Fish Audio: S1

S1 ist das Text-to-Speech-Modell der vorherigen Generation von Fish Audio für ausdrucksstarke Erzähltexte und Sprachausgabe mit einem Sprecher. Es liest ein bereitgestelltes Skript und liefert Audio mit einer ausgewählten oder durch Referenzmaterial bestimmten Stimme. Das vollständige S1-Modell unterscheidet sich von S1-mini, dem kleineren destillierten Modell; der Hersteller stellt sie als Varianten mit 4 Milliarden beziehungsweise 0,5 Milliarden Parametern vor. Dieses Profil behandelt das benannte S1-Modell.

Bereiten Sie für einen Erzähltext die tatsächlich zu sprechenden Wörter vor und markieren Sie die Stellen, an denen sich die Sprechweise ändern soll. Ein nützliches Erklärskript nennt zuerst seine Kernaussage, entwickelt jeweils einen Gedanken und trennt mit Satzzeichen Formulierungen, die eine natürliche Pause benötigen. Halten Sie eine kurze Anweisung auch beim Hören ohne Bildschirm verständlich. Bewahren Sie die vorgesehene Lesung von Namen, Abkürzungen und Einheiten und prüfen Sie Zahlen in der Sprachausgabe, statt anzunehmen, dass eine visuell lesbare Zeichenfolge nur eine Aussprache hat.

S1 verwendet Emotions- und Sprechhinweise in runden Klammern, etwa (angry), (sad), (in a hurry) oder (chuckling). Setzen Sie einen Hinweis vor den Satz oder die Formulierung, die er beeinflussen soll, mit dem tatsächlich gesprochenen Text dahinter. Die Sprechweise gehört zum folgenden Text; ein Stimmungswechsel sollte deshalb dort stehen, wo sich die Darbietung ändern muss. Diese Syntax unterscheidet sich von den Anweisungen in eckigen Klammern von S2. Schreiben Sie das Skript für die ausgewählte Generation, statt beide Auszeichnungsformen als austauschbar anzunehmen.

Eine Stimme lässt sich über eine gespeicherte Stimmenkennung auswählen oder anhand einer Referenzaufnahme zusammen mit deren Transkript bestimmen. Für einen unmittelbaren Referenzworkflow empfiehlt der allgemeine Sprachleitfaden eine saubere Aufnahme von 10–30 Sekunden. Wählen Sie ein Beispiel, dessen Sprechstil und Aufnahmequalität zum gewünschten Ergebnis passen, und stimmen Sie das Transkript auf die Wörter in dieser Aufnahme ab. Verwenden Sie für einen wiederkehrenden Erzähler über mehrere Passagen dieselbe Stimmreferenz, damit ein Themenwechsel nicht unbeabsichtigt zu einem Figurenwechsel wird.

Die S1-Veröffentlichung nennt unter anderem Englisch, Chinesisch, Japanisch, Deutsch, Französisch, Spanisch, Koreanisch, Arabisch, Russisch, Niederländisch, Italienisch, Polnisch und Portugiesisch als unterstützte Sprachen und beschreibt das Mischen von Sprachen innerhalb eines Skripts. Stellen Sie den Wortlaut in der Zielsprache bereit, statt Sprachsynthese als Übersetzungsschritt zu behandeln. Halten Sie bei einer Passage mit einem fremdsprachigen Namen oder einem Sprachwechsel Schreibweise und umgebenden Satzkontext klar und prüfen Sie, wie die gewählte Stimme diesen Übergang umsetzt.

Die S1-Schnittstelle des Herstellers unterstützt einen Sprecher pro Syntheseanfrage. Ein Dialog kann als separate Segmente mit eigenen Stimmreferenzen vorbereitet und anschließend von der Anwendung zusammengesetzt werden; native Synthese mit mehreren Sprechern in der S2-Familie ist eine separate Fähigkeit. Halten Sie bei der Vorbereitung von Figurenzeilen Rolle, Stimme und Text mit jedem Segment verknüpft. Das Syntheseergebnis ist eine Audio-Darbietung des Skripts; die zeitliche Abstimmung eines Gesprächs oder die Kombination mit Musik und Video ist ein späterer Bearbeitungsschritt.

Zu den Ausgabeoptionen gehören MP3, WAV, rohes PCM und Opus; MP3 ist die Standardeinstellung. Die dokumentierte Ausgabe ist mono; WAV und PCM verwenden 16-Bit-Samples, und die Auswahl der Abtastraten unterscheidet sich je nach Format. MP3 unterstützt 64, 128 und 192 kbps, während Opus 48 kHz verwendet. Die Geschwindigkeit lässt sich von 0.5 bis 2.0 anpassen, ergänzt durch Lautstärkeregler. Wählen Sie eine kodierte Datei für ein Voice-over-Ergebnis oder einen passenden Stream zur Wiedergabe und bewahren Sie gewählte Stimme und Skript beim Ergebnis auf.

Der Hersteller verarbeitet lange Texte abschnittsweise mit einem dokumentierten Abschnittslängenbereich von 100–300 und einem Audiotoken-Budget pro Abschnitt statt einer garantierten gesamten Aufnahmedauer. Textnormalisierung kann englische und chinesische Zahlen in natürliche Lesungen umwandeln, und die Wiederholungsstrafe von S1 kann wiederkehrende Audiomuster reduzieren. Die Lautheitsnormalisierung der Ausgabe ist eine andere Einstellung und hat bei S1 keine Wirkung. Prüfen Sie Aussprache, Formulierungsgrenzen, wiederholte Laute und den vorgesehenen emotionalen Wechsel, bevor Sie die fertige Passage zusammensetzen; überarbeiten Sie dann die konkrete Zeile oder Referenz, die Aufmerksamkeit benötigt.