Fish Audioの画像生成MCP：画像、動画、リップシンク機能を搭載

Fish AudioのMCPサーバーが、画像の生成・編集、動画作成、新しいオーディオへのリップシンク、そしてポートレートのトーキングアバター化に対応しました。Claude Code、Claude.ai、Cursor、Codex、Windsurf、Devinから利用可能です。一度のサインインで数十のモデルにアクセスでき、画像、動画、リップシンク、アバターの各ジョブの実行前に見積価格が表示されます。

2026年10月 | Fish Audio MCPが画像生成、動画生成、リップシンクに対応

---

コーディングエージェントに製品写真や5秒のティーザー、あるいは人物が話すアップデート動画を依頼しても、通常は壁にぶつかります。一部のエージェントは画像を全く作成できず、他のエージェントは内蔵の単一の画像モデルしか提供しておらず、動画はほとんど選択肢にありません。一般的な解決策は画像生成MCPサーバーですが、その多くは単一のモデルに接続し、プロバイダーごとに個別のAPIキーを作成して貼り付ける必要があります。

Fish Audioは異なるアプローチを取ります。テキスト読み上げ、文字起こし、ボイス検索にすでにエージェントが使用しているのと同じMCP接続で、画像の生成・編集、動画の作成、新しいオーディオへのリップシンク、ポートレートのトーキングアバター化が可能になりました。一度サインインすれば、数十の画像、動画、リップシンクモデルから選択でき、画像、動画、リップシンク、アバターのジョブが課金される前に見積もりを承認できます。

音声ツールが同じサーバー上にあるため、単機能のMCPにはできないことも可能です。スクリプトを書き、Fish Audioで音声を生成し、そのオーディオを直接トーキングアバターモデルに渡すという一連の流れを、一つの会話内で完結させることができます。

すでにFish Audio MCPサーバーに接続していますか？ アップデートは不要です。エージェントに「Fish Audioのメディアモデルをリストアップして」と頼むだけで、新しいツールが使用可能になります。

Fish Audioを初めてご利用ですか？ 無料でサインアップ → して、1分足らずでエージェントと接続しましょう。

---

Fish Audio MCPサーバーの新機能

まず、今回のアップデートで何が追加されたかを見ていきましょう。Fish Audio MCPサーバーは、画像生成MCP、動画生成MCP、そしてリップシンクツールを一つにまとめたものとして機能します。新しいメディアツールは既存のオーディオツールの隣に配置され、Fish Audioウェブアプリと同じクレジットを使用します。

モデルごとに1つのMCPではなく、1つの接続で済むのはなぜでしょうか？

• APIキーの収集が不要。 Fish Audioアカウントでサインインするだけです。プロバイダーのキーをリクエストしたり、設定ファイルに貼り付けたり、更新したりする必要はありません。
• 残高の一元化。 すべてのモデルがFish Audioプランのクレジットから引き落とされるため、画像モデルから動画モデルに切り替える際にも、別のアカウントにチャージする必要はありません。
• モデルの切り替えは指示するだけ。 自然な言葉で別のモデルをリクエストすれば、エージェントがオプションを確認して新しいジョブの見積もりを出します。

エージェントができるようになったこと：

モデルのラインナップは随時更新されます。エージェントは常に最新のリストを参照するため、新しいモデルが追加されるとすぐに利用可能です。

画像の生成、編集、アップスケールは無料プランで利用可能です。動画生成、リップシンク、トーキングアバターには有料のPlusプラン以上が必要です。

---

画像の生成、編集、アップスケール

画像を説明すると、エージェントがモデルを選択し、アスペクト比、解像度、品質などのオプションを読み取って見積もりを出します。編集するには、画像と一緒に「被写体はそのままに、背景を暖かい夕焼けに変えて」といった指示を与えます。画像は通常1分以内に完成し、プランに応じて一度に複数の生成をリクエストすることもできます。

テキスト、画像、またはリファレンス動画からの動画生成

動画ツールにより、リモートMCPサーバーをサポートするあらゆるエージェントで、MCPサーバーを動画生成MCPとして利用できます。テキストプロンプトからの開始、静止画のアニメーション化、または（対応モデルでは）リファレンスメディアによる結果の制御が可能です。アスペクト比、解像度、長さのオプションはモデルによって異なり、エージェントは見積もり前にそれらを確認します。動画の生成には数分かかる場合があります。エージェントは独自に進捗を確認し、ファイルが準備できたらリンクを返します。

リップシンクとトーキングアバター

どちらの機能も、画面上の人物に新しいオーディオトラックを喋らせるものです。違いは、既存の動画から始めるか、1枚の画像から始めるかです。

動画ベース：既存の映像を再同期。 モデルに人物が話している動画と新しいオーディオトラックを渡すと、音声に合わせて口の動きが再調整されます。これは、製品ビデオの台詞変更、撮り直しなしでの修正、またはトーキングヘッド動画の他言語へのローカライズなど、既存の映像の更新用に構築されています。これらのモデルは動画とオーディオのみで動作し、テキストプロンプトは受け取りません。

画像ベース：ポートレートをアニメーション化。 モデルに1枚のポートレートとオーディオファイルを渡すと、スピーチに合わせて顔、頭、表情がアニメーション化されます。Creatify Aurora Avatarは、フレーミング、背景、照明を制御するためのオプションのプロンプトも受け取ります。一方、Infinitalk Avatarはプロンプトが必須で、より表情豊かな仕上がりになります。

権利を持っている素材を使用してください。 リップシンクやアバターの各ジョブの前に表示される確認メッセージは、使用許可のある映像、ポートレート、音声のみを使用するように注意を促します。

これらのツールはそれぞれ単独でも有用ですが、より大きな変化は、これらが連携したときに起こります。

---

一つの会話でスクリプトからトーキングアバターへ

音声と動画が同じMCPサーバーにある利点がここで発揮されます。ほとんどのアバターツールは完成したオーディオを用意することを前提としていますが、Fish Audioを使用すれば、エージェントがオーディオ自体を作成し、それを直接アバターモデルに渡すことができます。

プロセスの流れは以下の通りです：

1. スクリプトを書く。貼り付けるか、エージェントに下書きさせます。
2. 音声を生成する。エージェントはFish Audioボイスライブラリ、あなた自身のボイスクローン、またはVoice Designで作成したボイスを使用してtext_to_speechを呼び出します。[excited]や[whispering]などのオーディオタグを追加して、話し方を調整できます。テキスト読み上げはテキストの長さで課金され、個別の見積もりなしで音声生成時に即座に課金されます。
3. 顔を選ぶ。ポートレートをアップロードするか、同じセッション内で画像モデルを使って生成します。
4. アニメーション化する。エージェントはポートレートと生成したばかりの音声をアバターモデルに送信します。オーディオをダウンロードして再度アップロードする必要はありません。完成した音声が直接渡されます。
5. 承認して受け取る。アバター動画の見積もりが表示されるので、それを確認すると、完成したファイルへのリンクが送られてきます。

私たちはこの経路を正確にテストしました。text_to_speechで生成された6秒のクリップがアバターのオーディオ入力として直接受け入れられ、見積もりにはその正確な長さが反映されました。ダウンロードや再アップロードは不要でした。

これをエージェントにコピーして試してみてください：

Fish Audioを使って9:16のトーキングアバター動画を作成してください：
1. このスクリプトを温かみのある女性の英語の声で音声に変換してください：
   "Hi, welcome to Fish Audio. Today I'll show you lip sync and talking avatars."
2. アップロードしたポートレートとHeyGen Avatar 4を720pで使用し、そのオーディオを喋らせてください。
3. 先に価格を見積もってください。確認後に生成し、リンクを送ってください。

同じ考え方がリップシンクにも当てはまります。既存のトーキングヘッド動画をエージェントに指定し、新しい台詞を与えます：

Fish Audioを使って、アップロードしたトーキングヘッド動画に新しい台詞を付けてください：
1. 私のクローンボイスで音声を生成してください："Today's new arrivals are 20% off. Link in the comments."
2. Sync LipSync v3を使用して、動画の唇を新しいオーディオに一致させてください。
先に見積もりを出し、承認後に生成してください。

トーキングアバターとリップシンクには有料のPlusプラン以上が必要です。プランを見る →

生成結果を次の入力として再利用する

チェーン化はオーディオに限りません。ワークスペース内の完成した結果は、会話を離れることなく次のジョブに供給できます。画像を生成した後、エージェントに「今作った画像を、ゆっくりズームインする4秒の動画にして」と頼むことができます。エージェントは画像をリファレンスとして渡すため、ダウンロードや再アップロードの手間はありません。

コンピュータ上のファイルについては、エージェントが一時的なアップロードスロットを作成し、ファイルをアップロードしてくれます。エージェントがファイルを直接アップロードできない場合は、ブラウザからファイルをドラッグ＆ドロップできるリンクを表示します。

これらすべてがエージェント内部で完結します。これは見かけ以上に重要です。単体では、ほとんどのAIエージェントは動画やトーキングアバターを作成できず、画像を生成できるものでさえ単一の内蔵モデルに縛られています。MCPサーバーを接続することで、そのギャップが解消されます。

---

なぜAIエージェントに画像・動画生成用MCPが必要なのか

今日のAIエージェントは非常に有能です。キャンペーンの計画を立て、スクリプトを書き、それが掲載されるページを構築することもできます。しかし、ビジュアルに関しては、サポートにばらつきがあります。Claudeのようなアシスタントは、画像生成ツールのように写真やイラストを生成しません。ChatGPTやCodexのように画像生成を含むものもありますが、それは特定のプロバイダーのモデルに縛られています。動画、リップシンク、トーキングアバターは、通常、手の届かないところにあります。

このギャップにより、使い慣れたルーチンが生まれます。エージェントでプロンプトを書き、それを別の画像・動画アプリに貼り付け、待機し、ファイルをダウンロードしてプロジェクトに戻します。修正のたびにこのループが繰り返されます。多くの開発者が選ぶ代替案は、モデルごとにMCPサーバーを用意することですが、それはプロバイダーごとのAPIキーと設定項目が必要になることを意味します。

Model Context Protocol (MCP) は、エージェントに新しいツールを与えるための標準規格です。Fish Audioはこれを利用して余計なステップを排除し、モデルの選択肢を広げます。エージェントが生成ツールを直接呼び出し、結果がリンクとして返され、修正、アニメーション、ナレーションといった次のステップが同じ会話内で行われます。Claude Code、Cursor、またはその他のサポートされているエージェントでの画像生成は、単なる一つのツール呼び出しになります。

導入はコマンド一つで完了します。

---

画像生成MCPのセットアップ方法

サーバーは https://api.fish.audio/mcp にあり、ストリーマブルHTTPを使用します。サインインはブラウザでFish Audioアカウントを使って行います。APIキーや環境変数は不要です。以下のリストからお使いのエージェントを選んでください。

ドキュメント用MCPをお探しですか？ llms.txt, MCP, and Agent Skills に関する以前のガイドでは、コーディングエージェントがFish Audio APIドキュメントを参照できるようにする読み取り専用サーバー docs.fish.audio/mcp を紹介しました。この記事のサーバーはそれとは異なり、アカウントにサインインしてコンテンツを作成するためのものです。両方を並行して実行することも可能です。

Claude Code

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

その後、Claude Code内で /mcp を実行してサインインします。

Claude.ai

Settings → Connectors → Add custom connector に移動し、https://api.fish.audio/mcp を入力します。Claudeがサインインの手順を案内します。

Cursor

コマンドパレット（Cmd/Ctrl+Shift+P）を開き → Open MCP settings → Add custom MCP を選択し、以下を追加します：

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

初回使用時にCursorがサインインを求めます。

Codex CLI

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

ログインコマンドによりブラウザウィンドウが開きます。codex mcp get fish-audio で接続を確認してください。

Windsurf

Settings → Cascade → MCP Servers → View raw config (~/.codeium/windsurf/mcp_config.json) に移動し、以下を追加します：

{
  "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

devin mcp list で接続を確認します。Devinはシェル内で動作するため、結果をローカルに保存することもできます。テストでは、リクエストに応じて完成した動画をダウンロードフォルダーに保存しました。

サインインとチームの選択

どのクライアントも同じFish Audioサインインページを開きます。一度接続を承認して使用するチームを選択すれば、その後はクライアントが自動的にアクセスを更新します。

接続は選択したチームに紐付けられます。そのチームのワークスペースのみを表示し、そのチームのクレジットのみを使用できます。別のチームで作業する場合は、サーバーを再度追加し、サインイン時にそのチームを選択してください。

接続できましたか？ 最初のプロンプトを試してみましょう：「夜明けの灯台の16:9の水彩画を作成して。まず価格を表示してから生成して。」 Fish Audioで無料で始める →

---

生成の流れ：見積もり、確認、生成

接続すると、エージェントはあなたに代わって有料モデルを実行できるようになります。そこで当然の疑問が生じます。「意図した以上の出費を防ぐにはどうすればいいのか？」という点です。その答えは、エージェントの判断に任せるのではなく、サーバーに組み込まれています。

1. 発見 (Discover): エージェントは利用可能なモデルをリストアップし、必要なモデルのサポートされているオプション、デフォルト値、入力制限を読み取ります。
2. 見積もり (Quote): 画像、動画、リップシンク、アバターのジョブの前に、エージェントは見積もりを要求します。見積もりは無料です。ここでプランの制限もチェックされるため、リクエストにより上位のプランが必要な場合は、承認を求められる前に分かります。
3. 確認 (Confirm): エージェントは価格を表示して待機します。承認するまで課金されることはありません。
4. 生成 (Generate): エージェントは承認された正確なリクエストを送信します。サーバーは送信時にもう一度価格を確認します。価格が変わっていた場合、ジョブは拒否され、エージェントは再度見積もりを出す必要があります。請求額が承認した金額を超えることはありません。
5. 納品 (Deliver): エージェントは数秒ごとに進捗を確認し、完成したファイルへのリンクと、請求された金額を返します。

音声ツールは課金方法が異なります。 テキスト読み上げ（TTS）と音声文字起こし（STT）は見積もりステップを経由しません。これらは実行されるとすぐに課金され、テキスト読み上げはテキストの長さに応じて課金されます。

さらに2つのセーフガードがバックグラウンドで動作しています：

• 失敗したジョブは自動的に返金されます。 生成に失敗した場合、問い合わせ不要でクレジットが戻ります。
• 同じリクエストのリトライで二重課金されることはありません。 すべての有料リクエストには固有のキーが付与されます。タイムアウト後にエージェントが同じキーで同じリクエストを再送信した場合、サーバーは新しいジョブを開始して課金する代わりに、元のジョブの結果を返します。

多くのエージェントは独自のレイヤーを追加しています。例えば、Codexは各ツール呼び出しの前にあなたの許可を求めます。

---

内部構造：MCPメディアツール

開発者向けに、エージェントがバックグラウンドで呼び出しているメディアツールを紹介します：

リップシンクとトーキングアバターは generate_video を通じて実行されます。入力内容からジョブが識別されます：動画＋オーディオはリップシンク、ポートレート＋オーディオはアバターを意味します。text_to_speech、speech_to_text、search_voices、create_voice_clone、および Story Studio ツールなどのオーディオツールも同じサーバー内にあります。

ただし、これらのツールを自分で呼び出す必要はありません。実際には、希望する結果を説明するだけで、エージェントが適切な呼び出しをチェーン化してくれます。

---

ユースケース別プロンプト例

作成するものに合わせて分類した、いくつかの出発点をご紹介します：

Claude Code、Codex、Devinのようなコーディングエージェントでは、これらのツールはシェルと連携して動作します。エージェントはフォルダ内のすべての製品に対して画像をバッチ生成したり、ローカルの録音をアップロードしたり、完成したファイルをプロジェクトにダウンロードしたりできます。

---

プラン、クレジット、制限について

これらを試す前に、クレジットの仕組みと各機能に必要なプランを知っておくと役立ちます。

使用されるクレジット

MCPを介したメディア生成では、Fish Audioウェブプランのクレジットが使用されます。これはウェブアプリで使用するものと同じです。Fish Audio API用の個別の残高である「Developer APIクレジット」は使用されません。これらは購入場所が異なるため、どちらを補充すべきか確認しておく価値があります。

ウェブクレジットの追加やプランの変更は、Team → Plans から行えます。各MCP接続はサインイン時に選択したチームに紐付いているため、生成はそのチームのクレジットから引き落とされます。

必要なプラン

エージェントが生成できる内容は、プランによって異なります。プランの制限はエージェントが見積もりを要求したときにチェックされるため、プランに含まれていないジョブは承認を求められる前にフラグが立てられます。

• 画像の生成、編集、アップスケールは無料プランで利用可能です。無料プランには1日の画像割り当てが含まれています。
• テキストから画像を生成する場合、1回のリクエストでリクエストできる画像の枚数は、Freeプランで最大2枚、Plusで4枚、ProおよびMaxで8枚です。画像の編集は1回のリクエストにつき1枚返されます。
• 動画生成、リップシンク、トーキングアバターには、有料のPlus、Pro、またはMaxプランが必要です。
• 動画、リップシンク、アバターのジョブは、1回のリクエストにつき1つの出力を返します。

Freeプランから始める場合、画像生成がワークフローを試す最も簡単な方法です。動画、リップシンク、またはトーキングアバターを利用する準備ができたら、有料のPlusプラン以上にアップグレードすることでロックが解除されます。

価格

価格はモデルごとに異なり、ジョブのコストは解像度、長さ、画像の枚数などの設定によっても変わります。価格表に頼るよりも、エージェントに見積もりを依頼してください。見積もりは無料で、現在の価格が反映されます。ただし、テキスト読み上げ (TTS) は例外であり、テキストの長さに応じて課金され、実行時に即座に引き落とされます。

見積もりにはコストがかからないため、同じアイデアに対していくつかのモデルや設定を比較し、ジョブが課金される前に予算に合ったものを選択できます。

アップロード

一部のジョブは、自身のファイルから始まります。編集やアニメーション化する画像、リップシンクする動画、アバター用のオーディオなどです。エージェントは以下の制限内でアップロードを処理します：

• 画像：JPEG、PNG、またはWebP、最大20 MB
• 動画：MP4、MOV、WebM、またはMKV、最大1 GB
• オーディオ：MP3、WAV、M4A、AAC、OGG、またはFLAC、最大50 MB

個別のモデルでより厳しい制限がある場合があります。例えば、Creatify Aurora Avatarは1〜60秒のオーディオを受け付けます。エージェントは見積もり前に各モデルの制限を確認します。送信後にプロバイダーがインプットを拒否した場合、失敗したジョブは返金されます。同じワークスペース内ですでに生成した結果を再度アップロードする必要はありません。エージェントがそれらを直接引き渡します。

所要時間

画像は通常1分以内に完成します。動画、リップシンク、アバターには数分かかる場合があります。確認し続ける必要はありません。エージェントが独自に進捗を追跡し、ファイルが準備でき次第リンクを返します。

---

最後に：あなたのエージェントは今やメディアスタジオです

AIエージェントはすでに、ローンチの計画を立て、ランディングページを下書きし、コードをデプロイすることができます。これまでは、ビジュアルが限界でした。せいぜい内蔵の単一画像モデルがあるだけで、動画、リップシンク、トーキングアバターは人間が別のツールを使って行う作業でした。今回のアップデートはそのギャップを埋めるものです。一つの画像生成MCPにより、エージェントは音声、画像、動画、リップシンク、トーキングアバターを手に入れ、APIキーの管理も不要で、すべてのメディアジョブの前に見積もりを確認できるようになります。

より大きな変化は、これらの要素がどうつながるかです。スクリプトが音声になり、音声がトーキングアバターになり、画像が動画になります。アプリ間でファイルをやり取りする代わりに、各ステップがその結果を次のステップへと引き渡します。音声こそが、動画の中で誰かが実際に話していると感じさせる鍵であり、それはFish Audioが構築するものの核心です。それを画像や動画と同じ会話の中に置くことで、エージェントは数行のテキストから完成したクリップまでアイデアを形にできるようになります。

新しいモデルが追加されると、設定変更なしでエージェントのライブモデルリストに表示されます。その可能性を確かめる最も簡単な方法は、サーバーを接続して、普段なら3つの異なるツールを開いて作成するようなものをリクエストしてみることです。

Fish Audioを初めてご利用ですか？ 無料でサインアップ → 1分足らずでMCPサーバーを接続し、無料プランに含まれる画像生成から始めましょう。

動画、リップシンク、アバターの準備はできましたか？ プランを見る → Plus以上で、MCPを介した動画生成、リップシンク、トーキングアバターがアンロックされます。

MCPサーバーのドキュメントを読む →