Fish Audio: S2.1 Pro

Fish Audio S2.1 Pro vytváří expresivní vícejazyčnou řeč a nativní dialog více mluvčích s lepší kvalitou, latencí a propustností než S2 Pro. Přednes řiďte přímo ve scénáři a pomocí hlasových referencí vytvářejte komentář nebo konverzační zvuk.

Ailoot Ultra · Řeč POST /v1/audio/speech fish-audio/s2.1-pro

O modelu

Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.

S2.1 Pro je pozdější model generace S2 od Fish Audio pro převod textu na řeč, expresivní komentář a konverzační hlasové aplikace. Oproti S2 Pro zlepšuje kvalitu řeči, latenci a propustnost a zachovává řízení přednesu přirozeným jazykem i nativní dialog více mluvčích. S2.1 Pro a S2.1 Pro Free sdílejí stejný základní hlasový model.

Pro namluvené vysvětlení dodejte dokončené znění, zamýšlený hlas a místa, kde se má změnit tempo či důraz. U konverzační aplikace syntetizujte odpověď vybranou aplikací a její věcný obsah oddělte od pokynů k přednesu. U scénářového rozhovoru definujte mluvčí a jejich hlasy před napsáním replik. Užitečným výsledkem je úplná zvuková pasáž nebo přehratelný stream, jehož slova, přednes a role mluvčích odpovídají tomuto zadání.

Napište slova, která mají skutečně zaznít, a bezprostředně před pasáž, jejíž přednes se má změnit, vložte pokyn. Pokyny v hranatých závorkách mohou vyjádřit šepot, pauzu, reakci, důraz nebo volně popsaný styl řeči. Změnu uprostřed věty umístěte tam, kde ji přednes potřebuje, a za popisným pokynem vždy uveďte skutečný mluvený text. Užitečné zadání výkladu odděluje jeho věcné znění od vřelosti, tempa či důrazu, které má posluchač vnímat.

Pro jednoho mluvčího vyberte uložený identifikátor hlasu nebo poskytněte referenční nahrávku s přepisem. Hlasový průvodce výrobce doporučuje pro okamžité přizpůsobení hlasu čistý vzorek o délce 10–30 sekund. Zvolte referenci s tónem a kvalitou záznamu vhodnými pro scénář a u souvisejících pasáží zachovejte stejnou referenci. Hlasová reference dodává zvuk mluvčího; text a vložené pokyny určují obsah a jeho přednes.

Nativní syntéza s více mluvčími používá značky jako <|speaker:0|> a <|speaker:1|> spolu s uspořádaným polem identifikátorů hlasů nebo samostatnými skupinami referencí. Číselná označení mluvčích musí odpovídat tomuto pořadí. U výukového rozhovoru napište repliku každého mluvčího a pokyn k přednesu vložte na příslušné místo za značku mluvčího. Tak vznikne dialog v jediném požadavku; tento postup se liší od samostatných úseků s jedním mluvčím u S1 a jejich následného sestavení.

Postup výrobce nabízí výstup MP3, WAV, surové PCM a Opus; výchozí je MP3. MP3 podporuje 64, 128 a 192 kb/s; WAV a PCM používají zdokumentované 16bitové monofonní formáty vzorků, zatímco Opus používá 48 kHz. Formát zvolte podle toho, zda potřebujete uložený soubor s komentářem, streamované přehrávání nebo navazující zpracování zvuku. Se zvukem uchovávejte celý scénář a výběr hlasu, aby pozdější úprava jedné repliky neztratila zamýšlený přednes.

Rychlost lze upravit v rozsahu 0,5 až 2,0 a k dispozici je také ovládání hlasitosti. Normalizace textu rozepisuje anglická a čínská čísla pro přirozené čtení. Normalizace hlasitosti výstupu má výchozí hodnotu true a používá se u rodiny S2; stejné pole u S1 nemělo žádný účinek. Parametr repetition_penalty z S1 nemění zvuk S2.1 Pro, takže staré nastavení nelze považovat za účinný ovládací prvek tohoto modelu. Opakované zvuky a slova kontrolujte přímo, místo abyste výsledek posuzovali podle převzatého parametru.

Delší scénáře se zpracovávají po částech. Zdokumentovaný rozsah délky části je 100–300 a max_new_tokens představuje rozpočet zvukových tokenů na jednu část, nikoli záruku celkové délky nahrávky. Podmínění předchozí částí může přenášet hlasový kontext dále. Postup doručení výrobce popisuje úplný zvuk, postupně dodávané zvukové části a živé streamování textu, když scénář přichází průběžně. Zvolte způsob odběru vhodný pro aplikaci a zachovejte dostatek kontextu scénáře pro výslovnost a tón další pasáže.

Aby byl výsledný soubor užitečný, poslechem kontrolujte vynechaná či opakovaná slova, výslovnost čísel, střídání mluvčích, pauzy a intenzitu pokynů. Různé hlasové reference mohou stejný pokyn vyložit s odlišnou silou, proto začněte jednoduchou replikou s jedním pokynem a teprve poté přidávejte případně soupeřící značky. Při vícejazyčné práci dodejte scénář v cílovém jazyce, místo abyste hlasový model žádali o vymýšlení či překlad obsahu. Cílená úprava mění repliku, pokyn nebo referenci odpovědnou za nesoulad a zachovává části přednesu, které již zadání odpovídají.

Ailoot Ultra · Řeč POST /v1/audio/speech fish-audio/s2.1-pro

fish-audio/s2.1-pro

Fish Audio /fish-audio/s2.1-pro

Úvod

Přijímané vstupy: Text
Výsledky: Zvuk

Dostupné v Ailoot · vstupy a metody

Ailoot Ultra · Řeč POST /v1/audio/speech

Vstup: text
Výstup: audio

Pole	Typ	Požadavek	Hodnoty a limity	Výchozí
Pole`model`	Typ`string`	PožadavekPovinné	Hodnoty a limity fish-audio/s2.1-pro	Výchozí—
Pole`input`	Typ`string`	PožadavekPovinné	Hodnoty a limity Minimální délka: 1	Výchozí—
Pole`voice`	Typ`string`	PožadavekPovinné	Hodnoty a limity b347db033a6549378b48d00acb0d06cd Minimální délka: 1	Výchozí—
Pole`response_format`	Typ`string`	PožadavekVolitelné	Hodnoty a limity mp3, pcm	Výchozípcm
Pole`provider`	Typ`object`	PožadavekVolitelné	Hodnoty a limity	Výchozí—

Parametry a životní cyklus metody

Parametr	Kontrakt
Parametr`content_type`	Kontraktapplication/json
Parametr`required`	Kontraktmodel, input, voice
Parametr`material_types`	Kontrakttext

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}

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
Konfiguracevstupní bajt UTF-8	Tabulka sazeb—	Účtovací jednotkaza vstupní bajt UTF-8	Poplatek Vstup · vstupní bajt UTF-8 $0.00003 za vstupní bajt UTF-8

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 →

Příklady požadavků

Ailoot Ultra · Řeč

Použijte skutečný vstup a uchovejte úplný výsledek

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_INPUT_TEXT:?Set the actual documented input value}"
export AILOOT_INPUT_TEXT
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
request={'model': 'fish-audio/s2.1-pro', 'input': '${ACTUAL_INPUT_TEXT}', 'voice': 'b347db033a6549378b48d00acb0d06cd', 'response_format': 'mp3'}
request['input']=os.environ['AILOOT_INPUT_TEXT']
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
# Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.

Přijímání a ukládání výsledků

Ailoot Ultra · Řeč

Úplný binární zvuk nebo původní odpověď audio_url, hlavičky a každý soubor spravovaný službou.

GET /v1/media/tasks/{task_id}
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}

Další načtení obsahu

Načíst existující soubory, které vám patří

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o owned-assets.json
# Preserve every returned asset and follow its exact signed content URL. Do not construct a signed token.

Uchovejte všechny dokončené výsledky

Uchovejte každou úplnou vrácenou odpověď, soubor i část obsahu.

Uchovejte úplnou odpověď a hlavičky, všechny skutečné výstupy, původní vrácené identifikátory a všechna pole s údaji o využití. Obnovte původní operaci bez opětovného odeslání požadavku na vytvoření.

Pokud je nutné ověřit původní odpověď

Uchovejte vrácené X-Client-Request-ID pro spárování záznamů. Načítejte pouze skutečně vrácené hodnoty task_id/asset_id nebo vlastní knihovnu médií; nikdy nevytvářejte URL úlohy z ID operace a nikdy znovu neodesílejte požadavek na vytvoření.

Aliasy

Aliasy modelu

Ailoot Ultra fish-audio/s2.1-pro

Aliasy cest metod

Použijte cesty metod uvedené výše.

Související ID modelů

fish-audio/s2.1-pro

FAQ · Fish Audio: S2.1 Pro

Jaké vstupy a výsledky jsou dostupné?: POST /v1/audio/speech · fish-audio/s2.1-pro: text → audio
Jaká pole požadavek používá?: POST /v1/audio/speech · fish-audio/s2.1-pro: model, input, voice, response_format, provider

Fish Audio: S2.1 Pro