S2.1 Pro est un modèle de synthèse vocale ultérieur de la génération S2 de Fish Audio, conçu pour la narration expressive et les applications vocales conversationnelles. Il améliore la qualité de la parole, la latence et le débit par rapport à S2 Pro, tout en conservant le contrôle de l’interprétation en langage naturel et les dialogues natifs à plusieurs voix. S2.1 Pro et S2.1 Pro Free partagent le même modèle vocal sous-jacent.
Pour une explication narrée, fournissez le texte terminé, la voix souhaitée et les moments où le rythme ou l’accentuation doivent changer. Pour une application conversationnelle, synthétisez la réponse choisie par l’application et distinguez 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 des locuteurs correspondent à cette consigne.
Rédigez les mots qui doivent réellement être prononcés, puis placez une consigne immédiatement avant le passage dont l’interprétation doit changer. Les indications entre crochets peuvent exprimer un chuchotement, une pause, une réaction, une accentuation ou un style de diction libre. Placez un changement au milieu d’une phrase à l’endroit où l’interprétation l’exige, et faites suivre les indications descriptives de paroles à prononcer. Une bonne consigne pour une explication distingue le contenu factuel de la chaleur, du rythme ou de l’accentuation souhaités pour l’auditeur.
Pour une seule personne, sélectionnez un identifiant de voix enregistré ou fournissez un enregistrement de référence avec sa transcription. Le guide de synthèse vocale du fabricant 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 texte, et conservez-la pour les passages connexes. La référence vocale fournit le son de la voix; le texte et les indications intégrées fournissent le contenu et son interprétation.
La synthèse native à plusieurs voix utilise des marqueurs comme <|speaker:0|> et <|speaker:1|>, associés à un tableau ordonné d’identifiants de voix ou à des groupes de références distincts. Faites correspondre les étiquettes numériques des locuteurs à cet ordre. Pour un échange pédagogique, rédigez la réplique de chaque personne et placez l’indication d’interprétation après son marqueur, à l’endroit approprié. Cette méthode génère un dialogue en une seule requête; elle diffère du fonctionnement de S1, qui produit des segments distincts à une seule voix avant leur assemblage.
Le processus du fabricant propose des sorties MP3, WAV, PCM brut et Opus, avec MP3 comme format par défaut. MP3 prend en charge 64, 128 et 192 kbit/s; WAV et PCM utilisent les formats d’échantillons mono sur 16 bits documentés, tandis qu’Opus utilise 48 kHz. Choisissez le format selon la destination : fichier de narration conservé, lecture en continu ou chaîne de traitement audio en aval. Conservez le texte complet et la sélection de voix avec l’audio pour qu’une modification ultérieure puisse viser une réplique sans perdre l’interprétation souhaitée.
La vitesse peut être réglée de 0.5 à 2.0, avec des commandes de volume. La normalisation du texte développe les nombres en anglais et en chinois pour une lecture naturelle. La normalisation du volume 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 de S2.1 Pro : un ancien réglage ne doit donc pas être considéré comme une commande efficace pour ce modèle. Évaluez directement les sons et les mots répétés plutôt que de vous fier à un paramètre repris d’une autre version pour établir le résultat.
Les textes plus longs sont traités par blocs. La plage de longueur des blocs documentée va de 100 à 300, et max_new_tokens représente un budget de jetons audio par bloc plutôt qu’une garantie de durée totale. Le conditionnement à partir du bloc précédent peut transmettre le contexte vocal au suivant. Le processus de livraison du fabricant décrit l’audio complet, les blocs audio progressifs et la diffusion de texte en direct lorsque le texte arrive graduellement. Choisissez le mode de réception adapté à l’application et conservez suffisamment de contexte textuel pour la prononciation et le ton du passage suivant.
Pour obtenir un livrable utile, écoutez les mots omis ou répétés, la prononciation des nombres, les changements de locuteur, les pauses et l’intensité des indications. Selon la référence vocale, une même consigne peut être interprétée avec plus ou moins de force; commencez donc par une réplique comportant une indication simple avant d’ajouter des étiquettes concurrentes. Pour un travail multilingue, fournissez le texte dans la langue cible plutôt que de demander au modèle vocal d’inventer ou de traduire son contenu. Une révision ciblée modifie la réplique, l’indication ou la référence responsable de l’écart, tout en conservant les éléments de l’interprétation qui correspondent déjà à la consigne.
", "aboutText": "S2.1 Pro est un modèle de synthèse vocale ultérieur de la génération S2 de Fish Audio, conçu pour la narration expressive et les applications vocales conversationnelles. Il améliore la qualité de la parole, la latence et le débit par rapport à S2 Pro, tout en conservant le contrôle de l’interprétation en langage naturel et les dialogues natifs à plusieurs voix. S2.1 Pro et S2.1 Pro Free partagent le même modèle vocal sous-jacent.\n\nPour une explication narrée, fournissez le texte terminé, la voix souhaitée et les moments où le rythme ou l’accentuation doivent changer. Pour une application conversationnelle, synthétisez la réponse choisie par l’application et distinguez 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 des locuteurs correspondent à cette consigne.\n\nRédigez les mots qui doivent réellement être prononcés, puis placez une consigne immédiatement avant le passage dont l’interprétation doit changer. Les indications entre crochets peuvent exprimer un chuchotement, une pause, une réaction, une accentuation ou un style de diction libre. Placez un changement au milieu d’une phrase à l’endroit où l’interprétation l’exige, et faites suivre les indications descriptives de paroles à prononcer. Une bonne consigne pour une explication distingue le contenu factuel de la chaleur, du rythme ou de l’accentuation souhaités pour l’auditeur.\n\nPour une seule personne, sélectionnez un identifiant de voix enregistré ou fournissez un enregistrement de référence avec sa transcription. Le guide de synthèse vocale du fabricant 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 texte, et conservez-la pour les passages connexes. La référence vocale fournit le son de la voix; le texte et les indications intégrées fournissent le contenu et son interprétation.\n\nLa synthèse native à plusieurs voix utilise des marqueurs comme <|speaker:0|> et <|speaker:1|>, associés à un tableau ordonné d’identifiants de voix ou à des groupes de références distincts. Faites correspondre les étiquettes numériques des locuteurs à cet ordre. Pour un échange pédagogique, rédigez la réplique de chaque personne et placez l’indication d’interprétation après son marqueur, à l’endroit approprié. Cette méthode génère un dialogue en une seule requête; elle diffère du fonctionnement de S1, qui produit des segments distincts à une seule voix avant leur assemblage.\n\nLe processus du fabricant propose des sorties MP3, WAV, PCM brut et Opus, avec MP3 comme format par défaut. MP3 prend en charge 64, 128 et 192 kbit/s; WAV et PCM utilisent les formats d’échantillons mono sur 16 bits documentés, tandis qu’Opus utilise 48 kHz. Choisissez le format selon la destination : fichier de narration conservé, lecture en continu ou chaîne de traitement audio en aval. Conservez le texte complet et la sélection de voix avec l’audio pour qu’une modification ultérieure puisse viser une réplique sans perdre l’interprétation souhaitée.\n\nLa vitesse peut être réglée de 0.5 à 2.0, avec des commandes de volume. La normalisation du texte développe les nombres en anglais et en chinois pour une lecture naturelle. La normalisation du volume 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 de S2.1 Pro : un ancien réglage ne doit donc pas être considéré comme une commande efficace pour ce modèle. Évaluez directement les sons et les mots répétés plutôt que de vous fier à un paramètre repris d’une autre version pour établir le résultat.\n\nLes textes plus longs sont traités par blocs. La plage de longueur des blocs documentée va de 100 à 300, et max_new_tokens représente un budget de jetons audio par bloc plutôt qu’une garantie de durée totale. Le conditionnement à partir du bloc précédent peut transmettre le contexte vocal au suivant. Le processus de livraison du fabricant décrit l’audio complet, les blocs audio progressifs et la diffusion de texte en direct lorsque le texte arrive graduellement. Choisissez le mode de réception adapté à l’application et conservez suffisamment de contexte textuel pour la prononciation et le ton du passage suivant.\n\nPour obtenir un livrable utile, écoutez les mots omis ou répétés, la prononciation des nombres, les changements de locuteur, les pauses et l’intensité des indications. Selon la référence vocale, une même consigne peut être interprétée avec plus ou moins de force; commencez donc par une réplique comportant une indication simple avant d’ajouter des étiquettes concurrentes. Pour un travail multilingue, fournissez le texte dans la langue cible plutôt que de demander au modèle vocal d’inventer ou de traduire son contenu. Une révision ciblée modifie la réplique, l’indication ou la référence responsable de l’écart, tout en conservant les éléments de l’interprétation qui correspondent déjà à la consigne.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "f5a8d68d7b3c7c15abb1af01a78810d8b873b91ef64eba8b69098f8ecf823f04", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-ca", "methods": [ { "html": "fish-audio/s2.1-proFish Audio S2.1 Pro crée une parole multilingue expressive et des dialogues natifs à plusieurs voix, avec des améliorations de qualité, de latence et de débit par rapport à S2 Pro. Dirigez l’interprétation dans le texte 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 un modèle de synthèse vocale ultérieur de la génération S2 de Fish Audio, conçu pour la narration expressive et les applications vocales conversationnelles. Il améliore la qualité de la parole, la latence et le débit par rapport à S2 Pro, tout en conservant le contrôle de l’interprétation en langage naturel et les dialogues natifs à plusieurs voix. S2.1 Pro et S2.1 Pro Free partagent le même modèle vocal sous-jacent.
Pour une explication narrée, fournissez le texte terminé, la voix souhaitée et les moments où le rythme ou l’accentuation doivent changer. Pour une application conversationnelle, synthétisez la réponse choisie par l’application et distinguez 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 des locuteurs correspondent à cette consigne.
Rédigez les mots qui doivent réellement être prononcés, puis placez une consigne immédiatement avant le passage dont l’interprétation doit changer. Les indications entre crochets peuvent exprimer un chuchotement, une pause, une réaction, une accentuation ou un style de diction libre. Placez un changement au milieu d’une phrase à l’endroit où l’interprétation l’exige, et faites suivre les indications descriptives de paroles à prononcer. Une bonne consigne pour une explication distingue le contenu factuel de la chaleur, du rythme ou de l’accentuation souhaités pour l’auditeur.
Pour une seule personne, sélectionnez un identifiant de voix enregistré ou fournissez un enregistrement de référence avec sa transcription. Le guide de synthèse vocale du fabricant 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 texte, et conservez-la pour les passages connexes. La référence vocale fournit le son de la voix; le texte et les indications intégrées fournissent le contenu et son interprétation.
La synthèse native à plusieurs voix utilise des marqueurs comme <|speaker:0|> et <|speaker:1|>, associés à un tableau ordonné d’identifiants de voix ou à des groupes de références distincts. Faites correspondre les étiquettes numériques des locuteurs à cet ordre. Pour un échange pédagogique, rédigez la réplique de chaque personne et placez l’indication d’interprétation après son marqueur, à l’endroit approprié. Cette méthode génère un dialogue en une seule requête; elle diffère du fonctionnement de S1, qui produit des segments distincts à une seule voix avant leur assemblage.
Le processus du fabricant propose des sorties MP3, WAV, PCM brut et Opus, avec MP3 comme format par défaut. MP3 prend en charge 64, 128 et 192 kbit/s; WAV et PCM utilisent les formats d’échantillons mono sur 16 bits documentés, tandis qu’Opus utilise 48 kHz. Choisissez le format selon la destination : fichier de narration conservé, lecture en continu ou chaîne de traitement audio en aval. Conservez le texte complet et la sélection de voix avec l’audio pour qu’une modification ultérieure puisse viser une réplique sans perdre l’interprétation souhaitée.
La vitesse peut être réglée de 0.5 à 2.0, avec des commandes de volume. La normalisation du texte développe les nombres en anglais et en chinois pour une lecture naturelle. La normalisation du volume 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 de S2.1 Pro : un ancien réglage ne doit donc pas être considéré comme une commande efficace pour ce modèle. Évaluez directement les sons et les mots répétés plutôt que de vous fier à un paramètre repris d’une autre version pour établir le résultat.
Les textes plus longs sont traités par blocs. La plage de longueur des blocs documentée va de 100 à 300, et max_new_tokens représente un budget de jetons audio par bloc plutôt qu’une garantie de durée totale. Le conditionnement à partir du bloc précédent peut transmettre le contexte vocal au suivant. Le processus de livraison du fabricant décrit l’audio complet, les blocs audio progressifs et la diffusion de texte en direct lorsque le texte arrive graduellement. Choisissez le mode de réception adapté à l’application et conservez suffisamment de contexte textuel pour la prononciation et le ton du passage suivant.
Pour obtenir un livrable utile, écoutez les mots omis ou répétés, la prononciation des nombres, les changements de locuteur, les pauses et l’intensité des indications. Selon la référence vocale, une même consigne peut être interprétée avec plus ou moins de force; commencez donc par une réplique comportant une indication simple avant d’ajouter des étiquettes concurrentes. Pour un travail multilingue, fournissez le texte dans la langue cible plutôt que de demander au modèle vocal d’inventer ou de traduire son contenu. Une révision ciblée modifie la réplique, l’indication ou la référence responsable de l’écart, tout en conservant les éléments de l’interprétation qui correspondent 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 · Jetons en entrée — / 1K jetons Sortie · Jetons en sortie — / 1K jetons Entrée · Lecture du cache — / 1K jetons Entrée · Écriture dans le cache — / 1K jetons Entrée · Écriture dans le cache, 1 h — / 1K jetons |
| 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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.\nAudio binaire complet ou réponse audio_url d’origine, en-têtes et chaque ressource appartenant à votre compte.
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}set -eu\n: "${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.