图像生成 MCP：使用 Fish Audio 生成图像、视频和对口型

Fish Audio 的 MCP 服务器现在可以从 Claude Code, Claude.ai, Cursor, Codex, Windsurf 和 Devin 生成和编辑图像、创建视频、同步口型以及将肖像转化为会说话的数字人。一次登录，数十种模型，在每次图像、视频、对口型或数字人任务之前提供价格报价。

2026年10月 | Fish Audio MCP 现在支持图像生成、视频生成和对口型

---

向你的编程智能体索要一张产品照、一段五秒钟的预告片或一段真人出镜的更新视频，你通常会碰壁。有些智能体根本无法创建图像，有些只提供单一的内置图像模型，而视频则很少是一个可选项。通常的解决办法是使用图像生成 MCP 服务器，但其中大多数只连接单一模型，并要求你为每个提供商创建并粘贴单独的 API 密钥。

Fish Audio 采取了不同的方法。你的智能体已用于文本转语音、转录和声音搜索的同一个 MCP 连接，现在可以生成和编辑图像、创建视频、将口型与新音频同步，以及将肖像转化为会说话的数字人。你只需登录一次，即可从数十种图像、视频和对口型模型中进行选择，并在任何图像、视频、对口型或数字人任务计费前批准报价。

由于语音工具也位于同一服务器上，你的智能体还可以完成单一用途 MCP 无法做到的事情：编写脚本，使用 Fish Audio 为其配音，并将该音频直接交给会说话的数字人模型 —— 这一切都在一次对话中完成。

已经连接到 Fish Audio MCP 服务器？ 无需更新。请你的智能体“列出 Fish Audio 媒体模型”，新工具即可开始使用。

初识 Fish Audio？ 免费注册 →，只需不到一分钟即可连接你的智能体。

---

Fish Audio MCP 服务器的新变化

首先来看看这次更新增加了什么。有了它，Fish Audio MCP 服务器 变成了一个集图像生成 MCP、视频生成 MCP 和对口型工具于一体的综合体。新的媒体工具与现有的音频工具并列，并使用与 Fish Audio 网页版应用 相同的额度。

为什么要使用一个连接而不是为每个模型建立一个 MCP？

• 无需收集 API 密钥。 你只需使用 Fish Audio 账户登录。无需请求提供商密钥、将其粘贴到配置文件中或进行轮换。
• 统一余额。 每个模型都从你的 Fish Audio 方案额度中扣除，因此从图像模型切换到视频模型并不意味着需要为另一个账户充值。
• 切换模型只需一句话，无需设置。 用自然语言要求更换模型，智能体会查找其选项并为新任务报价。

以下是你的智能体现在可以做的事情：

模型阵容会随时间变化。你的智能体始终基于实时列表工作，因此一旦添加新模型，它就能立即看到。

图像生成、编辑和放大在免费方案中可用。视频生成、对口型和会说话的数字人需要付费 Plus 方案或更高版本。

---

生成、编辑和放大图像

描述图像，智能体就会选择一个模型，读取其选项（如宽高比、分辨率和质量），然后为任务报价。要进行编辑，请给它一张图像和一条指令，例如“保留主体，将背景改为温暖的日落”。图像通常在不到一分钟内完成，你可以根据你的方案同时请求多张。

从文本、图像或参考视频生成视频

视频工具将 MCP 服务器转变为适用于任何支持远程 MCP 服务器的智能体的视频生成 MCP。从文本提示开始，使静态图像动起来，或者在支持的模型上使用参考媒体引导结果。宽高比、分辨率和时长选项因模型而异，智能体在报价前会读取这些选项。视频可能需要几分钟；智能体会自行检查进度，并在文件准备就绪时返回链接。

对口型和会说话的数字人

这两种功能都能让屏幕上的人说出一段新的音轨。区别在于你的起始点：是现有视频还是单张图像。

视频驱动：重新同步现有素材。 给模型一段有人说话的视频和一段新音轨，它会重新调整嘴部动作以匹配音频。它专为更新现有素材而设计：更改产品视频中的台词、无需重拍即可补录更正内容，或将真人出镜片段本地化为另一种语言。这些模型仅基于视频和音频工作，不接受文本提示。

图像驱动：让肖像动起来。 给模型一张肖像和一个音频文件，它就会使脸部、头部和表情动起来以匹配演讲。Creatify Aurora Avatar 还接受可选提示以控制构图、背景和灯光，而 Infinitalk Avatar 则需要提示词并产生更具表现力的外观。

请使用拥有权利的材料。 在每次对口型或数字人任务之前，确认消息都会提醒你仅使用你被允许使用的素材、肖像和声音。

这些工具中的每一个都非常有用。更大的变化在于它们协同工作时会发生什么。

---

在一次对话中从脚本到会说话的数字人

这就是在同一个 MCP 服务器上同时拥有语音和视频的优势所在。大多数数字人工具都假设你已经准备好了现成的音频。通过 Fish Audio，你的智能体可以自己生成音频并直接传递给数字人模型。

流程如下：

1. 编写脚本。粘贴脚本，或让智能体起草。
2. 配音。智能体调用 text_to_speech，使用 Fish Audio 语音库 中的声音、你自己的 声音克隆 或你通过 Voice Design 创建的声音。添加像 [excited]（兴奋）或 [whispering]（耳语）这样的 音频标签 来调整表达方式。文本转语音按文本长度计费，并在生成语音后立即扣费，无需单独报价。
3. 选择一张脸。上传一张肖像，或者在同一会话中使用图像模型生成一张。
4. 动起来。智能体将肖像和刚刚生成的语音发送给数字人模型。无需下载音频再重新上传 —— 生成好的语音会被直接传递。
5. 批准并接收。你看到数字人视频的报价，确认后，即可获得指向完成文件的链接。

我们测试了这个路径：使用 text_to_speech 生成的一段六秒钟片段被直接接受作为数字人的音频输入，报价反映了其确切的时长 —— 无需下载和重新上传。

将此内容复制到你的智能体中进行尝试：

使用 Fish Audio 制作一段 9:16 的会说话的数字人视频：
1. 将此脚本转化为温暖的女性英语语音：
   "Hi, welcome to Fish Audio. Today I'll show you lip sync and talking avatars."
2. 使用我上传的肖像，搭配 HeyGen Avatar 4，分辨率 720p，让她说出那段音频。
3. 先报价。我确认后再生成，然后把链接发给我。

同样的想法也适用于对口型。让智能体指向现有的真人出镜视频并给它一段新台词：

使用 Fish Audio 为我上传的真人出镜视频更换新台词：
1. 使用我克隆的声音生成语音："Today's new arrivals are 20% off. Link in the comments."
2. 使用 Sync LipSync v3 将视频中的口型与新音频匹配。
先报价，我确认后再生成。

会说话的数字人和对口型需要付费 Plus 方案或更高版本。查看方案 →

将任何结果复用为下一个输入

链式操作不仅限于音频。工作区中的任何完成结果都可以直接喂给下一个任务，而无需离开对话：生成一张图像，然后要求智能体“将你刚才生成的图像变成一个带有缓慢推入效果的四秒钟视频”。智能体通过引用传递图像 —— 无需下载，无需重新上传。

对于计算机上的文件，智能体会创建一个临时上传位并为你上传文件。如果你的智能体无法直接上传文件，它会给你一个链接，你可以从浏览器中将文件拖入。

所有这些都发生在智能体内部。这比看起来更重要：大多数 AI 智能体自身无法创建视频或会说话的数字人，甚至那些生成图像的智能体也仅限于单一的内置模型。连接 MCP 服务器弥补了这一差距。

---

为什么 AI 智能体需要用于图像和视频生成的 MCP

今天的 AI 智能体能力惊人。它们可以规划活动、编写脚本并构建其所在的页面。然而，在视觉效果方面，支持并不平衡。一些助手，如 Claude，不像图像生成工具那样生成照片或插图。其他的，如 ChatGPT 和 Codex，包含图像生成，但仅限于某个提供商的模型。视频、对口型和会说话的数字人通常是无法触及的。

这种差距造成了一种熟悉的惯例。你在智能体中写下提示词，将其粘贴到单独的图像或视频应用中，等待，下载文件，然后将其带回项目中。每次修改都要重复这个循环。许多开发者选择的替代方案是为每个模型配置一个 MCP 服务器，这意味着需要为每个模型提供单独的提供商 API 密钥和配置条目。

Model Context Protocol (MCP) 是为智能体提供新工具的标准方式，它让 Fish Audio 能够移除这些额外步骤，并提供多种模型选择。你的智能体直接调用生成工具，结果以链接形式返回，接下来的步骤（无论是修改、动画还是配音）都在同一个对话中发生。在 Claude Code, Cursor 或任何其他支持的智能体中生成图像变成了又一次简单的工具调用。

只需一条命令即可实现。

---

如何设置图像生成 MCP

服务器位于 https://api.fish.audio/mcp 并使用可流式传输的 HTTP。登录在你浏览器中通过 Fish Audio 账户完成 —— 无需 API 密钥，无需环境变量。在下方选择你的智能体。

在找文档 MCP？ 我们早先关于 llms.txt, MCP 和 Agent Skills 的指南介绍了 docs.fish.audio/mcp，这是一个只读服务器，让编程智能体查找 Fish Audio API 文档。本文中的服务器不同：它会登录你的账户并创建内容。你可以让两者并存。

Claude Code

claude mcp add --transport http fish-audio https://api.fish.audio/mcp

然后运行 /mcp 在 Claude Code 内部进行登录。

Claude.ai

前往 Settings → Connectors → Add custom connector 并输入 https://api.fish.audio/mcp。Claude 会引导你完成登录。

Cursor

打开命令面板 (Cmd/Ctrl+Shift+P) → Open MCP settings → Add custom MCP，然后添加：

{
  "mcpServers": {
    "fish-audio": { "url": "https://api.fish.audio/mcp" }
  }
}

Cursor 会在第一次使用时提示你登录。

Codex CLI

codex mcp add fish-audio https://api.fish.audio/mcp
codex mcp login fish-audio

登录命令会打开浏览器窗口。使用 codex mcp get fish-audio 检查连接。

Windsurf

前往 Settings → Cascade → MCP Servers → View raw config (~/.codeium/windsurf/mcp_config.json) 并添加：

{
  "mcpServers": {
    "fish-audio": { "url": "https://api.fish.audio/mcp" }
  }
}

Devin CLI

devin mcp add fish-audio --transport http --scope user --url https://api.fish.audio/mcp --scopes mcp
devin mcp login fish-audio --scopes mcp

使用 devin mcp list 确认已连接。因为 Devin 在你的 shell 中工作，它还可以将结果保存在本地 —— 在我们的测试中，它根据要求将完成的视频下载到了 Downloads 文件夹。

登录并选择你的团队

每个客户端都会打开同一个 Fish Audio 登录页面。你只需批准连接一次并选择它在哪个团队中工作；之后客户端会自动续期访问授权。

连接与你选择的团队绑定，只能查看该团队的工作区、使用该团队的额度。如需在其他团队中工作，请重新添加服务器，并在登录时选择该团队。

已连接？ 尝试你的第一个提示词：“创建一个 16:9 的黎明时分灯塔水彩图像。先让我看价格，然后再生成。” 开始免费使用 Fish Audio →

---

每次生成如何进行：报价、确认、生成

连接后，你的智能体可以代表你运行付费模型。这引出了一个公平的问题：什么能阻止它超出你的预算？答案内置在服务器中，而不是留给智能体判断。

1. 发现。 智能体列出可用模型并读取它需要的模型 —— 支持的选项、默认值和输入限制。
2. 报价。 在任何图像、视频、对口型或数字人任务之前，智能体会请求估算。估算是免费的。此处还会检查方案限制，因此如果请求需要更高级别的方案，你在被要求批准任何内容之前就会知道。
3. 确认。 智能体向你显示价格并等待。在你批准之前，不会扣除任何费用。
4. 生成。 智能体提交你批准的确切请求。服务器在提交时再次定价；如果价格发生变化，任务将被拒绝，智能体必须重新报价。扣费绝不会超过你批准的金额。
5. 交付。 智能体每隔几秒钟检查一次进度，并返回指向完成文件的链接以及扣除的费用。

语音工具的计费方式不同。 文本转语音和语音转文本不经过报价步骤。它们在运行时立即计费，文本转语音按文本长度计费。

后台还有两个保障措施：

• 失败的任务会自动退款。 如果生成失败，额度会自动返还，无需申请。
• 重试同一请求不会重复计费。 每个付费请求都带有一个唯一的请求标识（幂等键）。如果智能体在超时后使用相同的标识重新发送相同的请求，服务器会返回原始任务，而不是启动新任务并计费。

许多智能体在顶部添加了自己的层：例如，Codex 在每次工具调用之前都会询问你的许可。

---

幕后：MCP 媒体工具

对于开发者，这些是智能体在幕后调用的媒体工具：

对口型和会说话的数字人通过 generate_video 运行。它从输入中识别任务：视频加音频意味着对口型，肖像加音频意味着数字人。音频工具如 text_to_speech、speech_to_text、search_voices、create_voice_clone 以及 Story Studio 工具都在同一个服务器中。

不过，你永远不需要自己调用这些工具。在实践中，你只需描述你想要的结果，智能体就会将正确的调用链接在一起。

---

按使用场景划分的示例提示词

这里有一些起点，按你正在制作的内容分组：

在像 Claude Code, Codex 和 Devin 这样的编程智能体中，这些工具与 shell 并行工作。智能体可以为文件夹中的每个产品批量生成图像，上传本地录音，或将完成的文件下载到你的项目中。

---

方案、额度和限制

在尝试这些功能之前，了解额度如何运作以及每个功能需要哪种方案会很有帮助。

使用哪种额度

通过 MCP 进行的媒体生成使用你的 Fish Audio 网页方案额度，即你在网页应用中消耗的额度。它不使用 Developer API 额度，后者是 Fish Audio API 的独立余额。两者在不同的地方购买，因此值得了解应该为哪一个充值。

要添加网页额度或更改方案，请前往 Team → Plans。由于每个 MCP 连接都与你在登录时选择的团队绑定，生成将从该团队的额度中扣除。

你需要哪种方案

你的智能体可以生成什么取决于你的方案。在智能体请求报价时会检查方案限制，因此如果你的方案不支持某项任务，在要求你批准之前就会被标记出来。

• 图像生成、编辑和放大在免费方案中可用，该方案包含每日免费图像配额。
• 从文本生成图像时，每条文本生成图像请求在免费版中最多可请求 2 张图像，Plus 版为 4 张，Pro 和 Max 版为 8 张。图像编辑每条请求返回一张图像。
• 视频生成、对口型和会说话的数字人需要 付费 Plus, Pro 或 Max 方案。
• 视频、对口型和数字人任务每条请求返回一个输出。

如果你从免费版开始，图像生成是尝试该流程最简单的方法。当你准备好使用视频、对口型或会说话的数字人时，升级到付费 Plus 方案或更高版本即可解锁。

价格

每个模型的定价都不同，任务的成本还取决于你选择的设置，如分辨率、时长或图像数量。与其依赖价格表，不如向你的智能体索要报价：它是免费的，且反映当前价格。但是，请注意 文本转语音 是个例外：它按文本长度计费，并在运行时立即扣费。

因为报价不花钱，你可以为同一个创意比较几个模型或设置，并在任务计费前选择适合你预算的那个。

上传

某些任务从你自己的文件开始：要编辑或制作动画的图像、要对口型的视频或用于数字人的音频。智能体会为你处理上传，限制如下：

• 图像：JPEG, PNG 或 WebP，最高 20 MB
• 视频：MP4, MOV, WebM 或 MKV，最高 1 GB
• 音频：MP3, WAV, M4A, AAC, OGG 或 FLAC，最高 50 MB

单个模型可能有更严格的限制。例如，Creatify Aurora Avatar 接受 1 到 60 秒的音频。智能体在报价前会读取每个模型的限制，如果提供商在提交后拒绝输入，失败的任务将获得退款。你在同一工作区中已经生成的结果不需要再次上传；智能体会直接传递它们。

时间

图像通常在一分钟内完成。视频、对口型和数字人可能需要几分钟。你不需要一直检查：智能体会自行跟踪进度，并在文件准备就绪后立即返回链接。

---

总结：你的智能体现在是一个媒体工作室

AI 智能体已经可以规划发布、起草落地页并交付代码。直到现在，视觉效果还是大多数智能体止步的地方：充其量只有一个内置的图像模型，而视频、对口型和会说话的数字人则被交还给人工和单独的工具处理。这次更新弥补了这一差距。一个图像生成 MCP 为你的智能体提供了语音、图像、视频、对口型和会说话的数字人功能，无需管理 API 密钥，且在每次媒体任务前都有报价。

更大的转变在于这些部分是如何连接的。脚本变成声音，声音变成会说话的数字人，图像变成视频，每一步都将结果交给下一步，而不是在应用之间来回移动文件。语音是让视频感觉像是有人真的在对你说话的核心，它是 Fish Audio 构建的核心。将它与图像和视频放在同一个对话中，意味着你的智能体可以将一个创意从几行文本转化为一段完整的剪辑。

随着新模型的添加，它们会出现在智能体的实时模型列表中，无需重新配置。要了解这能释放什么潜力，最简单的方法就是连接服务器，并要求它制作一件你通常需要打开三个不同工具才能完成的作品。

初识 Fish Audio？ 免费注册 → 只需不到一分钟即可连接 MCP 服务器，从免费方案包含的图像生成开始体验。

准备好体验视频、对口型和数字人了？ 查看方案 → Plus 及以上方案可通过 MCP 解锁视频生成、对口型和会说话的数字人。

阅读 MCP 服务器文档 →