Az S2 Pro a Fish Audio második generációs szövegfelolvasó modellje kifejező narrációhoz, karakterpárbeszédhez és társalgási beszédkimenethez. Írott szöveget alakít hanggá, és szó- vagy kifejezésszintű természetes nyelvi irányítást támogat. Az előző S1 generáció kerek zárójeles jelzéseket használ, az S2 Pro viszont natívan szögletes zárójeleket, és egyetlen szintéziskérésben több beszélőt támogat. A gyártó az S2 Pro súlyait és finomhangolási kódját külön testreszabási munkához teszi közzé; egy hagyományos beszédkérés a kiválasztott modellt használja, nem újat tanít.
Először a kimondandó tartalmat írd meg, majd közvetlenül az elé a szó vagy kifejezés elé helyezd az előadási utasítást, amelyre hatnia kell. Az instrukciók suttogást, reakciót, szünetet, érzelmi váltást vagy szabadon leírt beszédstílust adhatnak meg. Rövid termékmagyarázatnál maradjon világos a tényszerű mondat, és csak ott legyen hangsúly, ahol a hallgatónak különbséget kell észrevennie. Karakterszövegnél az érzelmi változást annak pillanatában írd le, ne egyetlen állandó hangulatot rendelj az egész részhez.
A szögletes zárójeles címkék szabad leírások, nem zárt menü elemei. Példák: [whispering], [sigh], [long pause], illetve olyan kifejezés, mint [speaking slowly, almost hesitant]. A címkék mondat közben is szerepelhetnek, és az utánuk következő beszédre hatnak. A leíró címkét tényleges szövegnek kell követnie; egy önálló utasítás kiszámíthatatlan kimenetet adhat. Rétegezés előtt egy-két hasznos instrukcióval kezdj, mert az egymással versengő címkék elfedhetik a szándékolt előadást. Különböző hangreferenciák ugyanarra az instrukcióra eltérő intenzitással reagálhatnak.
Az S2 kiadási leírása körülbelül 80 nyelvet említ, és példákat ad a szöveggel azonos nyelvű előadási utasításokra. A megfogalmazást a beszélni kívánt nyelven készítsd el, és őrizd meg a meghatározott felolvasást igénylő neveket, egységeket és rövidítéseket. A többnyelvű narráció szövegnyelv-váltáskor is megtarthatja a kívánt hangot, de a végső anyag kiejtését és folytonosságát továbbra is meg kell hallgatni. A szintézis a megadott tartalmat alakítja beszéddé, nem dönti el, milyen információt közöljön az alkalmazás.
Egyetlen beszélőhöz válassz mentett hangazonosítót, vagy adj meg referenciahangot a hozzá illő leirattal. A gyártó tiszta, 10–30 másodperces mintát javasol az azonnali kondicionáláshoz. Párbeszédhez használj <|speaker:0|> és <|speaker:1|> típusú beszélőjelölőket, rendezett hangazonosító-listával vagy a beszélők külön referenciacsoportjaival. A számozott jelölő a megfelelő hangbejegyzést választja; a beszélgetés alakulásával is tartsd rögzítve a sorrendet. A természetes nyelvű előadási instrukció és a beszélőválasztás eltérő szerepet tölt be a szövegben.
A hangkimenet MP3, WAV, nyers PCM vagy Opus lehet. Az MP3 alapértéke 128 kbps, és 64 vagy 192 kbps értéket is kínál; az Opus kimenet 48 kHz-et használ, a WAV és a PCM pedig a dokumentált mintavételi frekvenciákat támogatja 16 bites monóként. A formátumot a tényleges célhoz válaszd: megőrzendő fájl narrációhoz, vagy megfelelő hangdarabok lejátszáshoz. A gyártó beszédfolyamata élő szövegstreamelést is leír, amikor a szöveg fokozatosan érkezik. A generált eredmény kapcsolata maradjon meg a teljes szöveggel és a kiválasztott hangokkal.
A sebesség 0.5 és 2.0 között állítható, hangerő- és kimeneti hangerő-normalizálási vezérlőkkel. A szövegnormalizálás javítja az angol és kínai számok felolvasását. A feldolgozás 100–300 tartományú darabokat és darabonkénti hangtokenkeretet használ, ezért ezek a beállítások nem értelmezhetők egy teljes narráció rögzített maximális hosszaként. Az előző darabbal végzett kondicionálás továbbviheti a hangkontextust a következő szegmensbe. A mintavételi vezérlők, például a temperature és a top-p befolyásolják a változatosságot; egy tudatosan irányított sornak is elegendő szöveg és kontextus kell a kívánt hangzáshoz.
Hasznos gyártási feladatleírás különíti el a narrációt, a párbeszédet és az előadási instrukciókat, majd meghatározza az eredmény hangját és formátumát. Hallgasd meg, vannak-e hiányzó szavak, ismétlődő hangrészek, megfelelő-e a számok kiejtése, a beszélőváltás és a reakció időzítése. Az eltérést okozó sort vagy hangreferenciát javítsd, ne feltételezd, hogy több címke minden részleten javít. Az S2 Pro különálló, korábbi S2-generációs modell marad; az S2.1 Pro a későbbi kiadás saját fejlesztésekkel és modellspecifikus beállítási viselkedéssel.
", "aboutText": "Az S2 Pro a Fish Audio második generációs szövegfelolvasó modellje kifejező narrációhoz, karakterpárbeszédhez és társalgási beszédkimenethez. Írott szöveget alakít hanggá, és szó- vagy kifejezésszintű természetes nyelvi irányítást támogat. Az előző S1 generáció kerek zárójeles jelzéseket használ, az S2 Pro viszont natívan szögletes zárójeleket, és egyetlen szintéziskérésben több beszélőt támogat. A gyártó az S2 Pro súlyait és finomhangolási kódját külön testreszabási munkához teszi közzé; egy hagyományos beszédkérés a kiválasztott modellt használja, nem újat tanít.\n\nElőször a kimondandó tartalmat írd meg, majd közvetlenül az elé a szó vagy kifejezés elé helyezd az előadási utasítást, amelyre hatnia kell. Az instrukciók suttogást, reakciót, szünetet, érzelmi váltást vagy szabadon leírt beszédstílust adhatnak meg. Rövid termékmagyarázatnál maradjon világos a tényszerű mondat, és csak ott legyen hangsúly, ahol a hallgatónak különbséget kell észrevennie. Karakterszövegnél az érzelmi változást annak pillanatában írd le, ne egyetlen állandó hangulatot rendelj az egész részhez.\n\nA szögletes zárójeles címkék szabad leírások, nem zárt menü elemei. Példák: [whispering], [sigh], [long pause], illetve olyan kifejezés, mint [speaking slowly, almost hesitant]. A címkék mondat közben is szerepelhetnek, és az utánuk következő beszédre hatnak. A leíró címkét tényleges szövegnek kell követnie; egy önálló utasítás kiszámíthatatlan kimenetet adhat. Rétegezés előtt egy-két hasznos instrukcióval kezdj, mert az egymással versengő címkék elfedhetik a szándékolt előadást. Különböző hangreferenciák ugyanarra az instrukcióra eltérő intenzitással reagálhatnak.\n\nAz S2 kiadási leírása körülbelül 80 nyelvet említ, és példákat ad a szöveggel azonos nyelvű előadási utasításokra. A megfogalmazást a beszélni kívánt nyelven készítsd el, és őrizd meg a meghatározott felolvasást igénylő neveket, egységeket és rövidítéseket. A többnyelvű narráció szövegnyelv-váltáskor is megtarthatja a kívánt hangot, de a végső anyag kiejtését és folytonosságát továbbra is meg kell hallgatni. A szintézis a megadott tartalmat alakítja beszéddé, nem dönti el, milyen információt közöljön az alkalmazás.\n\nEgyetlen beszélőhöz válassz mentett hangazonosítót, vagy adj meg referenciahangot a hozzá illő leirattal. A gyártó tiszta, 10–30 másodperces mintát javasol az azonnali kondicionáláshoz. Párbeszédhez használj <|speaker:0|> és <|speaker:1|> típusú beszélőjelölőket, rendezett hangazonosító-listával vagy a beszélők külön referenciacsoportjaival. A számozott jelölő a megfelelő hangbejegyzést választja; a beszélgetés alakulásával is tartsd rögzítve a sorrendet. A természetes nyelvű előadási instrukció és a beszélőválasztás eltérő szerepet tölt be a szövegben.\n\nA hangkimenet MP3, WAV, nyers PCM vagy Opus lehet. Az MP3 alapértéke 128 kbps, és 64 vagy 192 kbps értéket is kínál; az Opus kimenet 48 kHz-et használ, a WAV és a PCM pedig a dokumentált mintavételi frekvenciákat támogatja 16 bites monóként. A formátumot a tényleges célhoz válaszd: megőrzendő fájl narrációhoz, vagy megfelelő hangdarabok lejátszáshoz. A gyártó beszédfolyamata élő szövegstreamelést is leír, amikor a szöveg fokozatosan érkezik. A generált eredmény kapcsolata maradjon meg a teljes szöveggel és a kiválasztott hangokkal.\n\nA sebesség 0.5 és 2.0 között állítható, hangerő- és kimeneti hangerő-normalizálási vezérlőkkel. A szövegnormalizálás javítja az angol és kínai számok felolvasását. A feldolgozás 100–300 tartományú darabokat és darabonkénti hangtokenkeretet használ, ezért ezek a beállítások nem értelmezhetők egy teljes narráció rögzített maximális hosszaként. Az előző darabbal végzett kondicionálás továbbviheti a hangkontextust a következő szegmensbe. A mintavételi vezérlők, például a temperature és a top-p befolyásolják a változatosságot; egy tudatosan irányított sornak is elegendő szöveg és kontextus kell a kívánt hangzáshoz.\n\nHasznos gyártási feladatleírás különíti el a narrációt, a párbeszédet és az előadási instrukciókat, majd meghatározza az eredmény hangját és formátumát. Hallgasd meg, vannak-e hiányzó szavak, ismétlődő hangrészek, megfelelő-e a számok kiejtése, a beszélőváltás és a reakció időzítése. Az eltérést okozó sort vagy hangreferenciát javítsd, ne feltételezd, hogy több címke minden részleten javít. Az S2 Pro különálló, korábbi S2-generációs modell marad; az S2.1 Pro a későbbi kiadás saját fejlesztésekkel és modellspecifikus beállítási viselkedéssel.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "48a062fc8fdde953264491b4e043c9fa3e4890724e26723fdc9d01cd6881df3f", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "hu", "methods": [ { "html": "fish-audio/s2-proA Fish Audio S2 Pro kifejező többnyelvű beszédet hoz létre szószintű instrukciókkal és natív több beszélős párbeszéddel. A szögletes zárójeles utasítások a szövegen belül irányítják az előadásmódot, a hangreferenciák azonosítják a beszélőket, a kimeneti beállítások pedig a hanganyag formáját alakítják.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
Az S2 Pro a Fish Audio második generációs szövegfelolvasó modellje kifejező narrációhoz, karakterpárbeszédhez és társalgási beszédkimenethez. Írott szöveget alakít hanggá, és szó- vagy kifejezésszintű természetes nyelvi irányítást támogat. Az előző S1 generáció kerek zárójeles jelzéseket használ, az S2 Pro viszont natívan szögletes zárójeleket, és egyetlen szintéziskérésben több beszélőt támogat. A gyártó az S2 Pro súlyait és finomhangolási kódját külön testreszabási munkához teszi közzé; egy hagyományos beszédkérés a kiválasztott modellt használja, nem újat tanít.
Először a kimondandó tartalmat írd meg, majd közvetlenül az elé a szó vagy kifejezés elé helyezd az előadási utasítást, amelyre hatnia kell. Az instrukciók suttogást, reakciót, szünetet, érzelmi váltást vagy szabadon leírt beszédstílust adhatnak meg. Rövid termékmagyarázatnál maradjon világos a tényszerű mondat, és csak ott legyen hangsúly, ahol a hallgatónak különbséget kell észrevennie. Karakterszövegnél az érzelmi változást annak pillanatában írd le, ne egyetlen állandó hangulatot rendelj az egész részhez.
A szögletes zárójeles címkék szabad leírások, nem zárt menü elemei. Példák: [whispering], [sigh], [long pause], illetve olyan kifejezés, mint [speaking slowly, almost hesitant]. A címkék mondat közben is szerepelhetnek, és az utánuk következő beszédre hatnak. A leíró címkét tényleges szövegnek kell követnie; egy önálló utasítás kiszámíthatatlan kimenetet adhat. Rétegezés előtt egy-két hasznos instrukcióval kezdj, mert az egymással versengő címkék elfedhetik a szándékolt előadást. Különböző hangreferenciák ugyanarra az instrukcióra eltérő intenzitással reagálhatnak.
Az S2 kiadási leírása körülbelül 80 nyelvet említ, és példákat ad a szöveggel azonos nyelvű előadási utasításokra. A megfogalmazást a beszélni kívánt nyelven készítsd el, és őrizd meg a meghatározott felolvasást igénylő neveket, egységeket és rövidítéseket. A többnyelvű narráció szövegnyelv-váltáskor is megtarthatja a kívánt hangot, de a végső anyag kiejtését és folytonosságát továbbra is meg kell hallgatni. A szintézis a megadott tartalmat alakítja beszéddé, nem dönti el, milyen információt közöljön az alkalmazás.
Egyetlen beszélőhöz válassz mentett hangazonosítót, vagy adj meg referenciahangot a hozzá illő leirattal. A gyártó tiszta, 10–30 másodperces mintát javasol az azonnali kondicionáláshoz. Párbeszédhez használj <|speaker:0|> és <|speaker:1|> típusú beszélőjelölőket, rendezett hangazonosító-listával vagy a beszélők külön referenciacsoportjaival. A számozott jelölő a megfelelő hangbejegyzést választja; a beszélgetés alakulásával is tartsd rögzítve a sorrendet. A természetes nyelvű előadási instrukció és a beszélőválasztás eltérő szerepet tölt be a szövegben.
A hangkimenet MP3, WAV, nyers PCM vagy Opus lehet. Az MP3 alapértéke 128 kbps, és 64 vagy 192 kbps értéket is kínál; az Opus kimenet 48 kHz-et használ, a WAV és a PCM pedig a dokumentált mintavételi frekvenciákat támogatja 16 bites monóként. A formátumot a tényleges célhoz válaszd: megőrzendő fájl narrációhoz, vagy megfelelő hangdarabok lejátszáshoz. A gyártó beszédfolyamata élő szövegstreamelést is leír, amikor a szöveg fokozatosan érkezik. A generált eredmény kapcsolata maradjon meg a teljes szöveggel és a kiválasztott hangokkal.
A sebesség 0.5 és 2.0 között állítható, hangerő- és kimeneti hangerő-normalizálási vezérlőkkel. A szövegnormalizálás javítja az angol és kínai számok felolvasását. A feldolgozás 100–300 tartományú darabokat és darabonkénti hangtokenkeretet használ, ezért ezek a beállítások nem értelmezhetők egy teljes narráció rögzített maximális hosszaként. Az előző darabbal végzett kondicionálás továbbviheti a hangkontextust a következő szegmensbe. A mintavételi vezérlők, például a temperature és a top-p befolyásolják a változatosságot; egy tudatosan irányított sornak is elegendő szöveg és kontextus kell a kívánt hangzáshoz.
Hasznos gyártási feladatleírás különíti el a narrációt, a párbeszédet és az előadási instrukciókat, majd meghatározza az eredmény hangját és formátumát. Hallgasd meg, vannak-e hiányzó szavak, ismétlődő hangrészek, megfelelő-e a számok kiejtése, a beszélőváltás és a reakció időzítése. Az eltérést okozó sort vagy hangreferenciát javítsd, ne feltételezd, hogy több címke minden részleten javít. Az S2 Pro különálló, korábbi S2-generációs modell marad; az S2.1 Pro a későbbi kiadás saját fejlesztésekkel és modellspecifikus beállítási viselkedéssel.
POST /v1/audio/speechtextaudio| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok fish-audio/s2-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: "${AILOOT_INPUT_TEXT:?Set the actual documented input value}"\nexport AILOOT_INPUT_TEXT\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nrequest={'model': 'fish-audio/s2-pro', 'input': '${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-pro
Használja a fent látható metódusútvonalakat.