S2.1 Pro Free es la edición orientada a desarrolladores del modelo de texto a voz S2.1 de Fish Audio. Comparte el modelo subyacente y las capacidades principales de síntesis con S2.1 Pro: habla multilingüe expresiva, indicaciones de interpretación en lenguaje natural y diálogo nativo con varios hablantes. Su función es servir para pruebas, prototipos, desarrollo y flujos de aplicaciones de menor escala.
Para un prototipo de asistente de voz, empieza con una respuesta de ejemplo completa y evalúa cómo suena antes de probar texto que llegue progresivamente. Para un producto educativo, prepara una explicación corta con los términos exactos y las lecturas de números que necesita el oyente. Para un prototipo de diálogo, define los hablantes y sus referencias de voz antes de añadir indicaciones de interpretación. Estos pasos desarrollan un resultado de audio y un flujo de aplicación a su alrededor, en lugar de hacer responsable de toda la conversación a una petición de síntesis.
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 de definición abierta. Coloca un cambio a mitad de frase donde lo necesite la interpretación y añade habla real después de las indicaciones descriptivas. Un encargo útil para una explicación separa su redacción factual de la calidez, el ritmo o el énfasis deseados para el oyente.
Para un 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 el condicionamiento instantáneo de la voz. Elige una referencia con el tono y la calidad de grabación adecuados para el guion, y conserva la misma referencia en pasajes relacionados. La referencia de voz aporta el sonido del hablante; el texto y las indicaciones en línea aportan el contenido y su interpretación.
La síntesis nativa con varios hablantes utiliza marcadores como <|speaker:0|> y <|speaker:1|> con un array ordenado de identificadores de voz o grupos de referencia separados. Mantén las etiquetas numéricas de hablante alineadas con ese orden. Para un intercambio didáctico, escribe la intervención de cada hablante y coloca la indicación de interpretación después del marcador de hablante correspondiente. Esto genera un diálogo en una sola petición; es un flujo distinto del de S1, que usa segmentos independientes de un solo hablante y un montaje posterior.
El flujo del productor ofrece salida MP3, WAV, PCM sin procesar y Opus, con MP3 como formato predeterminado. MP3 admite 64, 128 y 192 kbps; WAV y PCM utilizan los formatos de muestras mono de 16 bits documentados, mientras que Opus utiliza 48 kHz. Elige el formato según se trate de un archivo de narración que se conservará, reproducción en streaming o una cadena posterior de procesamiento de audio. Conserva el guion completo y la selección de voz junto al 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 true como valor predeterminado 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 de este modelo. Revisa directamente los sonidos y las palabras repetidos en lugar de confiar en un parámetro heredado para establecer el resultado.
Los guiones más largos se procesan por fragmentos. El intervalo documentado de longitud de fragmento es 100–300, y max_new_tokens es un presupuesto de tokens de audio por fragmento, no una garantía de duración total. El condicionamiento con el fragmento anterior puede transmitir el contexto de voz al siguiente. El flujo de entrega del productor describe audio completo, fragmentos de audio incrementales y transmisión de texto en directo 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 resultado 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 dirigida sencilla 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 concreta cambia la línea, la indicación o la referencia responsable de la discrepancia y conserva las partes de la interpretación que ya se ajustan al encargo.
", "aboutText": "S2.1 Pro Free es la edición orientada a desarrolladores del modelo de texto a voz S2.1 de Fish Audio. Comparte el modelo subyacente y las capacidades principales de síntesis con S2.1 Pro: habla multilingüe expresiva, indicaciones de interpretación en lenguaje natural y diálogo nativo con varios hablantes. Su función es servir para pruebas, prototipos, desarrollo y flujos de aplicaciones de menor escala.\n\nPara un prototipo de asistente de voz, empieza con una respuesta de ejemplo completa y evalúa cómo suena antes de probar texto que llegue progresivamente. Para un producto educativo, prepara una explicación corta con los términos exactos y las lecturas de números que necesita el oyente. Para un prototipo de diálogo, define los hablantes y sus referencias de voz antes de añadir indicaciones de interpretación. Estos pasos desarrollan un resultado de audio y un flujo de aplicación a su alrededor, en lugar de hacer responsable de toda la conversación a una petición de síntesis.\n\nEscribe 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 de definición abierta. Coloca un cambio a mitad de frase donde lo necesite la interpretación y añade habla real después de las indicaciones descriptivas. Un encargo útil para una explicación separa su redacción factual de la calidez, el ritmo o el énfasis deseados para el oyente.\n\nPara un 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 el condicionamiento instantáneo de la voz. Elige una referencia con el tono y la calidad de grabación adecuados para el guion, y conserva la misma referencia en pasajes relacionados. La referencia de voz aporta el sonido del hablante; el texto y las indicaciones en línea aportan el contenido y su interpretación.\n\nLa síntesis nativa con varios hablantes utiliza marcadores como <|speaker:0|> y <|speaker:1|> con un array ordenado de identificadores de voz o grupos de referencia separados. Mantén las etiquetas numéricas de hablante alineadas con ese orden. Para un intercambio didáctico, escribe la intervención de cada hablante y coloca la indicación de interpretación después del marcador de hablante correspondiente. Esto genera un diálogo en una sola petición; es un flujo distinto del de S1, que usa segmentos independientes de un solo hablante y un montaje posterior.\n\nEl flujo del productor ofrece salida MP3, WAV, PCM sin procesar y Opus, con MP3 como formato predeterminado. MP3 admite 64, 128 y 192 kbps; WAV y PCM utilizan los formatos de muestras mono de 16 bits documentados, mientras que Opus utiliza 48 kHz. Elige el formato según se trate de un archivo de narración que se conservará, reproducción en streaming o una cadena posterior de procesamiento de audio. Conserva el guion completo y la selección de voz junto al audio para que una edición posterior pueda modificar una línea sin perder la interpretación prevista.\n\nLa 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 true como valor predeterminado 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 de este modelo. Revisa directamente los sonidos y las palabras repetidos en lugar de confiar en un parámetro heredado para establecer el resultado.\n\nLos guiones más largos se procesan por fragmentos. El intervalo documentado de longitud de fragmento es 100–300, y max_new_tokens es un presupuesto de tokens de audio por fragmento, no una garantía de duración total. El condicionamiento con el fragmento anterior puede transmitir el contexto de voz al siguiente. El flujo de entrega del productor describe audio completo, fragmentos de audio incrementales y transmisión de texto en directo 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.\n\nPara obtener un resultado 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 dirigida sencilla 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 concreta cambia la línea, la indicación o la referencia responsable de la discrepancia y conserva las partes de la interpretación que ya se ajustan al encargo.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "36ef6c7a2c2b48e46d6316a5880325f334d969aa932b3082f70d7ebd86cf09c2", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es", "methods": [ { "html": "fish-audio/s2.1-pro-free:freeS2.1 Pro Free es la edición de desarrollo del modelo de voz S2.1 de Fish Audio para narración, interpretación vocal dirigida y diálogo con varios hablantes. Comparte las capacidades de síntesis del modelo para pruebas y prototipos.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
S2.1 Pro Free es la edición orientada a desarrolladores del modelo de texto a voz S2.1 de Fish Audio. Comparte el modelo subyacente y las capacidades principales de síntesis con S2.1 Pro: habla multilingüe expresiva, indicaciones de interpretación en lenguaje natural y diálogo nativo con varios hablantes. Su función es servir para pruebas, prototipos, desarrollo y flujos de aplicaciones de menor escala.
Para un prototipo de asistente de voz, empieza con una respuesta de ejemplo completa y evalúa cómo suena antes de probar texto que llegue progresivamente. Para un producto educativo, prepara una explicación corta con los términos exactos y las lecturas de números que necesita el oyente. Para un prototipo de diálogo, define los hablantes y sus referencias de voz antes de añadir indicaciones de interpretación. Estos pasos desarrollan un resultado de audio y un flujo de aplicación a su alrededor, en lugar de hacer responsable de toda la conversación a una petición de síntesis.
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 de definición abierta. Coloca un cambio a mitad de frase donde lo necesite la interpretación y añade habla real después de las indicaciones descriptivas. Un encargo útil para una explicación separa su redacción factual de la calidez, el ritmo o el énfasis deseados para el oyente.
Para un 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 el condicionamiento instantáneo de la voz. Elige una referencia con el tono y la calidad de grabación adecuados para el guion, y conserva la misma referencia en pasajes relacionados. La referencia de voz aporta el sonido del hablante; el texto y las indicaciones en línea aportan el contenido y su interpretación.
La síntesis nativa con varios hablantes utiliza marcadores como <|speaker:0|> y <|speaker:1|> con un array ordenado de identificadores de voz o grupos de referencia separados. Mantén las etiquetas numéricas de hablante alineadas con ese orden. Para un intercambio didáctico, escribe la intervención de cada hablante y coloca la indicación de interpretación después del marcador de hablante correspondiente. Esto genera un diálogo en una sola petición; es un flujo distinto del de S1, que usa segmentos independientes de un solo hablante y un montaje posterior.
El flujo del productor ofrece salida MP3, WAV, PCM sin procesar y Opus, con MP3 como formato predeterminado. MP3 admite 64, 128 y 192 kbps; WAV y PCM utilizan los formatos de muestras mono de 16 bits documentados, mientras que Opus utiliza 48 kHz. Elige el formato según se trate de un archivo de narración que se conservará, reproducción en streaming o una cadena posterior de procesamiento de audio. Conserva el guion completo y la selección de voz junto al 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 true como valor predeterminado 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 de este modelo. Revisa directamente los sonidos y las palabras repetidos en lugar de confiar en un parámetro heredado para establecer el resultado.
Los guiones más largos se procesan por fragmentos. El intervalo documentado de longitud de fragmento es 100–300, y max_new_tokens es un presupuesto de tokens de audio por fragmento, no una garantía de duración total. El condicionamiento con el fragmento anterior puede transmitir el contexto de voz al siguiente. El flujo de entrega del productor describe audio completo, fragmentos de audio incrementales y transmisión de texto en directo 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 resultado 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 dirigida sencilla 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 concreta cambia la línea, la indicación o la referencia responsable de la discrepancia y conserva las partes de la interpretación que ya se ajustan al encargo.
POST /v1/audio/speechtextaudio| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites fish-audio/s2.1-pro-free:free | 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} · task_id real devuelto o 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 | Cantidad para facturación | Cargo |
|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cantidad para 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 |
| ConfiguraciónPor solicitud | Tabla de tarifas— | Cantidad para facturaciónuna petición | Cargo Entrada $0 por solicitud |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_INPUT_TEXT:?Set the actual documented input value}"\nexport AILOOT_INPUT_TEXT\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nrequest={'model': 'fish-audio/s2.1-pro-free:free', 'input': '${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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.\nAudio binario completo o respuesta original audio_url, cabeceras y todos los recursos bajo tu titularidad.
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}set -eu\n: "${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 las cabeceras, 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 task_id/asset_id realmente devueltos o la biblioteca multimedia propia; 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/s2.1-pro-free:free
Usa las rutas de método indicadas arriba.