Fish Audio: S2 Pro

S2 Pro est le modèle de synthèse vocale de deuxième génération de Fish Audio pour la narration expressive, les dialogues de personnages et la voix conversationnelle. Il transforme un script écrit en audio et prend en charge la direction en langage naturel au niveau du mot ou de la phrase. La génération précédente S1 utilise des indications entre parenthèses, tandis que S2 Pro emploie nativement des crochets et accepte plusieurs locuteurs dans une seule requête de synthèse. Le fabricant publie les poids et le code d’ajustement de S2 Pro pour des travaux de personnalisation distincts ; une requête vocale ordinaire utilise le modèle sélectionné sans en entraîner un nouveau.

Rédigez d’abord les paroles, puis placez une instruction d’interprétation juste avant le mot ou l’expression qu’elle doit affecter. Les indications peuvent décrire un chuchotement, une réaction, une pause, une transition émotionnelle ou un style de parole libre. Pour une courte explication de produit, gardez la phrase factuelle claire et n’accentuez que les distinctions à remarquer par l’auditeur. Pour une réplique de personnage, décrivez le changement émotionnel au moment où il survient, plutôt que d’imposer une seule humeur à tout le passage.

Les balises entre crochets sont des descriptions ouvertes, pas un menu fermé. Exemples : [whispering], [sigh], [long pause] et une expression comme [speaking slowly, almost hesitant]. Elles peuvent apparaître en milieu de phrase et affectent les paroles suivantes. Une balise descriptive doit être suivie de texte réel ; une instruction isolée peut produire un résultat imprévisible. Commencez par une ou deux indications utiles avant d’en superposer d’autres, car des balises concurrentes peuvent brouiller l’interprétation voulue. Différentes références vocales peuvent répondre à la même indication avec des intensités différentes.

La publication de S2 décrit environ 80 langues et donne des exemples d’instructions d’interprétation écrites dans la langue du script. Préparez les paroles dans la langue à prononcer et préservez les noms, unités et abréviations nécessitant une lecture particulière. Une narration multilingue peut conserver la voix prévue tout en changeant de langue, mais il faut encore écouter le livrable final pour contrôler prononciation et continuité. La synthèse transforme le contenu fourni en paroles ; elle ne décide pas des informations que l’application doit énoncer.

Pour un seul locuteur, choisissez un identifiant de voix enregistré ou fournissez un audio de référence accompagné de sa transcription correspondante. Le producteur recommande un échantillon propre de 10 à 30 secondes pour le conditionnement instantané. Pour un dialogue, utilisez des marqueurs tels que <|speaker:0|> et <|speaker:1|>, avec une liste ordonnée d’identifiants de voix ou des groupes de références distincts pour les locuteurs. Le marqueur numérique sélectionne l’entrée vocale correspondante ; conservez cet ordre au fil de la conversation. Les indications d’interprétation en langage naturel et la sélection du locuteur ont des rôles différents dans le script.

La sortie audio peut être MP3, WAV, PCM brut ou Opus. MP3 utilise par défaut 128 kbit/s et propose 64 ou 192 kbit/s ; Opus utilise 48 kHz, tandis que WAV et PCM prennent en charge leurs fréquences d’échantillonnage documentées en mono 16 bits. Choisissez le format selon sa destination réelle : fichier conservé pour une narration ou blocs audio adaptés à la lecture. Le parcours vocal du producteur décrit aussi le streaming de texte en direct lorsque le script arrive progressivement. Le résultat généré doit rester associé au script complet et aux voix choisies.

La vitesse se règle entre 0.5 et 2.0, avec des commandes de volume et de normalisation du niveau sonore de sortie. La normalisation du texte améliore la lecture des nombres anglais et chinois. Le traitement utilise des blocs dans une plage de 100 à 300 et un budget de tokens audio par bloc ; ces réglages ne définissent donc pas une durée maximale fixe pour toute la narration. Le conditionnement par le bloc précédent peut transmettre le contexte vocal au segment suivant. Les commandes d’échantillonnage comme la température et top-p influencent la variation ; une réplique dirigée exige toujours assez de texte et de contexte pour porter le rendu souhaité.

Une consigne de production utile sépare narration, dialogues et indications d’interprétation, puis précise la voix et le format du livrable. Écoutez les mots manquants, les répétitions audio, la prononciation des nombres, les changements de locuteur et le moment des réactions. Révisez la réplique ou la référence vocale responsable de l’écart plutôt que de supposer que davantage de balises amélioreront chaque passage. S2 Pro reste un modèle S2 distinct de la génération précédente ; S2.1 Pro est l’édition ultérieure avec ses propres améliorations et comportements de réglage.