S2 Pro ist Fish Audios Text-to-Speech-Modell der zweiten Generation für ausdrucksstarke Sprecheraufnahmen, Figurendialoge und dialogorientierte Sprachausgabe. Es wandelt ein geschriebenes Skript in Audio um und unterstützt natürlichsprachliche Anweisungen auf Wort- oder Phrasenebene. Die frühere S1-Generation verwendet Hinweise in runden Klammern, während S2 Pro nativ eckige Klammern verwendet und mehrere Sprechende innerhalb einer Syntheseanfrage unterstützt. Der Hersteller veröffentlicht die Gewichte und den Fine-Tuning-Code von S2 Pro für gesonderte Anpassungsarbeiten; eine gewöhnliche Sprachanfrage verwendet das ausgewählte Modell, statt ein neues zu trainieren.
Schreiben Sie zuerst den gesprochenen Inhalt und setzen Sie anschließend eine Vortragsanweisung unmittelbar vor das Wort oder die Phrase, auf die sie wirken soll. Anweisungen können Flüstern, eine Reaktion, eine Pause, einen Gefühlswechsel oder einen frei beschriebenen Sprechstil ausdrücken. Halten Sie bei einer kurzen Produkterklärung den sachlichen Satz klar und setzen Sie Betonung nur dort, wo die Zuhörenden einen Unterschied bemerken sollen. Beschreiben Sie bei einer Figurenzeile den emotionalen Wechsel an der Stelle, an der er auftritt, statt die gesamte Passage in einer festen Stimmung zu halten.
Tags in eckigen Klammern sind frei formulierte Beschreibungen und keine geschlossene Auswahl. Beispiele sind [whispering], [sigh], [long pause] und eine Formulierung wie [speaking slowly, almost hesitant]. Tags können mitten im Satz stehen und beeinflussen die folgende Sprache. Auf einen beschreibenden Tag muss tatsächlicher Text folgen; eine isolierte Anweisung kann unvorhersehbare Ausgabe erzeugen. Beginnen Sie mit ein oder zwei nützlichen Anweisungen, bevor Sie weitere Ebenen hinzufügen, denn konkurrierende Tags können den beabsichtigten Vortrag verdecken. Verschiedene Stimmenreferenzen können dieselbe Anweisung unterschiedlich intensiv umsetzen.
Die Veröffentlichung von S2 beschreibt rund 80 Sprachen und zeigt Beispiele mit Vortragsanweisungen in derselben Sprache wie das Skript. Bereiten Sie den Wortlaut in der zu sprechenden Sprache vor und bewahren Sie Namen, Einheiten und Abkürzungen, die eine bestimmte Aussprache benötigen. Eine mehrsprachige Sprecheraufnahme kann ihre beabsichtigte Stimme beim Wechsel der Skriptsprache beibehalten; das fertige Ergebnis muss dennoch auf Aussprache und Kontinuität abgehört werden. Die Synthese gibt den bereitgestellten Inhalt als Sprache aus, statt zu entscheiden, welche Informationen die Anwendung sagen soll.
Wählen Sie für eine einzelne sprechende Person eine gespeicherte Stimmenkennung oder stellen Sie Referenzaudio samt passender Transkription bereit. Der Hersteller empfiehlt eine saubere Probe von 10–30 Sekunden für die sofortige Konditionierung. Verwenden Sie für Dialoge Sprechermarkierungen wie <|speaker:0|> und <|speaker:1|> zusammen mit einer geordneten Liste von Stimmenkennungen oder separaten Referenzgruppen für die Sprechenden. Die numerische Markierung wählt den entsprechenden Stimmeneintrag; halten Sie die Reihenfolge im Gesprächsverlauf fest. Natürlichsprachliche Vortragsanweisungen und die Sprecherauswahl erfüllen unterschiedliche Aufgaben im Skript.
Die Audioausgabe kann MP3, WAV, rohes PCM oder Opus sein. MP3 verwendet standardmäßig 128 kbps und bietet 64 oder 192 kbps; Opus-Ausgabe arbeitet mit 48 kHz, während WAV und PCM ihre dokumentierten Abtastraten als 16-Bit-Mono unterstützen. Wählen Sie das Format für sein tatsächliches Ziel: eine gespeicherte Datei für Sprecheraufnahmen oder geeignete Audioabschnitte für die Wiedergabe. Der Sprachablauf des Herstellers beschreibt auch Live-Textstreaming, wenn das Skript nach und nach eintrifft. Das generierte Ergebnis sollte mit dem vollständigen Skript und den ausgewählten Stimmen verknüpft bleiben.
Die Geschwindigkeit lässt sich zwischen 0.5 und 2.0 einstellen; hinzu kommen Lautstärke- und Ausgabelautheitsnormalisierung. Textnormalisierung verbessert die Aussprache englischer und chinesischer Zahlen. Die Verarbeitung verwendet Abschnitte im Bereich 100–300 und ein Audiotoken-Budget pro Abschnitt; diese Einstellungen sind daher nicht als feste Maximallänge einer gesamten Sprecheraufnahme zu lesen. Die Konditionierung anhand des vorigen Abschnitts kann Stimmenkontext in das nächste Segment tragen. Sampling-Regler wie temperature und top-p beeinflussen die Variation; auch eine gezielt angeleitete Zeile benötigt genug Text und Kontext, um den beabsichtigten Klang zu tragen.
Ein nützliches Produktionsbriefing trennt Sprechertext, Dialog und Vortragsanweisungen und legt anschließend Stimme und Format des Ergebnisses fest. Hören Sie auf fehlende Wörter, wiederholtes Audio, Zahlenaussprache, Sprecherwechsel und das Timing einer Reaktion. Überarbeiten Sie die für die Abweichung verantwortliche Zeile oder Stimmenreferenz, statt anzunehmen, dass mehr Tags jede Passage verbessern. S2 Pro bleibt ein eigenständiges S2-Modell der vorherigen Generation; S2.1 Pro ist die spätere Ausgabe mit eigenen Verbesserungen und modellspezifischem Einstellungsverhalten.
", "aboutText": "S2 Pro ist Fish Audios Text-to-Speech-Modell der zweiten Generation für ausdrucksstarke Sprecheraufnahmen, Figurendialoge und dialogorientierte Sprachausgabe. Es wandelt ein geschriebenes Skript in Audio um und unterstützt natürlichsprachliche Anweisungen auf Wort- oder Phrasenebene. Die frühere S1-Generation verwendet Hinweise in runden Klammern, während S2 Pro nativ eckige Klammern verwendet und mehrere Sprechende innerhalb einer Syntheseanfrage unterstützt. Der Hersteller veröffentlicht die Gewichte und den Fine-Tuning-Code von S2 Pro für gesonderte Anpassungsarbeiten; eine gewöhnliche Sprachanfrage verwendet das ausgewählte Modell, statt ein neues zu trainieren.\n\nSchreiben Sie zuerst den gesprochenen Inhalt und setzen Sie anschließend eine Vortragsanweisung unmittelbar vor das Wort oder die Phrase, auf die sie wirken soll. Anweisungen können Flüstern, eine Reaktion, eine Pause, einen Gefühlswechsel oder einen frei beschriebenen Sprechstil ausdrücken. Halten Sie bei einer kurzen Produkterklärung den sachlichen Satz klar und setzen Sie Betonung nur dort, wo die Zuhörenden einen Unterschied bemerken sollen. Beschreiben Sie bei einer Figurenzeile den emotionalen Wechsel an der Stelle, an der er auftritt, statt die gesamte Passage in einer festen Stimmung zu halten.\n\nTags in eckigen Klammern sind frei formulierte Beschreibungen und keine geschlossene Auswahl. Beispiele sind [whispering], [sigh], [long pause] und eine Formulierung wie [speaking slowly, almost hesitant]. Tags können mitten im Satz stehen und beeinflussen die folgende Sprache. Auf einen beschreibenden Tag muss tatsächlicher Text folgen; eine isolierte Anweisung kann unvorhersehbare Ausgabe erzeugen. Beginnen Sie mit ein oder zwei nützlichen Anweisungen, bevor Sie weitere Ebenen hinzufügen, denn konkurrierende Tags können den beabsichtigten Vortrag verdecken. Verschiedene Stimmenreferenzen können dieselbe Anweisung unterschiedlich intensiv umsetzen.\n\nDie Veröffentlichung von S2 beschreibt rund 80 Sprachen und zeigt Beispiele mit Vortragsanweisungen in derselben Sprache wie das Skript. Bereiten Sie den Wortlaut in der zu sprechenden Sprache vor und bewahren Sie Namen, Einheiten und Abkürzungen, die eine bestimmte Aussprache benötigen. Eine mehrsprachige Sprecheraufnahme kann ihre beabsichtigte Stimme beim Wechsel der Skriptsprache beibehalten; das fertige Ergebnis muss dennoch auf Aussprache und Kontinuität abgehört werden. Die Synthese gibt den bereitgestellten Inhalt als Sprache aus, statt zu entscheiden, welche Informationen die Anwendung sagen soll.\n\nWählen Sie für eine einzelne sprechende Person eine gespeicherte Stimmenkennung oder stellen Sie Referenzaudio samt passender Transkription bereit. Der Hersteller empfiehlt eine saubere Probe von 10–30 Sekunden für die sofortige Konditionierung. Verwenden Sie für Dialoge Sprechermarkierungen wie <|speaker:0|> und <|speaker:1|> zusammen mit einer geordneten Liste von Stimmenkennungen oder separaten Referenzgruppen für die Sprechenden. Die numerische Markierung wählt den entsprechenden Stimmeneintrag; halten Sie die Reihenfolge im Gesprächsverlauf fest. Natürlichsprachliche Vortragsanweisungen und die Sprecherauswahl erfüllen unterschiedliche Aufgaben im Skript.\n\nDie Audioausgabe kann MP3, WAV, rohes PCM oder Opus sein. MP3 verwendet standardmäßig 128 kbps und bietet 64 oder 192 kbps; Opus-Ausgabe arbeitet mit 48 kHz, während WAV und PCM ihre dokumentierten Abtastraten als 16-Bit-Mono unterstützen. Wählen Sie das Format für sein tatsächliches Ziel: eine gespeicherte Datei für Sprecheraufnahmen oder geeignete Audioabschnitte für die Wiedergabe. Der Sprachablauf des Herstellers beschreibt auch Live-Textstreaming, wenn das Skript nach und nach eintrifft. Das generierte Ergebnis sollte mit dem vollständigen Skript und den ausgewählten Stimmen verknüpft bleiben.\n\nDie Geschwindigkeit lässt sich zwischen 0.5 und 2.0 einstellen; hinzu kommen Lautstärke- und Ausgabelautheitsnormalisierung. Textnormalisierung verbessert die Aussprache englischer und chinesischer Zahlen. Die Verarbeitung verwendet Abschnitte im Bereich 100–300 und ein Audiotoken-Budget pro Abschnitt; diese Einstellungen sind daher nicht als feste Maximallänge einer gesamten Sprecheraufnahme zu lesen. Die Konditionierung anhand des vorigen Abschnitts kann Stimmenkontext in das nächste Segment tragen. Sampling-Regler wie temperature und top-p beeinflussen die Variation; auch eine gezielt angeleitete Zeile benötigt genug Text und Kontext, um den beabsichtigten Klang zu tragen.\n\nEin nützliches Produktionsbriefing trennt Sprechertext, Dialog und Vortragsanweisungen und legt anschließend Stimme und Format des Ergebnisses fest. Hören Sie auf fehlende Wörter, wiederholtes Audio, Zahlenaussprache, Sprecherwechsel und das Timing einer Reaktion. Überarbeiten Sie die für die Abweichung verantwortliche Zeile oder Stimmenreferenz, statt anzunehmen, dass mehr Tags jede Passage verbessern. S2 Pro bleibt ein eigenständiges S2-Modell der vorherigen Generation; S2.1 Pro ist die spätere Ausgabe mit eigenen Verbesserungen und modellspezifischem Einstellungsverhalten.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "f33d7e96ed9cf917f1caca6362d4c2a971505e91c7a780c4e5f1e25e1fb9cdcb", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-at", "methods": [ { "html": "fish-audio/s2-proFish Audio S2 Pro erzeugt ausdrucksstarke mehrsprachige Sprache mit Anweisungen auf Wortebene und nativen Dialogen mit mehreren Sprechenden. Anweisungen in eckigen Klammern steuern den Vortrag im Skript; Stimmenreferenzen bestimmen die Sprechenden und Ausgabeeinstellungen das Audioergebnis.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
S2 Pro ist Fish Audios Text-to-Speech-Modell der zweiten Generation für ausdrucksstarke Sprecheraufnahmen, Figurendialoge und dialogorientierte Sprachausgabe. Es wandelt ein geschriebenes Skript in Audio um und unterstützt natürlichsprachliche Anweisungen auf Wort- oder Phrasenebene. Die frühere S1-Generation verwendet Hinweise in runden Klammern, während S2 Pro nativ eckige Klammern verwendet und mehrere Sprechende innerhalb einer Syntheseanfrage unterstützt. Der Hersteller veröffentlicht die Gewichte und den Fine-Tuning-Code von S2 Pro für gesonderte Anpassungsarbeiten; eine gewöhnliche Sprachanfrage verwendet das ausgewählte Modell, statt ein neues zu trainieren.
Schreiben Sie zuerst den gesprochenen Inhalt und setzen Sie anschließend eine Vortragsanweisung unmittelbar vor das Wort oder die Phrase, auf die sie wirken soll. Anweisungen können Flüstern, eine Reaktion, eine Pause, einen Gefühlswechsel oder einen frei beschriebenen Sprechstil ausdrücken. Halten Sie bei einer kurzen Produkterklärung den sachlichen Satz klar und setzen Sie Betonung nur dort, wo die Zuhörenden einen Unterschied bemerken sollen. Beschreiben Sie bei einer Figurenzeile den emotionalen Wechsel an der Stelle, an der er auftritt, statt die gesamte Passage in einer festen Stimmung zu halten.
Tags in eckigen Klammern sind frei formulierte Beschreibungen und keine geschlossene Auswahl. Beispiele sind [whispering], [sigh], [long pause] und eine Formulierung wie [speaking slowly, almost hesitant]. Tags können mitten im Satz stehen und beeinflussen die folgende Sprache. Auf einen beschreibenden Tag muss tatsächlicher Text folgen; eine isolierte Anweisung kann unvorhersehbare Ausgabe erzeugen. Beginnen Sie mit ein oder zwei nützlichen Anweisungen, bevor Sie weitere Ebenen hinzufügen, denn konkurrierende Tags können den beabsichtigten Vortrag verdecken. Verschiedene Stimmenreferenzen können dieselbe Anweisung unterschiedlich intensiv umsetzen.
Die Veröffentlichung von S2 beschreibt rund 80 Sprachen und zeigt Beispiele mit Vortragsanweisungen in derselben Sprache wie das Skript. Bereiten Sie den Wortlaut in der zu sprechenden Sprache vor und bewahren Sie Namen, Einheiten und Abkürzungen, die eine bestimmte Aussprache benötigen. Eine mehrsprachige Sprecheraufnahme kann ihre beabsichtigte Stimme beim Wechsel der Skriptsprache beibehalten; das fertige Ergebnis muss dennoch auf Aussprache und Kontinuität abgehört werden. Die Synthese gibt den bereitgestellten Inhalt als Sprache aus, statt zu entscheiden, welche Informationen die Anwendung sagen soll.
Wählen Sie für eine einzelne sprechende Person eine gespeicherte Stimmenkennung oder stellen Sie Referenzaudio samt passender Transkription bereit. Der Hersteller empfiehlt eine saubere Probe von 10–30 Sekunden für die sofortige Konditionierung. Verwenden Sie für Dialoge Sprechermarkierungen wie <|speaker:0|> und <|speaker:1|> zusammen mit einer geordneten Liste von Stimmenkennungen oder separaten Referenzgruppen für die Sprechenden. Die numerische Markierung wählt den entsprechenden Stimmeneintrag; halten Sie die Reihenfolge im Gesprächsverlauf fest. Natürlichsprachliche Vortragsanweisungen und die Sprecherauswahl erfüllen unterschiedliche Aufgaben im Skript.
Die Audioausgabe kann MP3, WAV, rohes PCM oder Opus sein. MP3 verwendet standardmäßig 128 kbps und bietet 64 oder 192 kbps; Opus-Ausgabe arbeitet mit 48 kHz, während WAV und PCM ihre dokumentierten Abtastraten als 16-Bit-Mono unterstützen. Wählen Sie das Format für sein tatsächliches Ziel: eine gespeicherte Datei für Sprecheraufnahmen oder geeignete Audioabschnitte für die Wiedergabe. Der Sprachablauf des Herstellers beschreibt auch Live-Textstreaming, wenn das Skript nach und nach eintrifft. Das generierte Ergebnis sollte mit dem vollständigen Skript und den ausgewählten Stimmen verknüpft bleiben.
Die Geschwindigkeit lässt sich zwischen 0.5 und 2.0 einstellen; hinzu kommen Lautstärke- und Ausgabelautheitsnormalisierung. Textnormalisierung verbessert die Aussprache englischer und chinesischer Zahlen. Die Verarbeitung verwendet Abschnitte im Bereich 100–300 und ein Audiotoken-Budget pro Abschnitt; diese Einstellungen sind daher nicht als feste Maximallänge einer gesamten Sprecheraufnahme zu lesen. Die Konditionierung anhand des vorigen Abschnitts kann Stimmenkontext in das nächste Segment tragen. Sampling-Regler wie temperature und top-p beeinflussen die Variation; auch eine gezielt angeleitete Zeile benötigt genug Text und Kontext, um den beabsichtigten Klang zu tragen.
Ein nützliches Produktionsbriefing trennt Sprechertext, Dialog und Vortragsanweisungen und legt anschließend Stimme und Format des Ergebnisses fest. Hören Sie auf fehlende Wörter, wiederholtes Audio, Zahlenaussprache, Sprecherwechsel und das Timing einer Reaktion. Überarbeiten Sie die für die Abweichung verantwortliche Zeile oder Stimmenreferenz, statt anzunehmen, dass mehr Tags jede Passage verbessern. S2 Pro bleibt ein eigenständiges S2-Modell der vorherigen Generation; S2.1 Pro ist die spätere Ausgabe mit eigenen Verbesserungen und modellspezifischem Einstellungsverhalten.
POST /v1/audio/speechtextaudio| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits fish-audio/s2-pro | Standard— |
Feldinput | Typstring | AnforderungErforderlich | Werte und Limits Mindestlänge: 1 | Standard— |
Feldvoice | Typstring | AnforderungErforderlich | Werte und Limits b347db033a6549378b48d00acb0d06cd Mindestlänge: 1 | Standard— |
Feldresponse_format | Typstring | AnforderungOptional | Werte und Limits mp3, pcm | Standardpcm |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits | Standard— |
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, input, voice |
Parametermaterial_types | Vertragtext |
Lebenszyklus: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · die tatsächlich zurückgegebene task_id oder ein Eintrag in der Medienbibliothek
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Abrechnungseinheit | Gebühr |
|---|---|---|---|
| KonfigurationBasistarife für Tokens | TarifstaffelGrundtarif | Abrechnungseinheit— | Gebühr Eingabe · Eingabetoken — / 1K Tokens Ausgabe · Ausgabetoken — / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
| KonfigurationUTF-8-Eingabebyte | Tarifstaffel— | Abrechnungseinheitpro UTF-8-Byte der Eingabe | Gebühr Eingabe · UTF-8-Eingabebyte $0.00003 pro UTF-8-Byte der Eingabe |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_INPUT_TEXT:?Set the actual documented input value}"\nexport AILOOT_INPUT_TEXT\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nrequest={'model': 'fish-audio/s2-pro', 'input': '${ACTUAL_INPUT_TEXT}', 'voice': 'b347db033a6549378b48d00acb0d06cd', 'response_format': 'mp3'}\nrequest['input']=os.environ['AILOOT_INPUT_TEXT']\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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.\nVollständiges binäres Audio oder ursprüngliche audio_url-Antwort, Header und jedes Ihnen zugeordnete Asset.
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o owned-assets.json\n# Preserve every returned asset and follow its exact signed content URL. Do not construct a signed token.\nBewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Die vollständige Antwort und ihre Header, jede tatsächliche Ausgabe, die ursprünglich zurückgegebenen Kennungen und alle Nutzungsfelder aufbewahren. Den ursprünglichen Vorgang wiederaufnehmen, ohne die Erstellung erneut anzufordern.
Die zurückgegebene X-Client-Request-ID zum Abgleich aufbewahren. Nur tatsächlich zurückgegebene task_id-/asset_id-Werte oder die eigene Medienbibliothek abfragen; niemals eine Aufgaben-URL aus der Vorgangs-ID bilden und die Erstellung niemals erneut anfordern.
Ailoot Ultra fish-audio/s2-pro
Verwenden Sie die oben angezeigten Methodenpfade.