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.
", "aboutText": "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.\n\nPour 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.\n\nÉcrivez 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.\n\nPour 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.\n\nLa 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.\n\nLe 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.\n\nLa 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.\n\nLes 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.\n\nPour 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "d8228f26d89fc159358a1f46489198009745c7b7d6fee477be5fff7af95a50c7", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-be", "methods": [ { "html": "fish-audio/s2.1-proFish Audio S2.1 Pro produit une voix multilingue expressive et des dialogues natifs à plusieurs locuteurs, avec une qualité, une latence et un débit améliorés par rapport à S2 Pro. Dirigez l’interprétation dans le script et utilisez des références vocales pour produire une narration ou un audio conversationnel.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
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.
POST /v1/audio/speechtextaudio| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites fish-audio/s2.1-pro | Par défaut— |
Champinput | Typestring | ExigenceObligatoire | Valeurs et limites Longueur minimale: 1 | Par défaut— |
Champvoice | Typestring | ExigenceObligatoire | Valeurs et limites b347db033a6549378b48d00acb0d06cd Longueur minimale: 1 | Par défaut— |
Champresponse_format | Typestring | ExigenceFacultatif | Valeurs et limites mp3, pcm | Par défautpcm |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites | Par défaut— |
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, input, voice |
Paramètrematerial_types | Contrattext |
Cycle de vie : synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id effectivement renvoyé ou enregistrement de la bibliothèque multimédia
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Unité de facturation | Coût |
|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Unité de facturation— | Coût Entrée · Tokens en entrée — / 1K tokens Sortie · Tokens en sortie — / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| Configurationoctet UTF-8 en entrée | Barème tarifaire— | Unité de facturationpar octet UTF-8 en entrée | Coût Entrée · octet UTF-8 en entrée $0.00003 par octet UTF-8 en entrée |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_INPUT_TEXT:?Set the actual documented input value}"\nexport AILOOT_INPUT_TEXT\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nrequest={'model': 'fish-audio/s2.1-pro', 'input': '${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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.\nAudio binaire complet ou réponse audio_url d’origine, en-têtes et chaque ressource dont vous êtes propriétaire.
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}set -eu\n: "${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.\nConservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez la réponse complète et les en-têtes, chaque sortie effective, les identifiants initialement renvoyés et tous les champs d’utilisation. Récupérez l’opération d’origine sans soumettre à nouveau sa création.
Conservez le X-Client-Request-ID renvoyé pour le rapprochement. Consultez uniquement les valeurs task_id/asset_id effectivement renvoyées ou votre bibliothèque multimédia ; ne construisez jamais une URL de tâche à partir de l’identifiant de l’opération et ne soumettez jamais à nouveau la création.
Ailoot Ultra fish-audio/s2.1-pro
Utilisez les chemins de méthode indiqués ci-dessus.