Fish Audio: S2.1 Pro

S2.1 Pro ist Fish Audios späteres Text-zu-Sprache-Modell der S2-Generation für ausdrucksstarke Sprechertexte und gesprächsorientierte Sprachanwendungen. Es verbessert Sprachqualität, Latenz und Durchsatz gegenüber S2 Pro und bewahrt dabei natürlichsprachliche Vortragssteuerung und native Dialoge mit mehreren Sprechern. S2.1 Pro und S2.1 Pro Free teilen das zugrunde liegende Sprachmodell.

Liefern Sie für eine gesprochene Erklärung den fertigen Wortlaut, die gewünschte Stimme und die Stellen, an denen Tempo oder Betonung wechseln sollen. Synthetisieren Sie bei einer Gesprächsanwendung die von der Anwendung gewählte Antwort und trennen Sie deren sachlichen Inhalt von Vortragsanweisungen. Definieren Sie bei einem geskripteten Dialog die Sprecher und ihre Stimmen, bevor Sie ihre Beiträge schreiben. Ein brauchbares 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 Vortragsweise sich ändern soll. Anweisungen in eckigen Klammern können Flüstern, eine Pause, eine Reaktion, Betonung oder einen frei beschriebenen Sprechstil ausdrücken. Setzen Sie einen Wechsel innerhalb des Satzes dort, wo der Vortrag ihn benötigt, und lassen Sie auf beschreibende Anweisungen tatsächlichen Sprechtext folgen. Ein hilfreiches Briefing für eine Erklärung trennt den sachlichen Wortlaut von der gewünschten Wärme, dem Tempo oder der Betonung für die Zuhörer.

Wählen Sie für einen Sprecher eine gespeicherte Stimmkennung oder liefern Sie eine Referenzaufnahme mit Transkript. Der Sprachleitfaden des Herstellers empfiehlt eine saubere Probe von 10–30 Sekunden für die sofortige Stimmkonditionierung. Wählen Sie eine Referenz, deren Tonfall und Aufnahmequalität zum Skript passen, und behalten Sie dieselbe Referenz über zusammengehörige Passagen bei. Die Stimmreferenz liefert den Klang des Sprechers; Text und eingebettete Anweisungen liefern Inhalt und Vortrag.

Die native Synthese mit mehreren Sprechern verwendet Markierungen wie <|speaker:0|> und <|speaker:1|> mit einem geordneten Array von Stimmkennungen oder getrennten Referenzgruppen. Die numerischen Sprecherkennungen müssen dieser Reihenfolge entsprechen. Schreiben Sie für einen lehrreichen Dialog die Zeilen jedes Sprechers und setzen Sie die Vortragsanweisung an die passende Stelle nach der Sprechermarkierung. So entsteht ein Dialog innerhalb einer Anfrage; dieser Ablauf unterscheidet sich von den getrennten Einzelsprechersegmenten und der anschließenden Montage bei S1.

Der Herstellerablauf bietet MP3, WAV, rohes PCM und Opus als Ausgabe; MP3 ist der Standard. MP3 unterstützt 64, 128 und 192 kbps; WAV und PCM verwenden dokumentierte 16-Bit-Mono-Sampleformate, Opus arbeitet mit 48 kHz. Wählen Sie das Format passend zu einer gespeicherten Sprecherdatei, gestreamter Wiedergabe oder einer nachgelagerten Audiopipeline. Bewahren Sie das vollständige Skript und die Stimmenauswahl zusammen 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; zusätzlich gibt es Lautstärkeregler. Die Textnormalisierung schreibt englische und chinesische Zahlen für eine natürliche Aussprache aus. Die Normalisierung der Ausgabelautheit ist standardmäßig true und wirkt auf die S2-Familie; bei S1 hatte dasselbe Feld keine Wirkung. Der repetition_penalty von S1 verändert das Audio von S2.1 Pro nicht. Eine alte Einstellung sollte daher nicht als wirksamer Regler dieses Modells gelten. Prüfen Sie wiederholte Laute und Wörter unmittelbar, statt das Ergebnis auf einen übernommenen Parameter zu stützen.

Längere Skripte werden abschnittsweise verarbeitet. Der dokumentierte Bereich der Abschnittslänge beträgt 100–300; max_new_tokens ist ein Audiotokenbudget je Abschnitt und keine Garantie für eine Gesamtdauer. Die Konditionierung mit dem vorherigen Abschnitt kann Stimmkontext weiterreichen. Der Auslieferungsablauf des Herstellers beschreibt vollständiges Audio, fortlaufende Audioabschnitte und Live-Textstreaming, wenn das Skript nach und nach eintrifft. Wählen Sie die Verarbeitungsweise für die Anwendung und bewahren Sie genügend Skriptkontext für Aussprache und Tonfall der nächsten Passage.

Achten Sie für ein brauchbares Endergebnis beim Anhören auf ausgelassene oder wiederholte Wörter, Zahlenaussprache, Sprecherwechsel, Pausen und die Intensität der Anweisungen. Unterschiedliche Stimmreferenzen können einen Hinweis unterschiedlich stark interpretieren. Beginnen Sie daher mit einer einfach angeleiteten Zeile, bevor Sie konkurrierende Tags ergänzen. Liefern Sie bei mehrsprachiger Arbeit das Skript in der Zielsprache, statt das Sprachmodell seinen Inhalt erfinden oder übersetzen zu lassen. Eine gezielte Überarbeitung ändert die Zeile, Anweisung oder Referenz, die für die Abweichung verantwortlich ist, und bewahrt die bereits zum Briefing passenden Teile des Vortrags.