S2 Pro es el modelo de texto a voz de segunda generación de Fish Audio para narración expresiva, diálogos de personajes y salida de voz conversacional. Convierte un guion escrito en audio y admite dirección mediante lenguaje natural a nivel de palabra o frase. La generación anterior S1 usa indicaciones entre paréntesis, mientras que S2 Pro usa corchetes de forma nativa y admite varios hablantes dentro de una sola solicitud de síntesis. El fabricante publica los pesos de S2 Pro y código de ajuste fino para trabajos separados de personalización; una solicitud de voz normal usa el modelo seleccionado en lugar de entrenar uno nuevo.
Escribe primero el contenido hablado y después coloca una instrucción de interpretación inmediatamente antes de la palabra o frase a la que deba afectar. Las indicaciones pueden describir un susurro, una reacción, una pausa, un cambio emocional o un estilo de habla descrito libremente. Para una explicación breve de producto, mantén clara la oración factual y coloca énfasis solo donde el oyente deba notar una diferencia. Para una intervención de personaje, describe el cambio emocional en el momento en que ocurre en lugar de mantener todo el pasaje en un estado de ánimo fijo.
Las etiquetas entre corchetes son descripciones de dominio abierto, no un menú cerrado. Algunos ejemplos son [whispering], [sigh], [long pause] y una frase como [speaking slowly, almost hesitant]. Las etiquetas pueden aparecer a mitad de una oración y afectan al habla que les sigue. Una etiqueta descriptiva necesita texto real a continuación; una instrucción aislada puede producir una salida impredecible. Comienza con una o dos indicaciones útiles antes de añadir capas, ya que las etiquetas que compiten entre sí pueden ocultar la interpretación que buscabas. Distintas referencias de voz pueden responder a la misma indicación con diferente intensidad.
La publicación de S2 describe aproximadamente 80 idiomas y ofrece ejemplos de instrucciones de interpretación escritas en el mismo idioma que el guion. Prepara la redacción en el idioma que deba pronunciarse y conserva los nombres, las unidades y las abreviaturas que requieran una lectura específica. Una narración multilingüe puede mantener la voz prevista mientras cambia el idioma del guion, pero el entregable final sigue necesitando escucha para revisar pronunciación y continuidad. La síntesis produce el contenido proporcionado como voz, en lugar de decidir qué información debe decir la aplicación.
Para un solo hablante, elige un identificador de voz guardado o proporciona audio de referencia y su transcripción correspondiente. El productor recomienda una muestra limpia de 10–30 segundos para acondicionamiento instantáneo. Para un diálogo, usa marcadores de hablante como <|speaker:0|> y <|speaker:1|>, con una lista ordenada de identificadores de voz o grupos separados de referencias para los hablantes. El marcador numérico selecciona la entrada de voz correspondiente; mantén el orden fijo a medida que avance la conversación. Las indicaciones de interpretación en lenguaje natural y la selección de hablante cumplen funciones distintas en el guion.
La salida de audio puede ser MP3, WAV, PCM sin procesar u Opus. MP3 usa 128 kbps de forma predeterminada y ofrece 64 o 192 kbps; la salida Opus usa 48 kHz, mientras que WAV y PCM admiten sus opciones documentadas de frecuencia de muestreo en mono de 16 bits. Elige el formato según su destino real: un archivo que se conservará para narración o bloques de audio adecuados para reproducción. El flujo de voz del productor también describe streaming de texto en vivo cuando el guion llega progresivamente. El resultado generado debe permanecer asociado con el guion completo y las voces seleccionadas.
La velocidad puede ajustarse entre 0.5 y 2.0, con controles de volumen y normalización de sonoridad de salida. La normalización de texto mejora la lectura de números en inglés y chino. El procesamiento usa bloques en un rango de 100–300 y un presupuesto de tokens de audio por bloque, por lo que estos ajustes no deben interpretarse como una longitud máxima fija de toda una narración. El acondicionamiento a partir del bloque anterior puede trasladar el contexto de voz al siguiente segmento. Los controles de muestreo como temperature y top-p influyen en la variación; una línea dirigida deliberadamente sigue necesitando suficiente texto y contexto para transmitir el sonido previsto.
Un encargo útil de producción separa narración, diálogo e indicaciones de interpretación, y después establece la voz y el formato del entregable resultante. Escucha si faltan palabras, hay audio repetido, cómo se pronuncian los números, los cambios de hablante y el momento de una reacción. Revisa la línea o la referencia de voz responsable de la discrepancia en lugar de suponer que añadir etiquetas mejorará todos los pasajes. S2 Pro sigue siendo un modelo S2 independiente de una generación anterior; S2.1 Pro es la edición posterior con sus propias mejoras y comportamiento de ajustes específico del modelo.
", "aboutText": "S2 Pro es el modelo de texto a voz de segunda generación de Fish Audio para narración expresiva, diálogos de personajes y salida de voz conversacional. Convierte un guion escrito en audio y admite dirección mediante lenguaje natural a nivel de palabra o frase. La generación anterior S1 usa indicaciones entre paréntesis, mientras que S2 Pro usa corchetes de forma nativa y admite varios hablantes dentro de una sola solicitud de síntesis. El fabricante publica los pesos de S2 Pro y código de ajuste fino para trabajos separados de personalización; una solicitud de voz normal usa el modelo seleccionado en lugar de entrenar uno nuevo.\n\nEscribe primero el contenido hablado y después coloca una instrucción de interpretación inmediatamente antes de la palabra o frase a la que deba afectar. Las indicaciones pueden describir un susurro, una reacción, una pausa, un cambio emocional o un estilo de habla descrito libremente. Para una explicación breve de producto, mantén clara la oración factual y coloca énfasis solo donde el oyente deba notar una diferencia. Para una intervención de personaje, describe el cambio emocional en el momento en que ocurre en lugar de mantener todo el pasaje en un estado de ánimo fijo.\n\nLas etiquetas entre corchetes son descripciones de dominio abierto, no un menú cerrado. Algunos ejemplos son [whispering], [sigh], [long pause] y una frase como [speaking slowly, almost hesitant]. Las etiquetas pueden aparecer a mitad de una oración y afectan al habla que les sigue. Una etiqueta descriptiva necesita texto real a continuación; una instrucción aislada puede producir una salida impredecible. Comienza con una o dos indicaciones útiles antes de añadir capas, ya que las etiquetas que compiten entre sí pueden ocultar la interpretación que buscabas. Distintas referencias de voz pueden responder a la misma indicación con diferente intensidad.\n\nLa publicación de S2 describe aproximadamente 80 idiomas y ofrece ejemplos de instrucciones de interpretación escritas en el mismo idioma que el guion. Prepara la redacción en el idioma que deba pronunciarse y conserva los nombres, las unidades y las abreviaturas que requieran una lectura específica. Una narración multilingüe puede mantener la voz prevista mientras cambia el idioma del guion, pero el entregable final sigue necesitando escucha para revisar pronunciación y continuidad. La síntesis produce el contenido proporcionado como voz, en lugar de decidir qué información debe decir la aplicación.\n\nPara un solo hablante, elige un identificador de voz guardado o proporciona audio de referencia y su transcripción correspondiente. El productor recomienda una muestra limpia de 10–30 segundos para acondicionamiento instantáneo. Para un diálogo, usa marcadores de hablante como <|speaker:0|> y <|speaker:1|>, con una lista ordenada de identificadores de voz o grupos separados de referencias para los hablantes. El marcador numérico selecciona la entrada de voz correspondiente; mantén el orden fijo a medida que avance la conversación. Las indicaciones de interpretación en lenguaje natural y la selección de hablante cumplen funciones distintas en el guion.\n\nLa salida de audio puede ser MP3, WAV, PCM sin procesar u Opus. MP3 usa 128 kbps de forma predeterminada y ofrece 64 o 192 kbps; la salida Opus usa 48 kHz, mientras que WAV y PCM admiten sus opciones documentadas de frecuencia de muestreo en mono de 16 bits. Elige el formato según su destino real: un archivo que se conservará para narración o bloques de audio adecuados para reproducción. El flujo de voz del productor también describe streaming de texto en vivo cuando el guion llega progresivamente. El resultado generado debe permanecer asociado con el guion completo y las voces seleccionadas.\n\nLa velocidad puede ajustarse entre 0.5 y 2.0, con controles de volumen y normalización de sonoridad de salida. La normalización de texto mejora la lectura de números en inglés y chino. El procesamiento usa bloques en un rango de 100–300 y un presupuesto de tokens de audio por bloque, por lo que estos ajustes no deben interpretarse como una longitud máxima fija de toda una narración. El acondicionamiento a partir del bloque anterior puede trasladar el contexto de voz al siguiente segmento. Los controles de muestreo como temperature y top-p influyen en la variación; una línea dirigida deliberadamente sigue necesitando suficiente texto y contexto para transmitir el sonido previsto.\n\nUn encargo útil de producción separa narración, diálogo e indicaciones de interpretación, y después establece la voz y el formato del entregable resultante. Escucha si faltan palabras, hay audio repetido, cómo se pronuncian los números, los cambios de hablante y el momento de una reacción. Revisa la línea o la referencia de voz responsable de la discrepancia en lugar de suponer que añadir etiquetas mejorará todos los pasajes. S2 Pro sigue siendo un modelo S2 independiente de una generación anterior; S2.1 Pro es la edición posterior con sus propias mejoras y comportamiento de ajustes específico del modelo.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "8705d45ac5da8e18cca8ee1af45ec29746ec4e61b7934d5d7e59c51838d59278", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es-mx", "methods": [ { "html": "fish-audio/s2-proFish Audio S2 Pro crea voz multilingüe expresiva con indicaciones a nivel de palabra y diálogos nativos con varios hablantes. Las instrucciones entre corchetes controlan la interpretación dentro del guion, mientras que las referencias de voz identifican a los hablantes y los ajustes de salida dan forma al entregable de audio.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
S2 Pro es el modelo de texto a voz de segunda generación de Fish Audio para narración expresiva, diálogos de personajes y salida de voz conversacional. Convierte un guion escrito en audio y admite dirección mediante lenguaje natural a nivel de palabra o frase. La generación anterior S1 usa indicaciones entre paréntesis, mientras que S2 Pro usa corchetes de forma nativa y admite varios hablantes dentro de una sola solicitud de síntesis. El fabricante publica los pesos de S2 Pro y código de ajuste fino para trabajos separados de personalización; una solicitud de voz normal usa el modelo seleccionado en lugar de entrenar uno nuevo.
Escribe primero el contenido hablado y después coloca una instrucción de interpretación inmediatamente antes de la palabra o frase a la que deba afectar. Las indicaciones pueden describir un susurro, una reacción, una pausa, un cambio emocional o un estilo de habla descrito libremente. Para una explicación breve de producto, mantén clara la oración factual y coloca énfasis solo donde el oyente deba notar una diferencia. Para una intervención de personaje, describe el cambio emocional en el momento en que ocurre en lugar de mantener todo el pasaje en un estado de ánimo fijo.
Las etiquetas entre corchetes son descripciones de dominio abierto, no un menú cerrado. Algunos ejemplos son [whispering], [sigh], [long pause] y una frase como [speaking slowly, almost hesitant]. Las etiquetas pueden aparecer a mitad de una oración y afectan al habla que les sigue. Una etiqueta descriptiva necesita texto real a continuación; una instrucción aislada puede producir una salida impredecible. Comienza con una o dos indicaciones útiles antes de añadir capas, ya que las etiquetas que compiten entre sí pueden ocultar la interpretación que buscabas. Distintas referencias de voz pueden responder a la misma indicación con diferente intensidad.
La publicación de S2 describe aproximadamente 80 idiomas y ofrece ejemplos de instrucciones de interpretación escritas en el mismo idioma que el guion. Prepara la redacción en el idioma que deba pronunciarse y conserva los nombres, las unidades y las abreviaturas que requieran una lectura específica. Una narración multilingüe puede mantener la voz prevista mientras cambia el idioma del guion, pero el entregable final sigue necesitando escucha para revisar pronunciación y continuidad. La síntesis produce el contenido proporcionado como voz, en lugar de decidir qué información debe decir la aplicación.
Para un solo hablante, elige un identificador de voz guardado o proporciona audio de referencia y su transcripción correspondiente. El productor recomienda una muestra limpia de 10–30 segundos para acondicionamiento instantáneo. Para un diálogo, usa marcadores de hablante como <|speaker:0|> y <|speaker:1|>, con una lista ordenada de identificadores de voz o grupos separados de referencias para los hablantes. El marcador numérico selecciona la entrada de voz correspondiente; mantén el orden fijo a medida que avance la conversación. Las indicaciones de interpretación en lenguaje natural y la selección de hablante cumplen funciones distintas en el guion.
La salida de audio puede ser MP3, WAV, PCM sin procesar u Opus. MP3 usa 128 kbps de forma predeterminada y ofrece 64 o 192 kbps; la salida Opus usa 48 kHz, mientras que WAV y PCM admiten sus opciones documentadas de frecuencia de muestreo en mono de 16 bits. Elige el formato según su destino real: un archivo que se conservará para narración o bloques de audio adecuados para reproducción. El flujo de voz del productor también describe streaming de texto en vivo cuando el guion llega progresivamente. El resultado generado debe permanecer asociado con el guion completo y las voces seleccionadas.
La velocidad puede ajustarse entre 0.5 y 2.0, con controles de volumen y normalización de sonoridad de salida. La normalización de texto mejora la lectura de números en inglés y chino. El procesamiento usa bloques en un rango de 100–300 y un presupuesto de tokens de audio por bloque, por lo que estos ajustes no deben interpretarse como una longitud máxima fija de toda una narración. El acondicionamiento a partir del bloque anterior puede trasladar el contexto de voz al siguiente segmento. Los controles de muestreo como temperature y top-p influyen en la variación; una línea dirigida deliberadamente sigue necesitando suficiente texto y contexto para transmitir el sonido previsto.
Un encargo útil de producción separa narración, diálogo e indicaciones de interpretación, y después establece la voz y el formato del entregable resultante. Escucha si faltan palabras, hay audio repetido, cómo se pronuncian los números, los cambios de hablante y el momento de una reacción. Revisa la línea o la referencia de voz responsable de la discrepancia en lugar de suponer que añadir etiquetas mejorará todos los pasajes. S2 Pro sigue siendo un modelo S2 independiente de una generación anterior; S2.1 Pro es la edición posterior con sus propias mejoras y comportamiento de ajustes específico del modelo.
POST /v1/audio/speechtextaudio| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites fish-audio/s2-pro | Predeterminado— |
Campoinput | Tipostring | RequisitoObligatorio | Valores y límites Longitud mínima: 1 | Predeterminado— |
Campovoice | Tipostring | RequisitoObligatorio | Valores y límites b347db033a6549378b48d00acb0d06cd Longitud mínima: 1 | Predeterminado— |
Camporesponse_format | Tipostring | RequisitoOpcional | Valores y límites mp3, pcm | Predeterminadopcm |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites | Predeterminado— |
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, input, voice |
Parámetromaterial_types | Contratotext |
Ciclo de vida: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · El task_id real devuelto o el registro de la biblioteca multimedia
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Unidad de facturación | Cargo |
|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Unidad de facturación— | Cargo Entrada · Tokens de entrada — / 1K tokens Salida · Tokens de salida — / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| Configuraciónbyte de entrada UTF-8 | Tabla de tarifas— | Unidad de facturaciónpor byte UTF-8 de entrada | Cargo Entrada · byte de entrada UTF-8 $0.00003 por byte UTF-8 de entrada |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.\nAudio binario completo o respuesta audio_url original, encabezados y cada recurso que te pertenezca.
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}set -eu\n: "${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.\nConserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva la respuesta completa y los encabezados, todas las salidas reales, los identificadores originales devueltos y todos los campos de uso. Recupera la operación original sin volver a enviar la solicitud de creación.
Conserva el X-Client-Request-ID devuelto para la conciliación. Consulta únicamente los valores reales de task_id/asset_id devueltos o la biblioteca multimedia de tu propiedad; nunca construyas una URL de tarea a partir del ID de la operación ni vuelvas a enviar la solicitud de creación.
Ailoot Ultra fish-audio/s2-pro
Usa las rutas de método indicadas arriba.