Fish Audio: S1
Fish Audio S1 převádí vícejazyčné scénáře na expresivní zvuk jednoho mluvčího pomocí hlasových referencí a emočních pokynů v kulatých závorkách. Použijte jej pro vyprávění, krátké mluvené pokyny nebo repliky postav, s ovládáním formátu a prozodie hotového zvuku.
O modelu
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
S1 je předchozí generace modelu převodu textu na řeč od Fish Audio pro expresivní vyprávění a hlasový výstup jednoho mluvčího. Čte dodaný scénář a vrací zvuk pomocí vybraného hlasu nebo hlasu podmíněného referencí. Plný model S1 se liší od S1-mini, menšího destilovaného modelu; výrobce je představuje jako varianty se 4 miliardami, respektive 0,5 miliardy parametrů. Tento profil se týká pojmenovaného modelu S1.
Pro vyprávění připravte slova, která mají skutečně zaznít, a označte místa, kde se má přednes změnit. Užitečný vysvětlující scénář uvádí nejprve hlavní myšlenku, rozvíjí vždy jeden nápad a interpunkcí odděluje fráze vyžadující přirozenou pauzu. U krátkého pokynu zachovejte znění jasné při poslechu bez obrazovky. Zachovejte zamýšlené čtení jmen, zkratek a jednotek a čísla ověřte v mluveném výstupu, místo abyste předpokládali, že vizuálně čitelný řetězec má jedinou výslovnost.
S1 používá emoční a přednesové pokyny v kulatých závorkách, například (angry), (sad), (in a hurry) nebo (chuckling). Pokyn umístěte před větu či frázi, kterou má ovlivnit, a skutečnou řeč za něj. Přednes patří k následujícímu textu, proto se změna nálady má objevit tam, kde se má změnit výkon. Tato syntaxe se liší od pokynů S2 v hranatých závorkách; scénář pište pro vybranou generaci a nepředpokládejte zaměnitelnost obou forem značek.
Hlas lze vybrat uloženým identifikátorem hlasu nebo podmínit referenční nahrávkou společně s jejím přepisem. Pro okamžitý referenční postup obecná příručka řeči doporučuje čistý vzorek v délce 10–30 sekund. Vyberte vzorek, jehož styl řeči a kvalita záznamu odpovídají zamýšlenému výsledku, a přepis přizpůsobte slovům v tomto vzorku. U opakujícího se vypravěče používejte stejnou hlasovou referenci mezi pasážemi, aby změna tématu nechtěně neznamenala změnu postavy.
Vydání S1 mezi podporovanými jazyky uvádí angličtinu, čínštinu, japonštinu, němčinu, francouzštinu, španělštinu, korejštinu, arabštinu, ruštinu, nizozemštinu, italštinu, polštinu a portugalštinu a popisuje míchání jazyků v jednom scénáři. Dodejte znění v cílovém jazyce a nepovažujte syntézu řeči za krok překladu. U pasáže s převzatým jménem nebo přechodem jazyka zachovejte jasný zápis i okolní větný kontext a ověřte, jak vybraný hlas přechod zpracuje.
Rozhraní výrobce S1 podporuje jednoho mluvčího na požadavek syntézy. Dialog lze připravit jako samostatné segmenty s vlastními hlasovými referencemi a poté sestavit v aplikaci; nativní syntéza více mluvčích rodiny S2 je samostatnou schopností. Při přípravě replik postav uchovávejte u každého segmentu roli, hlas a text. Výsledkem syntézy je zvukový přednes scénáře, zatímco časování rozhovoru nebo spojení s hudbou a videem je pozdějším krokem úprav.
Výstupní možnosti zahrnují MP3, WAV, surový PCM a Opus; výchozím formátem je MP3. Dokumentovaný výstup je monofonní; WAV a PCM používají 16bitové vzorky a možnosti vzorkovací frekvence se podle formátu liší. MP3 podporuje 64, 128 a 192 kbps, zatímco Opus používá 48 kHz. Rychlost lze nastavit od 0.5 do 2.0 a k dispozici je ovládání hlasitosti. Pro komentář vyberte kódovaný soubor nebo pro přehrávání vhodný proud a s výsledkem uchovejte vybraný hlas i scénář.
Výrobce zpracovává dlouhý text po částech, s dokumentovaným rozsahem délky části 100–300 a rozpočtem zvukových tokenů na část, nikoli se zaručenou celkovou délkou nahrávky. Normalizace textu může rozepsat anglická a čínská čísla do přirozeného čtení a penalizace opakování S1 může omezit opakované zvukové vzorce. Normalizace hlasitosti výstupu je jiné nastavení a na S1 nemá vliv. Před sestavením hotové pasáže zkontrolujte výslovnost, hranice frází, opakované zvuky a zamýšlený emoční přechod, poté upravte konkrétní repliku nebo referenci vyžadující pozornost.
Ailoot Ultra · Převod na řeč POST /v1/audio/speech fish-audio/s1
fish-audio/s1Úvod
Fish Audio S1 převádí vícejazyčné scénáře na expresivní zvuk jednoho mluvčího pomocí hlasových referencí a emočních pokynů v kulatých závorkách. Použijte jej pro vyprávění, krátké mluvené pokyny nebo repliky postav, s ovládáním formátu a prozodie hotového zvuku.
- Přijímané vstupy
- Text
- Výsledky
- Zvuk
Dostupné v Ailoot · vstupy a metody
Ailoot Ultra · Převod na řeč POST /v1/audio/speech
- Vstup
text- Výstup
audio- Výstupní formát
- skutečný binární zvuk deklarovaného typu
| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity fish-audio/s1 | Výchozí— |
Poleinput | Typstring | PožadavekPovinné | Hodnoty a limity Minimální délka: 1 | Výchozí— |
Polevoice | Typstring | PožadavekPovinné | Hodnoty a limity Příklady: b347db033a6549378b48d00acb0d06cd | Výchozí— |
Poleresponse_format | Typstring | PožadavekVolitelné | Hodnoty a limity mp3, pcm | Výchozípcm |
Kombinace vstupních materiálů
text_to_speech · Povinné: actual UTF-8 script, exact supported voice
Parametry a životní cyklus metody
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, input, voice |
Parametrmaterial_types | Kontrakttext |
Parametrvoice_ids | Kontraktb347db033a6549378b48d00acb0d06cd |
Parametrvoice_list_exhaustive | Kontraktfalse |
Parametrresponse_format | Kontraktmp3, pcm |
Parametrdefault_response_format | Kontraktpcm |
Parametrquantity | KontraktBajty UTF-8 jediného dekódovaného vstupního řetězce; bez ořezávání nebo normalizace |
Parametrnative_byte_quote_controls | KontraktNeprázdné instructions a vstup s replikami více mluvčích se v této přesné cestě cenové nabídky podle bajtů odmítají, dokud není deklarován přidaný účtovaný text. |
Životní cyklus: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · skutečně vrácené task_id nebo záznam v knihovně médií
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Použijte přesný model a dokumentovaná vstupní pole.
Uchovejte celou odpověď, každý skutečný výstup a původní vrácená ID.
Tarify
Údaje o tarifech nepřidávají možnosti požadavku. Podporované parametry jsou uvedeny u vybrané metody.
- Rychlý režim
- Neuvedeno Při výběru rychlého režimu
- Režim flex
- Neuvedeno Při výběru režimu flex
- Maximální intenzita uvažování
- Neuvedeno Když se při maximální intenzitě uvažování použije výchozí úprava (default)
Sazby Ailoot
Ceny podle konfigurace
Přiřaďte každý poplatek k uvedeným podmínkám. Pro každou sadu alternativních konfigurací použijte jednu sazbu.
| Konfigurace | Tabulka sazeb | Účtovací jednotka | Poplatek |
|---|---|---|---|
| KonfiguraceZákladní sazby za tokeny | Tabulka sazebZákladní sazba | Účtovací jednotka— | Poplatek Vstup · Vstupní tokeny — / 1K tokenů Výstup · Výstupní tokeny — / 1K tokenů Vstup · Čtení z mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
| KonfiguraceUltra | Tabulka sazeb— | Účtovací jednotkaza bajt vstupního zvuku v utf8 | Poplatek Vstup · bajt UTF-8 vstupního zvuku $0.00003 za bajt vstupního zvuku v utf8 |
Ailoot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →
Podrobnosti referenčního tarifu
Referenční tabulky modelu nemění výběr metody, cenové nabídky ani poplatky. Skutečné poplatky používají sazby vybrané metody Ailoot.
Fish Audio: S1
Ceny podle konfigurace
| Konfigurace | Podmínky účtování | Poplatek |
|---|---|---|
| KonfiguraceFish Audio: S1 · Výchozí konfigurace | Podmínky účtováníVýchozí konfigurace | Poplatek Vstup · Vstupní bajty UTF-8 0,00003 US$ za vstupní bajt UTF-8 |
Příklady požadavků
Ailoot Ultra · Převod na řeč
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
request={'model': 'fish-audio/s1', 'input': 'Hello world', 'voice': 'b347db033a6549378b48d00acb0d06cd', 'response_format': 'mp3'}
Path('request.json').write_text(json.dumps(request,ensure_ascii=False),encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \
-H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o response.bin
# Keep the complete original response and headers. Read every returned segment, word and usage field.
# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.
Přijímání a ukládání výsledků
Ailoot Ultra · Převod na řeč
skutečný binární zvuk deklarovaného typu
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Uchovejte všechny dokončené výsledky
Uchovejte každou úplnou vrácenou odpověď, soubor i část obsahu.
Uložte všechny binární bajty v úplnosti a všechny původní hlavičky; je-li vrácen JSON, uchovejte jej celý. Skutečná ID operací a souborů zůstávají zachována.
Pokud je nutné ověřit původní odpověď
Uchovejte původní operation_id/X-Client-Request-ID a původní odpověď. Načítejte skutečné záznamy úloh a souborů spravovaných službou bez opětovného odesílání; žádná vyhrazená URL pro dotazování na zvuk se nesestavuje.
Pole odpovědi
| Pole | Typ |
|---|---|
Polebinary audio | Typbytes |
Poleresponse headers | Typheaders |
Aliasy
Aliasy modelu
Ailoot Ultra fish-audio/s1
Aliasy cest metod
Použijte cesty metod uvedené výše.
Související ID modelů
FAQ · Fish Audio: S1
- Jaké vstupy a výsledky jsou dostupné?
POST /v1/audio/speech·fish-audio/s1:text→audio- Jaká pole požadavek používá?
POST /v1/audio/speech·fish-audio/s1:model,input,voice,response_format