用途：通过 fish.audio 的 TTS 接口把文本合成为富有表现力的多语言旁白，并可复用事先克隆好的声音。适合为视频、项目生成解说音频。
主要能力：同步调用 POST https://api.fish.audio/v1/tts，Authorization: Bearer ${FISH_AUDIO_API_KEY}，返回原始音频字节。后端模型用 model HTTP 头指定，必填无默认值，可选 s2.1-pro（最新代，最佳质量，支持情感标签、80+ 语言、多说话人）、s2.1-pro-free（限时免费促销，仅用于草稿、样本和验证，不建议用于生产或客户旁白）、s2-pro（首个 S2 代，稳定且支持情感标签）、s1（上一代旗舰，兼容旧集成）。S2 系列支持文中内联情感标签（如 [laugh]、[whispers]）改变语气，s1 不解析标签。声音通过 reference_id 复用，先在 fish.audio playground 创建声音模型并取其 id；未提供 reference_id 时使用所选模型的默认声音。该工具不支持每次请求内联上传参考音频的即时克隆。
使用方式：在 OpenMontage 中可用 TTSSelector，设置 preferred_provider 为 fish_audio，传入 text、model、reference_id、output_path；也可直接调用 FishAudioTTS 并传相同参数。音频写入 output_path，返回 data.output 及解析后的 model 和 reference_id。可用参数：latency（normal 默认最佳质量、balanced、low）、normalize（默认 true）、prosody（{ "speed": 1.0, "volume": 0 }）、mp3_bitrate（默认 128，混音较重可 192）、temperature（默认 0.7，靠情感标签时可升到 0.9）、top_p / repetition_penalty（通常保持默认 0.7 / 1.2）。
适用场景：视频旁白、多语言本地化批量生成、声音复用。建议先用所选模型和 reference_id 生成 10-15 秒样本供用户确认自然度、情感与节奏，再生成完整旁白；成本敏感的原型可先用 s2.1-pro-free 再升级到 s2.1-pro。
限制与计费：按输入文本 UTF-8 字节计费，CJK 与 emoji 约为同长度 ASCII 字符的 3-4 倍。定价为 s1 / s2-pro / s2.1-pro 每 100 万字节 15 美元，s2.1-pro-free 仅在促销窗口免费，s2.1-pro-free 促销至 2026 年 8 月 31 日，受 Fair Use 约束，无 SLA/延迟保证，请求可能被保留，商业用途受限。常见错误：401 为密钥错误或缺失，402 为账户余额不足，404 为 reference_id 错误或不属于该账户。安全上不要把 API 密钥写入日志、元数据或项目产物，.env.example 只保留空变量名。其他参数细节暂未提供。