Fish Audio: S2.1 Pro

S2.1 Pro ist Fish Audios späteres Text-to-Speech-Modell der S2-Generation für ausdrucksstarke Sprecheraufnahmen und dialogorientierte Sprachanwendungen. Es verbessert Sprachqualität, Latenz und Durchsatz gegenüber S2 Pro und behält natürlichsprachliche Vortragssteuerung und native Dialoge mit mehreren Sprechenden bei. S2.1 Pro und S2.1 Pro Free teilen sich das zugrunde liegende Sprachmodell.

Stellen Sie für eine eingesprochene Erklärung den fertigen Wortlaut, die beabsichtigte Stimme und die Stellen bereit, an denen Geschwindigkeit oder Betonung wechseln sollen. Synthetisieren Sie für eine Gesprächsanwendung die von der Anwendung gewählte Antwort und halten Sie ihren sachlichen Inhalt von den Vortragsanweisungen getrennt. Definieren Sie für einen geskripteten Austausch die Sprechenden und ihre Stimmen, bevor Sie ihre Beiträge schreiben. Ein nützliches Ergebnis ist eine vollständige Audiopassage oder ein abspielbarer Stream, dessen Wörter, Vortrag und Sprecherrollen diesem Briefing entsprechen.

Schreiben Sie die Wörter, die tatsächlich gesprochen werden sollen, und setzen Sie eine Anweisung unmittelbar vor die Passage, deren Vortrag sich ändern soll. Anweisungen in eckigen Klammern können Flüstern, eine Pause, eine Reaktion, Betonung oder einen frei beschriebenen Sprechstil ausdrücken. Platzieren Sie einen Wechsel mitten im Satz genau dort, wo der Vortrag ihn benötigt, und lassen Sie auf beschreibende Anweisungen tatsächlichen Sprechtext folgen. Ein nützliches Briefing für eine Erklärung trennt den sachlichen Wortlaut von der gewünschten Wärme, Geschwindigkeit oder Betonung für die Zuhörenden.

Wählen Sie für eine einzelne sprechende Person eine gespeicherte Stimmenkennung aus oder stellen Sie eine Referenzaufnahme mit ihrer Transkription bereit. Der Sprachleitfaden des Herstellers empfiehlt eine saubere Probe von 10–30 Sekunden für die sofortige Stimmenkonditionierung. Wählen Sie eine Referenz mit dem zum Skript passenden Tonfall und der geeigneten Aufnahmequalität und behalten Sie dieselbe Referenz über zusammengehörige Passagen hinweg bei. Die Stimmenreferenz liefert den Klang der sprechenden Person; der Text und die darin eingefügten Anweisungen liefern Inhalt und Vortrag.

Die native Synthese mit mehreren Sprechenden verwendet Markierungen wie <|speaker:0|> und <|speaker:1|> zusammen mit einem geordneten Array von Stimmenkennungen oder separaten Referenzgruppen. Halten Sie die numerischen Sprecherbezeichnungen mit dieser Reihenfolge in Einklang. Schreiben Sie für einen erklärenden Dialog die jeweilige Sprecherzeile und setzen Sie die Vortragsanweisung hinter die zugehörige Sprechermarkierung. So entsteht innerhalb einer Anfrage ein Dialog; dies unterscheidet sich vom Ablauf bei S1 mit getrennten Segmenten für jeweils eine sprechende Person und anschließender Zusammenführung.

Der Ablauf des Herstellers bietet MP3, WAV, rohes PCM und Opus als Ausgabeformate; MP3 ist die Voreinstellung. MP3 unterstützt 64, 128 und 192 kbps; WAV und PCM verwenden die dokumentierten 16-Bit-Mono-Abtastformate, während Opus mit 48 kHz arbeitet. Wählen Sie das Format für eine gespeicherte Sprecherdatei, die Wiedergabe als Stream oder eine nachgelagerte Audiopipeline. Bewahren Sie das vollständige Skript und die Stimmenauswahl gemeinsam mit dem Audio auf, damit eine spätere Bearbeitung eine einzelne Zeile ändern kann, ohne den beabsichtigten Vortrag zu verlieren.

Die Geschwindigkeit lässt sich von 0.5 bis 2.0 anpassen; außerdem gibt es Lautstärkeregler. Die Textnormalisierung schreibt englische und chinesische Zahlen für eine natürliche Aussprache aus. Die Normalisierung der Ausgabelautheit ist standardmäßig auf true gesetzt und wird auf die S2-Familie angewendet; bei S1 hatte dasselbe Feld keine Wirkung. repetition_penalty aus S1 verändert das Audio von S2.1 Pro nicht, daher sollte eine alte Einstellung nicht als wirksamer Regler für dieses Modell betrachtet werden. Prüfen Sie wiederholte Laute und Wörter direkt, statt das Ergebnis anhand eines übernommenen Parameters zu beurteilen.

Längere Skripte werden in Abschnitten verarbeitet. Der dokumentierte Bereich für die Abschnittslänge beträgt 100–300, und max_new_tokens ist ein Audiotoken-Budget pro Abschnitt statt einer Garantie für die Gesamtdauer. Die Konditionierung anhand des vorigen Abschnitts kann den Stimmenkontext weitertragen. Der Auslieferungsablauf des Herstellers beschreibt vollständiges Audio, schrittweise gelieferte Audioabschnitte und Live-Textstreaming, wenn das Skript nach und nach eintrifft. Wählen Sie die Art der Audionutzung passend zur Anwendung und erhalten Sie genug Skriptkontext für Aussprache und Tonfall der nächsten Passage.

Hören Sie für ein nützliches fertiges Ergebnis auf ausgelassene oder wiederholte Wörter, die Aussprache von Zahlen, Sprecherwechsel, Pausen und die Intensität der Anweisungen. Verschiedene Stimmenreferenzen können eine Anweisung unterschiedlich stark umsetzen; beginnen Sie daher mit einer einfachen angeleiteten Zeile, bevor Sie konkurrierende Tags hinzufügen. Stellen Sie bei mehrsprachigen Aufgaben das Skript in der Zielsprache bereit, statt vom Sprachmodell zu erwarten, dass es dessen Inhalt erfindet oder übersetzt. Eine gezielte Überarbeitung ändert die für die Abweichung verantwortliche Zeile, Anweisung oder Referenz und erhält die bereits zum Briefing passenden Teile des Vortrags.