Fish Audio 的四个模型在 8 月 19 日接入 Vercel AI Gateway，免费用到 9 月 18 日。之后语音合成每百万字符 15 美元，转写每小时音频 0.36 美元。
三个合成模型分工不同。fish-audio/s2.1-pro 是最新的一个，为低延迟流式设计，能从一段参考录音克隆音色。fish-audio/s2-pro 覆盖约 80 种语言，支持在文本里内联写自然语言标签，逐词或逐句调整语气，而不是整段一个风格。fish-audio/s1 认识文本里表示情绪、语调和音效的标记。转写用 fish-audio/transcribe-1，返回文本、音频时长和精确到词的分段时间戳。
有一个计费细节要提前设好。直接调 fish-audio/s2.1-pro 这种普通名字，活动一结束就自动开始扣费；在名字后面加 -free 后缀，活动结束时这个模型直接停止服务，不会悄悄产生账单。做实验或者给免费用户用的功能，后缀那种更安全。
调用要 AI SDK 7。合成走 experimental_generateSpeech，音频从 result.audio.uint8Array 拿。转写走 experimental_transcribe，输入接受 buffer、base64 字符串或者 URL，结果里 result.segments 每一段带起止秒数。不想写代码的话，Vercel 模型列表页里点开模型就能在浏览器里直接试。