos de habla limpia de un solo hablante, más su transcripción en text si la tienes. La voz nueva es privada salvo que elijas unlist, su _id sirve al instante como reference_id y cuenta para el límite de voces de tu plan. Clona solo voces que tengas derecho a usar. fish_audio_update_voice cambia el título, la descripción o la visibilidad de una voz propia; las etiquetas se editan en la app web.

Formatos de datos: los ids tienen 32 caracteres hexadecimales. Las fechas son ISO 8601 en UTC. credit y cumulative_top_up son dólares estadounidenses como cadenas decimales. Las marcas de tiempo de las transcripciones están en segundos.

Paginación: las listas de voces devuelven total (limitado a 1.000 en las búsquedas en la biblioteca) y has_more. La IA pide el siguiente page_number mientras has_more sea true; page_size es 20 por defecto.

Desactivada al instalar: fish_audio_delete_voice, porque borrar una voz no se puede deshacer y después ya no se puede generar habla con ella. Un administrador del workspace la activa cuando el equipo la necesita.

Límites: las peticiones simultáneas dependen de cuánto hayas prepagado: 5 por debajo de 100 $, 15 desde 100 $ y 50 desde 1.000 $. Una transcripción larga ocupa un hueco hasta que termina.

Errores comunes: 401 "Invalid token" significa una clave incorrecta. 402, que no hay crédito de API, o un modelo de pago en una cuenta sin crédito. 404, un id de voz desconocido. 400 o 422 apunta a un campo no válido, por ejemplo una indicación de hablantes con diarize false. 429, demasiadas peticiones simultáneas: la IA lo vuelve a intentar poco después.

El conector no diseña voces a partir de una descripción, no transmite voz ni transcripción en tiempo real por WebSocket, no gestiona los agentes de voz de Fish Audio ni usa sus herramientas de imagen y vídeo. Fish Audio tiene además su propio servidor MCP en https://api.fish.audio/mcp, que inicia sesión con OAuth y cobra el plan de la app web en lugar del crédito de la API para desarrolladores.

Paso 2 — Instalar el adapter

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

Paso 3 — Añadir el conector en ChatGPT

La URL de tu servidor: en AnythingMCP abre MCP Servers → el servidor donde está este conector y copia su URL (https://cloud.anythingmcp.com/mcp/…). Úsala donde esta guía muestra YOUR_SERVER_ID.

ChatGPT añade servidores MCP como plugins desde su página Plugins, en la web y en los planes de pago. Ya no hace falta el modo desarrollador. En un espacio Business solo pueden hacerlo los administradores y propietarios; en Enterprise y Edu un administrador puede conceder el permiso Create plugins with MCPs.

1. Ve a chatgpt.com/plugins, pulsa + y luego Add custom MCP server.
2. Escribe un nombre, por ejemplo Name: Fish Audio.
3. En Connection, introduce como Server URL https://cloud.anythingmcp.com/mcp/YOUR_SERVER_ID y deja Authentication en OAuth.
4. Selecciona I understand and want to continue y después Create as a plugin. Cuando ChatGPT lo pida, inicia sesión en AnythingMCP y permite el acceso.
5. Instala el nuevo plugin desde tus plugins personales; luego escribe @ en un chat y elígelo.

Herramientas disponibles

Ejemplos de prompts

• "¿Cuánto crédito de la API para desarrolladores me queda en Fish Audio?"
• "Busca entre las voces más usadas una voz de narrador masculina en inglés, tranquila y grave, y dame el enlace a la muestra."
• "Convierte este anuncio de producto en un MP3 con una voz femenina cálida en español, algo más lenta de lo normal. Dime antes cuánto cuesta."
• "Transcribe la entrevista de https://example.com/interview.mp3 con turnos de hablante y marcas de tiempo."
• "Crea un clon de voz privado llamado Voz Estudio a partir de mi muestra de 20 segundos en https://example.com/my-voice.wav."

FAQ

¿Funciona el plan gratuito de ChatGPT con servidores MCP personalizados? OpenAI documenta los servidores MCP personalizados solo para los planes de pago; el plan Free no aparece en su lista.

Siguientes pasos

• Página del conector
• Conectar a Claude
• Conectar a Cursor
• Conectar a Gemini
• Conectar a Meta Muse
• Conectar a Microsoft Copilot