Az S2.1 Pro a Fish Audio S2-generációjának későbbi szövegfelolvasó modellje kifejező narrációhoz és társalgási hangalkalmazásokhoz. Az S2 Pro-hoz képest javítja a beszédminőséget, a késleltetést és az áteresztőképességet, miközben megtartja a természetes nyelvű előadásvezérlést és a natív több beszélős párbeszédet. Az S2.1 Pro és az S2.1 Pro Free ugyanarra az alapul szolgáló beszédmodellre épül.
Narrált magyarázathoz add meg a kész szöveget, a kívánt hangot és azokat a pillanatokat, amikor a tempónak vagy a hangsúlynak változnia kell. Társalgási alkalmazásnál az alkalmazás által kiválasztott választ szintetizáld, és tényszerű tartalmát tartsd külön az előadási instrukcióktól. Megírt párbeszédnél a megszólalások megírása előtt határozd meg a beszélőket és hangjukat. Hasznos eredmény egy teljes hangrészlet vagy lejátszható stream, amelynek szavai, előadásmódja és beszélőszerepei megfelelnek a feladatleírásnak.
A ténylegesen kimondandó szavakat írd le, majd közvetlenül az elé a rész elé tegyél utasítást, amelynek az előadásmódját meg szeretnéd változtatni. A szögletes zárójeles instrukciók suttogást, szünetet, reakciót, hangsúlyt vagy szabadon leírt beszédstílust fejezhetnek ki. A mondaton belüli változtatást oda helyezd, ahol az előadás megkívánja, és a leíró instrukciókat valódi beszédszöveg kövesse. Egy hasznos magyarázó feladatleírás elkülöníti a tényszerű megfogalmazást a hallgató számára kívánt közvetlenségtől, tempótól vagy hangsúlytól.
Egy beszélőhöz válassz mentett hangazonosítót, vagy adj meg referenciafelvételt a leiratával együtt. A gyártó beszédútmutatója tiszta, 10–30 másodperces mintát javasol az azonnali hangkondicionáláshoz. Olyan referenciát válassz, amelynek hangvétele és felvételi minősége illik a szöveghez, és a kapcsolódó részeknél ugyanazt a referenciát őrizd meg. A hangreferencia a beszélő hangzását, a szöveg és a beágyazott instrukciók a tartalmat és annak előadását adják.
A natív több beszélős szintézis <|speaker:0|> és <|speaker:1|> típusú jelölőket használ, rendezett hangazonosító-tömbbel vagy külön referenciacsoportokkal. A számozott beszélőcímkéket igazítsd ehhez a sorrendhez. Oktató párbeszédnél írd meg minden beszélő sorát, és az előadásmód utasítását a megfelelő beszélőjelölő után helyezd el. Így egyetlen kérésen belül jön létre párbeszéd; ez eltér az S1 külön, egy beszélős szegmenseiből és későbbi összeállításából álló folyamattól.
A gyártó munkafolyamata MP3, WAV, nyers PCM és Opus kimenetet kínál; az alapértelmezés az MP3. Az MP3 64, 128 és 192 kbps értéket támogat; a WAV és a PCM dokumentált, 16 bites monó mintavételi formátumot használ, az Opus pedig 48 kHz-et. A formátumot a megőrzendő narrációs fájlhoz, a streamelt lejátszáshoz vagy a további hangfeldolgozáshoz válaszd. A hanggal együtt őrizd meg a teljes szöveget és a hangválasztást, hogy később egyetlen sor is szerkeszthető legyen a kívánt előadás elvesztése nélkül.
A sebesség 0.5 és 2.0 között állítható, hangerővezérléssel együtt. A szövegnormalizálás az angol és kínai számokat természetes felolvasáshoz bontja ki. A kimeneti hangerő normalizálásának alapértéke true, és az S2 családra alkalmazható; ugyanez a mező az S1 esetén nem fejtett ki hatást. Az S1 repetition_penalty paramétere nem módosítja az S2.1 Pro hangját, ezért egy régi beállítást nem szabad ennél a modellnél hatékony vezérlőnek tekinteni. Az ismétlődő hangokat és szavakat közvetlenül ellenőrizd, ne egy átvett paraméter alapján ítéld meg az eredményt.
A hosszabb szövegek darabokban kerülnek feldolgozásra. A dokumentált darabhossztartomány 100–300, a max_new_tokens pedig darabonkénti hangtokenkeret, nem a teljes időtartam garanciája. Az előző darabbal végzett kondicionálás továbbviheti a hangkontextust. A gyártó kézbesítési folyamata teljes hangot, fokozatosan érkező hangdarabokat és élő szövegstreamelést ír le, ha a szöveg folyamatosan érkezik. Válaszd ki az alkalmazáshoz illő felhasználási módot, és őrizz meg elegendő szövegkörnyezetet a következő rész kiejtéséhez és hangvételéhez.
A hasznos végső eredményhez hallgasd meg, vannak-e kihagyott vagy ismételt szavak, megfelelő-e a számok kiejtése, a beszélőváltás, a szünetek és az instrukciók erőssége. Különböző hangreferenciák eltérő intenzitással értelmezhetnek egy jelzést, ezért egymással versengő címkék hozzáadása előtt egyszerűen irányított sorral kezdj. Többnyelvű munkánál a célnyelvi szöveget add meg, ne a beszédmodelltől várd a tartalom kitalálását vagy lefordítását. Célzott javításkor az eltérést okozó sort, jelzést vagy referenciát módosítsd, megtartva az előadás már megfelelő részeit.
", "aboutText": "Az S2.1 Pro a Fish Audio S2-generációjának későbbi szövegfelolvasó modellje kifejező narrációhoz és társalgási hangalkalmazásokhoz. Az S2 Pro-hoz képest javítja a beszédminőséget, a késleltetést és az áteresztőképességet, miközben megtartja a természetes nyelvű előadásvezérlést és a natív több beszélős párbeszédet. Az S2.1 Pro és az S2.1 Pro Free ugyanarra az alapul szolgáló beszédmodellre épül.\n\nNarrált magyarázathoz add meg a kész szöveget, a kívánt hangot és azokat a pillanatokat, amikor a tempónak vagy a hangsúlynak változnia kell. Társalgási alkalmazásnál az alkalmazás által kiválasztott választ szintetizáld, és tényszerű tartalmát tartsd külön az előadási instrukcióktól. Megírt párbeszédnél a megszólalások megírása előtt határozd meg a beszélőket és hangjukat. Hasznos eredmény egy teljes hangrészlet vagy lejátszható stream, amelynek szavai, előadásmódja és beszélőszerepei megfelelnek a feladatleírásnak.\n\nA ténylegesen kimondandó szavakat írd le, majd közvetlenül az elé a rész elé tegyél utasítást, amelynek az előadásmódját meg szeretnéd változtatni. A szögletes zárójeles instrukciók suttogást, szünetet, reakciót, hangsúlyt vagy szabadon leírt beszédstílust fejezhetnek ki. A mondaton belüli változtatást oda helyezd, ahol az előadás megkívánja, és a leíró instrukciókat valódi beszédszöveg kövesse. Egy hasznos magyarázó feladatleírás elkülöníti a tényszerű megfogalmazást a hallgató számára kívánt közvetlenségtől, tempótól vagy hangsúlytól.\n\nEgy beszélőhöz válassz mentett hangazonosítót, vagy adj meg referenciafelvételt a leiratával együtt. A gyártó beszédútmutatója tiszta, 10–30 másodperces mintát javasol az azonnali hangkondicionáláshoz. Olyan referenciát válassz, amelynek hangvétele és felvételi minősége illik a szöveghez, és a kapcsolódó részeknél ugyanazt a referenciát őrizd meg. A hangreferencia a beszélő hangzását, a szöveg és a beágyazott instrukciók a tartalmat és annak előadását adják.\n\nA natív több beszélős szintézis <|speaker:0|> és <|speaker:1|> típusú jelölőket használ, rendezett hangazonosító-tömbbel vagy külön referenciacsoportokkal. A számozott beszélőcímkéket igazítsd ehhez a sorrendhez. Oktató párbeszédnél írd meg minden beszélő sorát, és az előadásmód utasítását a megfelelő beszélőjelölő után helyezd el. Így egyetlen kérésen belül jön létre párbeszéd; ez eltér az S1 külön, egy beszélős szegmenseiből és későbbi összeállításából álló folyamattól.\n\nA gyártó munkafolyamata MP3, WAV, nyers PCM és Opus kimenetet kínál; az alapértelmezés az MP3. Az MP3 64, 128 és 192 kbps értéket támogat; a WAV és a PCM dokumentált, 16 bites monó mintavételi formátumot használ, az Opus pedig 48 kHz-et. A formátumot a megőrzendő narrációs fájlhoz, a streamelt lejátszáshoz vagy a további hangfeldolgozáshoz válaszd. A hanggal együtt őrizd meg a teljes szöveget és a hangválasztást, hogy később egyetlen sor is szerkeszthető legyen a kívánt előadás elvesztése nélkül.\n\nA sebesség 0.5 és 2.0 között állítható, hangerővezérléssel együtt. A szövegnormalizálás az angol és kínai számokat természetes felolvasáshoz bontja ki. A kimeneti hangerő normalizálásának alapértéke true, és az S2 családra alkalmazható; ugyanez a mező az S1 esetén nem fejtett ki hatást. Az S1 repetition_penalty paramétere nem módosítja az S2.1 Pro hangját, ezért egy régi beállítást nem szabad ennél a modellnél hatékony vezérlőnek tekinteni. Az ismétlődő hangokat és szavakat közvetlenül ellenőrizd, ne egy átvett paraméter alapján ítéld meg az eredményt.\n\nA hosszabb szövegek darabokban kerülnek feldolgozásra. A dokumentált darabhossztartomány 100–300, a max_new_tokens pedig darabonkénti hangtokenkeret, nem a teljes időtartam garanciája. Az előző darabbal végzett kondicionálás továbbviheti a hangkontextust. A gyártó kézbesítési folyamata teljes hangot, fokozatosan érkező hangdarabokat és élő szövegstreamelést ír le, ha a szöveg folyamatosan érkezik. Válaszd ki az alkalmazáshoz illő felhasználási módot, és őrizz meg elegendő szövegkörnyezetet a következő rész kiejtéséhez és hangvételéhez.\n\nA hasznos végső eredményhez hallgasd meg, vannak-e kihagyott vagy ismételt szavak, megfelelő-e a számok kiejtése, a beszélőváltás, a szünetek és az instrukciók erőssége. Különböző hangreferenciák eltérő intenzitással értelmezhetnek egy jelzést, ezért egymással versengő címkék hozzáadása előtt egyszerűen irányított sorral kezdj. Többnyelvű munkánál a célnyelvi szöveget add meg, ne a beszédmodelltől várd a tartalom kitalálását vagy lefordítását. Célzott javításkor az eltérést okozó sort, jelzést vagy referenciát módosítsd, megtartva az előadás már megfelelő részeit.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "e0febb8eefdcc834745739555b15b0be6b68c3c46257175cb78a236888b8a3fb", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "hu", "methods": [ { "html": "fish-audio/s2.1-proA Fish Audio S2.1 Pro kifejező többnyelvű beszédet és natív több beszélős párbeszédet készít; minőségben, késleltetésben és áteresztőképességben javulást hoz az S2 Pro-hoz képest. Az előadásmódot a szövegen belül irányítsd, és hangreferenciákkal készíts narrációt vagy társalgási hanganyagot.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
Az S2.1 Pro a Fish Audio S2-generációjának későbbi szövegfelolvasó modellje kifejező narrációhoz és társalgási hangalkalmazásokhoz. Az S2 Pro-hoz képest javítja a beszédminőséget, a késleltetést és az áteresztőképességet, miközben megtartja a természetes nyelvű előadásvezérlést és a natív több beszélős párbeszédet. Az S2.1 Pro és az S2.1 Pro Free ugyanarra az alapul szolgáló beszédmodellre épül.
Narrált magyarázathoz add meg a kész szöveget, a kívánt hangot és azokat a pillanatokat, amikor a tempónak vagy a hangsúlynak változnia kell. Társalgási alkalmazásnál az alkalmazás által kiválasztott választ szintetizáld, és tényszerű tartalmát tartsd külön az előadási instrukcióktól. Megírt párbeszédnél a megszólalások megírása előtt határozd meg a beszélőket és hangjukat. Hasznos eredmény egy teljes hangrészlet vagy lejátszható stream, amelynek szavai, előadásmódja és beszélőszerepei megfelelnek a feladatleírásnak.
A ténylegesen kimondandó szavakat írd le, majd közvetlenül az elé a rész elé tegyél utasítást, amelynek az előadásmódját meg szeretnéd változtatni. A szögletes zárójeles instrukciók suttogást, szünetet, reakciót, hangsúlyt vagy szabadon leírt beszédstílust fejezhetnek ki. A mondaton belüli változtatást oda helyezd, ahol az előadás megkívánja, és a leíró instrukciókat valódi beszédszöveg kövesse. Egy hasznos magyarázó feladatleírás elkülöníti a tényszerű megfogalmazást a hallgató számára kívánt közvetlenségtől, tempótól vagy hangsúlytól.
Egy beszélőhöz válassz mentett hangazonosítót, vagy adj meg referenciafelvételt a leiratával együtt. A gyártó beszédútmutatója tiszta, 10–30 másodperces mintát javasol az azonnali hangkondicionáláshoz. Olyan referenciát válassz, amelynek hangvétele és felvételi minősége illik a szöveghez, és a kapcsolódó részeknél ugyanazt a referenciát őrizd meg. A hangreferencia a beszélő hangzását, a szöveg és a beágyazott instrukciók a tartalmat és annak előadását adják.
A natív több beszélős szintézis <|speaker:0|> és <|speaker:1|> típusú jelölőket használ, rendezett hangazonosító-tömbbel vagy külön referenciacsoportokkal. A számozott beszélőcímkéket igazítsd ehhez a sorrendhez. Oktató párbeszédnél írd meg minden beszélő sorát, és az előadásmód utasítását a megfelelő beszélőjelölő után helyezd el. Így egyetlen kérésen belül jön létre párbeszéd; ez eltér az S1 külön, egy beszélős szegmenseiből és későbbi összeállításából álló folyamattól.
A gyártó munkafolyamata MP3, WAV, nyers PCM és Opus kimenetet kínál; az alapértelmezés az MP3. Az MP3 64, 128 és 192 kbps értéket támogat; a WAV és a PCM dokumentált, 16 bites monó mintavételi formátumot használ, az Opus pedig 48 kHz-et. A formátumot a megőrzendő narrációs fájlhoz, a streamelt lejátszáshoz vagy a további hangfeldolgozáshoz válaszd. A hanggal együtt őrizd meg a teljes szöveget és a hangválasztást, hogy később egyetlen sor is szerkeszthető legyen a kívánt előadás elvesztése nélkül.
A sebesség 0.5 és 2.0 között állítható, hangerővezérléssel együtt. A szövegnormalizálás az angol és kínai számokat természetes felolvasáshoz bontja ki. A kimeneti hangerő normalizálásának alapértéke true, és az S2 családra alkalmazható; ugyanez a mező az S1 esetén nem fejtett ki hatást. Az S1 repetition_penalty paramétere nem módosítja az S2.1 Pro hangját, ezért egy régi beállítást nem szabad ennél a modellnél hatékony vezérlőnek tekinteni. Az ismétlődő hangokat és szavakat közvetlenül ellenőrizd, ne egy átvett paraméter alapján ítéld meg az eredményt.
A hosszabb szövegek darabokban kerülnek feldolgozásra. A dokumentált darabhossztartomány 100–300, a max_new_tokens pedig darabonkénti hangtokenkeret, nem a teljes időtartam garanciája. Az előző darabbal végzett kondicionálás továbbviheti a hangkontextust. A gyártó kézbesítési folyamata teljes hangot, fokozatosan érkező hangdarabokat és élő szövegstreamelést ír le, ha a szöveg folyamatosan érkezik. Válaszd ki az alkalmazáshoz illő felhasználási módot, és őrizz meg elegendő szövegkörnyezetet a következő rész kiejtéséhez és hangvételéhez.
A hasznos végső eredményhez hallgasd meg, vannak-e kihagyott vagy ismételt szavak, megfelelő-e a számok kiejtése, a beszélőváltás, a szünetek és az instrukciók erőssége. Különböző hangreferenciák eltérő intenzitással értelmezhetnek egy jelzést, ezért egymással versengő címkék hozzáadása előtt egyszerűen irányított sorral kezdj. Többnyelvű munkánál a célnyelvi szöveget add meg, ne a beszédmodelltől várd a tartalom kitalálását vagy lefordítását. Célzott javításkor az eltérést okozó sort, jelzést vagy referenciát módosítsd, megtartva az előadás már megfelelő részeit.
POST /v1/audio/speechtextaudio| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok fish-audio/s2.1-pro | Alapértelmezett— |
Mezőinput | Típusstring | KövetelményKötelező | Értékek és korlátok Minimális hossz: 1 | Alapértelmezett— |
Mezővoice | Típusstring | KövetelményKötelező | Értékek és korlátok b347db033a6549378b48d00acb0d06cd Minimális hossz: 1 | Alapértelmezett— |
Mezőresponse_format | Típusstring | KövetelményOpcionális | Értékek és korlátok mp3, pcm | Alapértelmezettpcm |
Mezőprovider | Típusobject | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
| Paraméter | Szerződés |
|---|---|
Paramétercontent_type | Szerződésapplication/json |
Paraméterrequired | Szerződésmodel, input, voice |
Paramétermaterial_types | Szerződéstext |
Életciklus: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · A ténylegesen visszaadott task_id vagy a médiatár bejegyzése
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
A díjszabás nem ad új kérési lehetőségeket. A támogatott paraméterek a kiválasztott módszernél szerepelnek.
Minden díjat a megjelenített feltételekhez rendeljen. Az alternatív beállítások minden csoportjához egy díjtételt használjon.
| Beállítás | Díjtáblázat | Elszámolási egység | Díj |
|---|---|---|---|
| BeállításTokenek alapdíjai | DíjtáblázatAlapdíj | Elszámolási egység— | Díj Bemenet · Bemeneti tokenek — / 1K token Kimenet · Kimeneti tokenek — / 1K token Bemenet · Gyorsítótár olvasása — / 1K token Bemenet · Írás a gyorsítótárba — / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
| Beállításbemeneti UTF-8-bájt | Díjtáblázat— | Elszámolási egységbemeneti UTF-8 bájtonként | Díj Bemenet · bemeneti UTF-8-bájt $0.00003 bemeneti UTF-8 bájtonként |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
set -eu\n: "${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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.\nTeljes bináris hang vagy eredeti audio_url válasz, fejlécek és minden saját médiaállomány.
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}set -eu\n: "${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.\nŐrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt.
Őrizze meg a teljes választ és a fejléceket, minden tényleges kimenetet, az eredetileg visszaadott azonosítókat és az összes használati adatmezőt. Az eredeti műveletet állítsa helyre, a létrehozási kérés újbóli beküldése nélkül.
Őrizze meg a visszaadott X-Client-Request-ID értéket az egyeztetéshez. Csak a ténylegesen visszaadott task_id/asset_id értékekkel kérdezzen le, vagy használja a saját médiatárat; soha ne állítson össze feladat-URL-t a műveletazonosítóból, és soha ne küldje be újra a létrehozási kérést.
Ailoot Ultra fish-audio/s2.1-pro
Használja a fent látható metódusútvonalakat.