Fish Audio: S1

S1 es el modelo de conversión de texto a voz de la generación anterior de Fish Audio para narración expresiva y salida de voz de un solo hablante. Lee un guion proporcionado y devuelve audio, utilizando una voz seleccionada o condicionada por una referencia. El modelo S1 completo es distinto de S1-mini, el modelo destilado más pequeño; el productor los presenta como variantes de 4,000 millones y 500 millones de parámetros, respectivamente. Este perfil abarca el modelo denominado S1.

Para una narración, prepara las palabras que realmente deben pronunciarse y marca los lugares donde deba cambiar la interpretación. Un guion explicativo útil presenta primero su idea principal, desarrolla una idea cada vez y utiliza puntuación para separar frases que necesitan una pausa natural. Para una instrucción corta, mantén una formulación clara al oírla sin pantalla. Conserva la lectura prevista de los nombres, las abreviaturas y las unidades, y comprueba los números en el audio hablado en vez de dar por hecho que una cadena legible visualmente solo tiene una pronunciación.

S1 utiliza indicaciones de emoción e interpretación entre paréntesis, como (angry), (sad), (in a hurry) o (chuckling). Coloca una indicación antes de la oración o frase en la que debe influir y el habla real a continuación. La interpretación corresponde al texto que sigue, por lo que un cambio de ánimo debe aparecer donde deba cambiar la actuación. Esta sintaxis difiere de las instrucciones entre corchetes de S2; mantén el guion escrito para la generación seleccionada en vez de suponer que las dos formas de marcado son intercambiables.

Se puede seleccionar una voz mediante un identificador de voz guardado o condicionarla con una grabación de referencia y su transcripción. Para un flujo de referencia instantáneo, la guía general de voz recomienda una muestra limpia de 10–30 segundos. Elige una muestra cuyo estilo de habla y calidad de grabación encajen con el resultado previsto y haz que la transcripción coincida con las palabras de esa muestra. Para un narrador recurrente, reutiliza la misma referencia de voz entre pasajes, de modo que un cambio de tema no se convierta involuntariamente en un cambio de personaje.

La publicación de S1 enumera inglés, chino, japonés, alemán, francés, español, coreano, árabe, ruso, neerlandés, italiano, polaco y portugués entre los idiomas compatibles y describe la mezcla de idiomas dentro de un guion. Proporciona las palabras en el idioma de destino en lugar de tratar la síntesis de voz como un paso de traducción. En un pasaje con un nombre tomado de otro idioma o un cambio de lengua, mantén claras la grafía y la frase circundante y revisa cómo gestiona esa transición la voz seleccionada.

La interfaz de S1 del productor admite un hablante por solicitud de síntesis. Un diálogo puede prepararse como segmentos separados con sus propias referencias de voz y ensamblarse después en la aplicación; la síntesis nativa de varios hablantes de la familia S2 es una capacidad independiente. Mantén asociados el papel, la voz y el texto de cada segmento al preparar intervenciones de personajes. El resultado de síntesis es una interpretación sonora del guion, mientras que ajustar los tiempos de un intercambio o combinarlo con música y video es un paso posterior de edición.

Las opciones de salida incluyen MP3, WAV, PCM sin contenedor y Opus, con MP3 como opción predeterminada. La salida documentada es mono; WAV y PCM utilizan muestras de 16 bits y las frecuencias de muestreo disponibles difieren según el formato. MP3 admite 64, 128 y 192 kbps, mientras que Opus utiliza 48 kHz. La velocidad puede ajustarse de 0.5 a 2.0, con controles de volumen. Elige un archivo codificado para una locución o una transmisión adecuada para reproducirla, y conserva la voz seleccionada y el guion junto al resultado.

El productor procesa el texto largo por segmentos, con un intervalo documentado de longitud de segmento de 100–300 y un presupuesto de tokens de audio por segmento, en lugar de una duración total de grabación garantizada. La normalización del texto puede desarrollar los números en inglés y chino para una lectura natural, y la penalización por repetición de S1 puede reducir patrones de audio repetidos. La normalización del volumen de salida es una opción distinta y no tiene efecto en S1. Examina la pronunciación, los límites de las frases, los sonidos repetidos y el cambio emocional previsto antes de ensamblar el pasaje terminado; después, revisa la intervención o referencia concreta que necesite atención.