Fish Audio: S2.1 Pro

S2.1 Pro es el modelo de texto a voz de Fish Audio de una edición posterior de la generación S2, destinado a narración expresiva y aplicaciones de voz conversacional. Mejora a S2 Pro en calidad de voz, latencia y capacidad de procesamiento, y conserva el control de interpretación mediante lenguaje natural y los diálogos nativos con varios hablantes. S2.1 Pro y S2.1 Pro Free comparten el modelo de voz subyacente.

Para una explicación narrada, proporciona la redacción terminada, la voz prevista y los momentos en que deban cambiar el ritmo o el énfasis. Para una aplicación conversacional, sintetiza la respuesta seleccionada por la aplicación y mantén su contenido factual separado de las indicaciones de interpretación. Para un intercambio guionizado, define los hablantes y sus voces antes de escribir sus intervenciones. Un resultado útil es un pasaje de audio completo o un flujo reproducible cuyas palabras, interpretación y roles de hablante coincidan con ese encargo.

Escribe las palabras que realmente deben pronunciarse y después coloca una instrucción inmediatamente antes del pasaje cuya interpretación deba cambiar. Las indicaciones entre corchetes pueden expresar un susurro, una pausa, una reacción, énfasis o un estilo de habla descrito libremente. Coloca un cambio a mitad de oración donde la interpretación lo requiera y acompaña las indicaciones descriptivas con habla real a continuación. Un encargo útil para una explicación separa su redacción factual de la calidez, el ritmo o el énfasis deseados para quien escucha.

Para un solo hablante, selecciona un identificador de voz guardado o proporciona una grabación de referencia con su transcripción. La guía de voz del productor recomienda una muestra limpia de 10–30 segundos para acondicionar la voz al instante. Elige una referencia cuyo tono y calidad de grabación sean adecuados para el guion y conserva la misma referencia en los pasajes relacionados. La referencia de voz aporta el sonido del hablante; el texto y las indicaciones insertadas aportan el contenido y su interpretación.

La síntesis nativa con varios hablantes usa marcadores como <|speaker:0|> y <|speaker:1|> con un arreglo ordenado de identificadores de voz o grupos separados de referencias. Mantén las etiquetas numéricas de hablante alineadas con ese orden. Para un intercambio instructivo, escribe la intervención de cada hablante y coloca la indicación de interpretación después del marcador de hablante, en el lugar que le corresponde. Esto genera un diálogo dentro de una sola solicitud; es un flujo distinto de los segmentos individuales de un solo hablante de S1 y su montaje posterior.

El flujo del productor ofrece salida MP3, WAV, PCM sin procesar y Opus, con MP3 como opción predeterminada. MP3 admite 64, 128 y 192 kbps; WAV y PCM usan los formatos documentados de muestras mono de 16 bits, mientras que Opus usa 48 kHz. Elige el formato para un archivo de narración que se conservará, reproducción por streaming o una cadena posterior de procesamiento de audio. Conserva el guion completo y la selección de voz junto con el audio para que una edición posterior pueda modificar una línea sin perder la interpretación prevista.

La velocidad puede ajustarse de 0.5 a 2.0, con controles de volumen. La normalización de texto desarrolla los números en inglés y chino para una lectura natural. La normalización de sonoridad de salida tiene el valor predeterminado true y se aplica a la familia S2; el mismo campo no tenía efecto en S1. El parámetro repetition_penalty de S1 no modifica el audio de S2.1 Pro, por lo que un ajuste antiguo no debe tratarse como un control efectivo para este modelo. Revisa directamente los sonidos y las palabras repetidos en lugar de confiar en un parámetro heredado para dar por establecido el resultado.

Los guiones más largos se procesan en bloques. El rango documentado de longitud de bloque es de 100–300, y max_new_tokens es un presupuesto de tokens de audio por bloque, no una garantía de duración total. El acondicionamiento a partir del bloque anterior puede trasladar el contexto de voz al siguiente. El flujo de entrega del productor describe audio completo, bloques de audio incrementales y streaming de texto en vivo cuando el guion llega progresivamente. Elige el método de consumo para la aplicación y conserva suficiente contexto del guion para la pronunciación y el tono del siguiente pasaje.

Para obtener un entregable final útil, escucha si hay palabras omitidas o repetidas, cómo se pronuncian los números, los cambios de hablante, las pausas y la intensidad de las indicaciones. Distintas referencias de voz pueden interpretar una indicación con diferente fuerza, así que comienza con una línea sencilla con una indicación de interpretación antes de añadir etiquetas que compitan entre sí. En trabajos multilingües, proporciona el guion en el idioma de destino en lugar de pedir al modelo de voz que invente o traduzca su contenido. Una revisión puntual modifica la línea, la indicación o la referencia responsable de la discrepancia, conservando las partes de la interpretación que ya se ajustan al encargo.