Fish Audio: S2.1 Pro

S2.1 Pro es el modelo de texto a voz más reciente de la generación S2 de Fish Audio para narración expresiva y aplicaciones de voz conversacional. Mejora la calidad del habla, la latencia y el rendimiento de S2 Pro, y conserva el control de interpretación en lenguaje natural y el diálogo nativo 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 deben 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 turnos. 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 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.