Fish Audio: S2.1 Pro

S2.1 Pro est le modèle de synthèse vocale ultérieur de la génération S2 de Fish Audio, destiné à la narration expressive et aux applications vocales conversationnelles. Il améliore la qualité vocale, la latence et le débit par rapport à S2 Pro, tout en conservant la direction d’interprétation en langage naturel et le dialogue natif à plusieurs locuteurs. S2.1 Pro et S2.1 Pro Free partagent le modèle vocal sous-jacent.

Pour une explication narrée, fournissez la formulation achevée, la voix prévue et les moments où le rythme ou l’emphase doivent changer. Pour une application conversationnelle, synthétisez la réponse sélectionnée par l’application en séparant son contenu factuel des indications d’interprétation. Pour un échange scénarisé, définissez les locuteurs et leurs voix avant de rédiger leurs répliques. Un résultat utile est un passage audio complet ou un flux lisible dont les mots, l’interprétation et les rôles correspondent à cette consigne.

Écrivez les mots qui doivent réellement être prononcés, puis placez une instruction juste avant le passage dont l’interprétation doit changer. Des indications entre crochets peuvent exprimer un chuchotement, une pause, une réaction, une emphase ou un style de parole libre. Placez un changement en milieu de phrase à l’endroit nécessaire à l’interprétation et faites suivre les indications descriptives de paroles effectives. Une consigne explicative utile sépare la formulation factuelle de la chaleur, du rythme ou de l’emphase souhaités pour l’auditeur.

Pour un locuteur, sélectionnez un identifiant de voix enregistré ou fournissez un enregistrement de référence avec sa transcription. Le guide vocal du producteur recommande un échantillon propre de 10 à 30 secondes pour le conditionnement vocal instantané. Choisissez une référence dont le ton et la qualité d’enregistrement conviennent au script, puis conservez-la dans les passages liés. La référence vocale fournit le timbre du locuteur ; le texte et les indications intégrées apportent le contenu et son interprétation.

La synthèse native à plusieurs locuteurs utilise des marqueurs tels que <|speaker:0|> et <|speaker:1|> avec un tableau ordonné d’identifiants de voix ou des groupes de références séparés. Alignez les étiquettes numériques des locuteurs sur cet ordre. Pour un échange pédagogique, écrivez chaque réplique et placez son indication d’interprétation après le marqueur du locuteur concerné. Cela génère un dialogue dans une seule requête ; ce parcours diffère des segments à locuteur unique de S1 assemblés ultérieurement.

Le parcours du producteur propose des sorties MP3, WAV, PCM brut et Opus, avec MP3 par défaut. MP3 accepte 64, 128 et 192 kbit/s ; WAV et PCM utilisent les formats d’échantillons mono 16 bits documentés, tandis qu’Opus utilise 48 kHz. Choisissez le format pour un fichier de narration conservé, une lecture en flux ou un pipeline audio en aval. Gardez le script complet et le choix de voix avec l’audio afin qu’une modification ultérieure puisse cibler une réplique sans perdre l’interprétation prévue.

La vitesse se règle de 0.5 à 2.0, avec des commandes de volume. La normalisation du texte développe les nombres anglais et chinois pour une lecture naturelle. La normalisation du niveau sonore de sortie vaut true par défaut et s’applique à la famille S2 ; ce même champ n’avait aucun effet sur S1. Le paramètre repetition_penalty de S1 ne modifie pas l’audio S2.1 Pro ; un ancien réglage ne doit donc pas être considéré comme une commande effective pour ce modèle. Examinez directement les sons répétés et la formulation plutôt que de vous fier à un paramètre hérité pour établir le résultat.

Les scripts longs sont traités par blocs. La plage de longueur documentée va de 100 à 300, et max_new_tokens représente un budget de tokens audio par bloc, pas une garantie de durée totale. Le conditionnement par le bloc précédent peut transmettre le contexte vocal. Le parcours de livraison du producteur décrit l’audio complet, les blocs audio incrémentaux et le streaming de texte en direct lorsque le script arrive progressivement. Choisissez le mode de consommation adapté à l’application et préservez assez de contexte pour la prononciation et le ton du passage suivant.

Pour un livrable final utile, écoutez les omissions ou répétitions de mots, la prononciation des nombres, les changements de locuteur, les pauses et l’intensité des indications. Différentes références vocales peuvent interpréter une consigne avec des intensités différentes ; commencez donc par une réplique simplement dirigée avant d’ajouter des balises concurrentes. Pour un travail multilingue, fournissez le script dans la langue cible au lieu de demander au modèle vocal d’en inventer ou traduire le contenu. Une révision ciblée modifie la réplique, l’indication ou la référence responsable de l’écart, tout en conservant les parties de l’interprétation qui répondent déjà à la consigne.