Fish Audio: S2 Pro

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 indicaciones en lenguaje natural a nivel de palabra o frase. La generación anterior S1 utiliza indicaciones entre paréntesis, mientras que S2 Pro utiliza corchetes de forma nativa y admite varios hablantes en una sola petición de síntesis. El fabricante publica los pesos y el código de ajuste fino de S2 Pro para trabajos de personalización independientes; una petición normal de voz utiliza el modelo seleccionado en vez 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 de definición abierta. Para una explicación corta de producto, mantén clara la frase factual y coloca énfasis únicamente donde el oyente deba percibir una distinción. Para la intervención de un personaje, describe el cambio emocional en el momento en que ocurre, en vez de hacer que todo el pasaje comparta un estado de ánimo fijo.

Las etiquetas entre corchetes son descripciones de dominio abierto, no un menú cerrado. Entre los ejemplos están [whispering], [sigh], [long pause] y una frase como [speaking slowly, almost hesitant]. Las etiquetas pueden aparecer a mitad de frase y afectar al habla que sigue. Una etiqueta descriptiva necesita texto real después; una instrucción aislada puede producir una salida impredecible. Empieza con una o dos indicaciones útiles antes de añadir capas, ya que las etiquetas que compiten pueden desdibujar la interpretación deseada. Distintas referencias de voz pueden responder a la misma indicación con diferente intensidad.

La publicación de S2 describe aproximadamente 80 idiomas y da ejemplos de indicaciones de interpretación escritas en el mismo idioma que el guion. Prepara la redacción en el idioma que deba pronunciarse y conserva los nombres, unidades y abreviaturas que necesiten una lectura concreta. Una narración multilingüe puede mantener la voz prevista al cambiar de idioma del guion, pero el resultado final sigue necesitando escucha para comprobar pronunciación y continuidad. La síntesis produce el contenido suministrado como habla, 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 el condicionamiento instantáneo. Para un diálogo, utiliza marcadores de hablante como <|speaker:0|> y <|speaker:1|>, con una lista ordenada de identificadores de voz o grupos de referencia separados para los hablantes. El marcador numérico selecciona la entrada de voz correspondiente; mantén fijo el orden 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 utiliza 128 kbps de forma predeterminada y ofrece 64 o 192 kbps; la salida Opus utiliza 48 kHz, mientras que WAV y PCM admiten las opciones de frecuencia de muestreo documentadas en mono de 16 bits. Elige el formato según su destino real: un archivo que se conservará para narración o fragmentos de audio adecuados para reproducción. El flujo de voz del productor también describe transmisión de texto en directo cuando el guion llega progresivamente. El resultado generado debe permanecer vinculado al 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 utiliza fragmentos en un intervalo de 100–300 y un presupuesto de tokens de audio por fragmento, por lo que estos ajustes no deben interpretarse como una longitud máxima fija para una narración completa. El condicionamiento con el fragmento anterior puede transmitir 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 de producción útil separa narración, diálogo e indicaciones de interpretación, y después establece la voz y el formato del resultado. 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 vez de asumir que más etiquetas mejorarán todos los pasajes. S2 Pro sigue siendo un modelo S2 diferenciado de la generación anterior; S2.1 Pro es la edición posterior con sus propias mejoras y comportamiento de ajustes específico.