Fish Audio: S1

Az S1 a Fish Audio előző generációs szövegfelolvasó modellje kifejező narrációhoz és egybeszélős hangkimenethez. A megadott szöveget olvassa fel, és hanganyagot ad vissza kiválasztott vagy referencia alapján kondicionált hanggal. A teljes S1 modell különbözik a kisebb, desztillált S1-mini modelltől; a gyártó rendre 4 milliárd és 0,5 milliárd paraméteres változatként mutatja be őket. Ez a leírás a megnevezett S1 modellre vonatkozik.

Narrációhoz készítsd elő a ténylegesen kimondandó szavakat, és jelöld az előadásváltások helyét. A hasznos magyarázó szöveg először a fő állítást közli, egyszerre egy gondolatot fejt ki, és írásjelekkel választja el a természetes szünetet igénylő fordulatokat. Rövid utasításnál képernyő nélkül hallva is maradjon világos a megfogalmazás. Őrizd meg a nevek, rövidítések és mértékegységek kívánt olvasatát, a számokat pedig ellenőrizd a beszédkimenetben, ne feltételezd, hogy egy vizuálisan olvasható karaktersornak egyetlen kiejtése van.

Az S1 érzelmi és előadásjelzéseket használ zárójelben, például (angry), (sad), (in a hurry) vagy (chuckling). A jelzést a befolyásolandó mondat vagy fordulat elé helyezd, utána a tényleges beszéddel. Az előadás a következő szöveghez tartozik, ezért a hangulatváltás ott jelenjen meg, ahol az előadásnak változnia kell. Ez eltér az S2 szögletes zárójeles utasításainak szintaxisától; a szöveget a kiválasztott generációhoz írd, ne tekintsd felcserélhetőnek a két jelölési formát.

Hang mentett hangazonosítóval választható, vagy referenciafelvételből és annak átiratából kondicionálható. Az azonnali referenciás munkafolyamathoz az általános beszédútmutató tiszta, 10–30 másodperces mintát ajánl. Olyan mintát válassz, amelynek beszédstílusa és felvételminősége megfelel a tervezett eredménynek, és az átirat egyezzen a mintában szereplő szavakkal. Visszatérő narrátornál ugyanazt a hangreferenciát használd a részletekben, hogy a témaváltás ne váljon véletlenül karakterváltássá.

Az S1 kiadása támogatott nyelvei között angolt, kínait, japánt, németet, franciát, spanyolt, koreait, arabot, oroszt, hollandot, olaszt, lengyelt és portugált nevez meg, és leírja a nyelvek egy szövegen belüli keverését. A célnyelvi megfogalmazást add meg, ne kezeld fordítási lépésként a beszédszintézist. Átvett nevet vagy nyelvváltást tartalmazó részletnél az írásmód és a környező mondatkontextus legyen világos, és ellenőrizd, hogyan kezeli az átmenetet a kiválasztott hang.

Az S1 gyártói felülete szintéziskérésenként egy beszélőt támogat. Párbeszéd külön szegmensekként készíthető, saját hangreferenciákkal, majd az alkalmazás összeállíthatja; az S2 család natív többbeszélős szintézise külön képesség. Karaktermegszólalások előkészítésekor minden szegmens szerepét, hangját és szövegét összekapcsolva őrizd meg. A szintéziseredmény a szöveg hangos előadása, míg egy beszélgetés időzítése vagy zenével és videóval való kombinálása későbbi szerkesztési lépés.

A kimeneti lehetőségek között MP3, WAV, nyers PCM és Opus szerepel, MP3-alapértékkel. A dokumentált kimenet mono; a WAV és PCM 16 bites mintákat használ, a formátumspecifikus mintavételi lehetőségek eltérnek. Az MP3 64, 128 és 192 kbps-t támogat, az Opus 48 kHz-et használ. A sebesség 0.5–2.0 között állítható, hangerővezérléssel. Alámondási anyaghoz kódolt fájlt, lejátszáshoz megfelelő streamet válassz, és a kiválasztott hangot, valamint szöveget őrizd meg az eredménnyel.

A gyártó a hosszú szöveget darabokban dolgozza fel, dokumentált 100–300 közötti darabhossz-tartománnyal és darabonkénti hangtoken-kerettel, nem garantált teljes felvételidőtartammal. A szövegnormalizálás az angol és kínai számokat természetes olvasatra bonthatja, az S1 ismétlési büntetése pedig csökkentheti az ismétlődő hangmintákat. A kimeneti hangerő normalizálása másik beállítás, és nincs hatása az S1-re. A kész részlet összeállítása előtt vizsgáld meg a kiejtést, fordulathatárokat, ismétlődő hangokat és a kívánt érzelmi váltást, majd azt a konkrét sort vagy referenciát javítsd, amely figyelmet igényel.