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 les réponses vocales conversationnelles. Il transforme un script écrit en audio et prend en charge les indications en langage naturel au niveau du mot ou de l’expression. La génération S1 précédente utilise des indications entre parenthèses, tandis que S2 Pro emploie nativement des crochets et prend en charge plusieurs locuteurs dans une seule requête de synthèse. Le fabricant publie les poids de S2 Pro et le code d’ajustement fin pour des travaux de personnalisation distincts ; une requête vocale ordinaire utilise le modèle choisi sans en entraîner un nouveau.

Rédigez d’abord les paroles, puis placez une indication d’interprétation immédiatement avant le mot ou l’expression concernés. Les indications peuvent décrire un chuchotement, une réaction, une pause, un changement d’émotion ou un style de diction libre. Pour une courte explication produit, gardez la phrase factuelle claire et accentuez seulement les distinctions à faire remarquer à l’auditeur. Pour une réplique de personnage, décrivez le changement d’émotion au moment où il survient au lieu d’imposer une humeur uniforme à tout le passage.

Les balises entre crochets sont des descriptions libres plutôt qu’un menu fermé. Exemples : [whispering], [sigh], [long pause] ou une expression comme [speaking slowly, almost hesitant]. Elles peuvent apparaître au milieu d’une phrase et affecter les paroles qui suivent. Une balise descriptive doit être suivie de texte à prononcer ; une instruction isolée peut produire un résultat imprévisible. Commencez par une ou deux indications utiles avant de superposer les effets, car des balises concurrentes peuvent brouiller l’interprétation voulue. Des références vocales différentes peuvent réagir à une même indication avec une intensité différente.

La présentation de S2 décrit environ 80 langues et donne des exemples d’indications d’interprétation rédigées dans la langue du script. Préparez le texte dans la langue à prononcer et préservez les noms, unités et abréviations nécessitant une lecture particulière. Une narration multilingue peut conserver la voix choisie en changeant la langue du script, mais le livrable final exige toujours une écoute de la prononciation et de la continuité. La synthèse produit oralement le contenu fourni ; elle ne décide pas de l’information que l’application doit communiquer.

Pour un seul locuteur, choisissez un identifiant de voix enregistré ou fournissez un audio de référence avec sa transcription correspondante. Le fabricant recommande un échantillon propre de 10 à 30 secondes pour le conditionnement instantané. Pour un dialogue, utilisez des marqueurs comme <|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 pendant 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 en MP3, WAV, PCM brut ou Opus. MP3 utilise 128 kbps par défaut et propose 64 ou 192 kbps ; Opus utilise 48 kHz, tandis que WAV et PCM prennent en charge leurs fréquences d’échantillonnage documentées en mono sur 16 bits. Choisissez le format selon sa destination réelle : un fichier conservé pour une narration, ou des blocs audio adaptés à la lecture. Le flux vocal du fabricant décrit aussi la diffusion de texte en direct lorsque le script arrive progressivement. Le résultat généré doit rester associé au script complet et aux voix sélectionnées.

La vitesse est réglable 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 doivent donc pas être interprétés comme une longueur maximale fixe pour la narration entière. Le conditionnement par le bloc précédent peut transmettre le contexte vocal au segment suivant. Des réglages d’échantillonnage comme temperature et top-p influencent la variation ; une réplique volontairement dirigée nécessite malgré tout assez de texte et de contexte pour porter le rendu sonore voulu.

Un bon brief de production distingue narration, dialogue et indications d’interprétation, puis précise la voix et le format du livrable. Écoutez les mots manquants, répétitions audio, prononciations des nombres, changements de locuteur et la synchronisation d’une réaction. Corrigez la réplique ou la référence vocale responsable de l’écart au lieu de supposer qu’un plus grand nombre de balises améliorera chaque passage. S2 Pro reste un modèle distinct de la génération S2 précédente ; S2.1 Pro est l’édition ultérieure, avec ses propres améliorations et comportements de paramètres.