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.
", "aboutText": "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.\n\nTil 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.\n\nS1 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.\n\nEn 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.\n\nS1-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.\n\nS1'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.\n\nOutputmulighederne 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.\n\nProducenten 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "7713c3045f67e8ba10797a74abfaa551a9a2c1712b94b4ee106d668df45af58a", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "fish-audio/s1Fish Audio S1 omdanner flersprogede manuskripter til udtryksfuld lyd med én taler ved hjælp af stemmereferencer og følelsesmarkører i parenteser. Brug den til fortælling, korte talte instruktioner eller figurreplikker med format- og prosodikontroller til den færdige lyd.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
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.
POST /v1/audio/speechtextaudio| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser fish-audio/s1 | Standard— |
Feltinput | Typestring | KravPåkrævet | Værdier og grænser Minimumslængde: 1 | Standard— |
Feltvoice | Typestring | KravPåkrævet | Værdier og grænser Eksempler: b347db033a6549378b48d00acb0d06cd | Standard— |
Feltresponse_format | Typestring | KravValgfrit | Værdier og grænser mp3, pcm | Standardpcm |
text_to_speech · Påkrævet: actual UTF-8 script, exact supported voice
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, input, voice |
Parametermaterial_types | Kontrakttext |
Parametervoice_ids | Kontraktb347db033a6549378b48d00acb0d06cd |
Parametervoice_list_exhaustive | Kontraktfalse |
Parameterresponse_format | Kontraktmp3, pcm |
Parameterdefault_response_format | Kontraktpcm |
Parameterquantity | KontraktUTF-8-bytes i én afkodet inputstreng; ingen trimning eller normalisering |
Parameternative_byte_quote_controls | KontraktIkke-tomme instruktioner og turbaseret input med flere talere afvises af netop denne sti til bytebaserede pristilbud, indtil den ekstra fakturerede tekst er angivet. |
Livscyklus: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · det faktisk returnerede task_id eller posten i mediebiblioteket
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Brug den præcise model og de dokumenterede inputfelter.
Behold hele svaret, hvert faktisk output og de oprindeligt returnerede ID’er.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Afregningsenhed | Beløb |
|---|---|---|---|
| KonfigurationGrundpriser for tokens | TakstplanGrundtakst | Afregningsenhed— | Beløb Input · Inputtokens — / 1K tokens Output · Outputtokens — / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationUltra | Takstplan— | Afregningsenhedpr. utf8-byte lydinput | Beløb Input · UTF-8-byte for inputlyd $0.00003 pr. utf8-byte lydinput |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
Referenceplaner på modelniveau ændrer ikke metodevalg, prisoverslag eller opkrævninger. Ved den aktive afregning anvendes taksterne for den valgte Ailoot-metode.
| Konfiguration | Afregningsbetingelser | Beløb |
|---|---|---|
| KonfigurationFish Audio: S1 · Standardkonfiguration | AfregningsbetingelserStandardkonfiguration | Beløb Input · UTF-8-inputbytes 0,00003 US$ pr. UTF-8-byte input |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nrequest={'model': 'fish-audio/s1', 'input': 'Hello world', 'voice': 'b347db033a6549378b48d00acb0d06cd', 'response_format': 'mp3'}\nPath('request.json').write_text(json.dumps(request,ensure_ascii=False),encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Keep the complete original response and headers. Read every returned segment, word and usage field.\n# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.\nfaktiske binære lyddata i det erklærede format
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Gem samtlige binære bytes og alle oprindelige headere; behold hele JSON-svaret, hvis det returneres. De faktiske operations- og aktiv-ID’er bevares.
Behold det oprindelige operation_id/X-Client-Request-ID og det oprindelige svar. Læs faktiske opgave- og aktivposter, du ejer, uden at indsende igen; der konstrueres ingen særskilt URL til statusforespørgsler for lyd.
| Felt | Type |
|---|---|
Feltbinary audio | Typebytes |
Feltresponse headers | Typeheaders |
Ailoot Ultra fish-audio/s1
Brug metodestierne vist ovenfor.