Fish Audio: S2.1 Pro

S2.1 Pro est le modèle de synthèse vocale plus récent de la génération S2 de Fish Audio pour la narration expressive et les applications vocales conversationnelles. Il améliore la qualité de la parole, la latence et le débit de S2 Pro, tout en conservant le contrôle de l’interprétation en langage naturel et le dialogue natif à plusieurs locuteurs. S2.1 Pro et S2.1 Pro Free partagent le même modèle vocal sous-jacent.

Pour une explication narrée, fournissez le texte définitif, 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 d’écrire leurs répliques. Un résultat utile est un passage audio complet ou un flux lisible dont les mots, l’interprétation et les rôles correspondent au brief.

Rédigez les mots qui doivent réellement être prononcés, puis placez une instruction 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 les changements au milieu d’une phrase là où l’interprétation l’exige, et faites suivre les indications descriptives de paroles à prononcer. Un bon brief explicatif 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 vocal 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 script, et conservez la même pour les passages liés. La référence vocale définit le timbre du locuteur ; le texte et les indications intégrées définissent le contenu et son interprétation.

La synthèse native à plusieurs locuteurs utilise des marqueurs comme <|speaker:0|> et <|speaker:1|> avec un tableau ordonné d’identifiants de voix ou des groupes de références distincts. Faites correspondre les numéros de locuteur à cet ordre. Pour un échange pédagogique, rédigez la réplique de chaque personne et placez l’indication d’interprétation après le marqueur du locuteur concerné. Un seul appel génère ainsi un dialogue ; ce fonctionnement diffère des segments individuels de S1, ensuite assemblés.

Le flux du fabricant propose des sorties MP3, WAV, PCM brut et Opus, avec MP3 par défaut. MP3 prend en charge 64, 128 et 192 kbps ; WAV et PCM utilisent les formats documentés mono sur 16 bits, tandis qu’Opus utilise 48 kHz. Choisissez le format pour un fichier de narration conservé, une lecture en continu ou une chaîne audio en aval. Conservez le script complet et le choix des voix avec le son afin de pouvoir retoucher une réplique sans perdre l’interprétation prévue.

La vitesse est réglable 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 de S2.1 Pro : une ancienne valeur ne doit donc pas être considérée comme une commande efficace pour ce modèle. Vérifiez directement les sons et mots répétés au lieu de vous fier à un paramètre repris d’une configuration antérieure.

Les scripts longs sont traités par blocs. La plage documentée de longueur de bloc est de 100 à 300, et max_new_tokens est un budget de tokens audio par bloc plutôt qu’une garantie de durée totale. Le conditionnement par le bloc précédent peut transmettre le contexte vocal. Le flux de livraison du fabricant décrit l’audio complet, les blocs audio progressifs et la diffusion de texte en direct lorsque le script arrive au fur et à mesure. Choisissez le mode de consommation adapté à l’application et conservez assez de contexte du script pour la prononciation et le ton du passage suivant.

Pour obtenir un résultat final utile, écoutez les éventuelles omissions ou répétitions de mots, la prononciation des nombres, les changements de locuteur, les pauses et l’intensité des indications. Des références vocales différentes peuvent interpréter une même consigne avec une intensité différente : commencez par une réplique accompagnée d’une indication simple 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 d’en traduire le contenu. Une correction ciblée modifie la réplique, l’indication ou la référence à l’origine de l’écart, tout en conservant les parties de l’interprétation qui conviennent déjà au brief.