Fish Audio: S1

S1 er Fish Audios tekst-til-tale-model fra den foregående generation til udtryksfuld fortælling og stemmeoutput med én taler. Den læser et leveret manuskript og returnerer lyd med en valgt eller referencebetinget stemme. Den fulde S1-model er adskilt fra S1-mini, den mindre destillerede model; producenten præsenterer dem som varianter med henholdsvis 4 milliarder og 0.5 milliarder parametre. Denne profil dækker den navngivne S1-model.

Til fortælling skal du forberede de ord, der faktisk skal siges, og markere de steder, hvor fremførelsen skal ændre sig. Et nyttigt forklarende manuskript angiver hovedpointen først, udfolder én idé ad gangen og bruger tegnsætning til at adskille fraser, som kræver en naturlig pause. Til en kort instruktion skal ordlyden være klar, når den høres uden en skærm. Bevar den tilsigtede læsning af navne, forkortelser og enheder, og kontrollér tal i det talte output frem for at antage, at en visuelt læsbar streng kun har én udtale.

S1 bruger følelses- og fremførelsesmarkører i parenteser, for eksempel (angry), (sad), (in a hurry) eller (chuckling). Placer en markør før den sætning eller frase, den skal påvirke, med den faktiske tale efter den. Fremførelsen gælder den efterfølgende tekst, så et stemningsskift skal stå dér, hvor præstationen skal ændre sig. Det er en anden syntaks end S2's anvisninger i firkantede parenteser; skriv manuskriptet til den valgte generation frem for at antage, at de to markeringsformer kan bruges i flæng.

En stemme kan vælges via en gemt stemmeidentifikator eller betinges af en referenceoptagelse sammen med dens transskription. Til en arbejdsgang med øjeblikkelig reference anbefaler den generelle talevejledning en ren prøve på 10–30 sekunder. Vælg en prøve, hvis talestil og optagelseskvalitet passer til det ønskede resultat, og sørg for, at transskriptionen svarer til ordene i prøven. Til en tilbagevendende fortæller skal du genbruge den samme stemmereference på tværs af passager, så et emneskift ikke utilsigtet bliver et karakterskift.

S1-udgivelsen nævner engelsk, kinesisk, japansk, tysk, fransk, spansk, koreansk, arabisk, russisk, nederlandsk, italiensk, polsk og portugisisk blandt de understøttede sprog og beskriver blanding af sprog i ét manuskript. Lever ordlyden på målsproget frem for at behandle talesyntese som et oversættelsestrin. I en passage med et lånt navn eller et sprogskift skal stavning og den omgivende sætningskontekst være tydelige, og du skal gennemgå, hvordan den valgte stemme håndterer overgangen.

S1's producentgrænseflade understøtter én taler pr. synteseanmodning. En dialog kan forberedes som særskilte segmenter med hver sin stemmereference og derefter samles af applikationen; indbygget syntese med flere talere i S2-familien er en særskilt funktion. Knyt rolle, stemme og tekst til hvert segment, når du forbereder figurreplikker. Synteseresultatet er en lydlig fremførelse af manuskriptet, mens tidsplacering af en samtale eller kombination med musik og video er et senere redigeringstrin.

Outputmulighederne omfatter MP3, WAV, rå PCM og Opus med MP3 som standard. Det dokumenterede output er mono; WAV og PCM bruger 16-bit-samples, og valgmulighederne for samplerate varierer efter format. MP3 understøtter 64, 128 og 192 kbps, mens Opus bruger 48 kHz. Hastigheden kan justeres fra 0.5 til 2.0 sammen med lydstyrkekontroller. Vælg en kodet fil som voiceoverleverance eller en passende strøm til afspilning, og gem den valgte stemme og manuskriptet sammen med resultatet.

Producenten behandler lang tekst i bidder med et dokumenteret interval for bidlængde på 100–300 og et budget for lydtokens pr. bid frem for en garanteret samlet optagelseslængde. Tekstnormalisering kan udvide engelske og kinesiske tal til naturlig oplæsning, og S1's gentagelsesstraf kan reducere gentagne lydmønstre. Normalisering af outputtets oplevede lydstyrke er en anden indstilling og har ingen effekt på S1. Undersøg udtale, frasegrænser, gentagne lyde og det tilsigtede følelsesskift, før den færdige passage samles, og revider derefter den konkrete replik eller reference, der kræver opmærksomhed.