Fish Audio: S1

S1 adalah model teks ke suara generasi sebelumnya dari Fish Audio untuk narasi ekspresif dan keluaran suara satu penutur. Model ini membaca naskah yang diberikan dan mengembalikan audio menggunakan suara pilihan atau suara yang dikondisikan oleh referensi. Model S1 penuh berbeda dari S1-mini, model distilasi yang lebih kecil; produsen memperkenalkan keduanya sebagai varian berparameter 4 miliar dan 0,5 miliar. Profil ini membahas model bernama S1.

Untuk narasi, siapkan kata-kata yang benar-benar harus diucapkan dan tandai tempat penyampaian harus berubah. Naskah penjelasan yang berguna menyampaikan pokok utamanya terlebih dahulu, mengembangkan satu gagasan setiap kali, dan menggunakan tanda baca untuk memisahkan frasa yang memerlukan jeda alami. Untuk instruksi singkat, pastikan susunan katanya jelas ketika didengar tanpa layar. Pertahankan pembacaan nama, singkatan, dan satuan yang dimaksud, serta periksa angka dalam keluaran suara alih-alih berasumsi bahwa string yang mudah dibaca secara visual hanya memiliki satu pelafalan.

S1 menggunakan isyarat emosi dan penyampaian dalam tanda kurung, seperti (angry), (sad), (in a hurry), atau (chuckling). Letakkan isyarat sebelum kalimat atau frasa yang harus dipengaruhinya, dengan ucapan sebenarnya sesudahnya. Penyampaian berlaku pada teks yang mengikuti, sehingga perubahan suasana hati harus muncul di tempat penampilan perlu berubah. Sintaks ini berbeda dari arahan dalam tanda kurung siku milik S2; tulis naskah untuk generasi yang dipilih, alih-alih menganggap kedua bentuk penandaan dapat saling menggantikan.

Suara dapat dipilih melalui pengenal suara tersimpan atau dikondisikan dari rekaman referensi beserta transkripnya. Untuk alur kerja referensi instan, panduan ucapan umum menyarankan sampel bersih sepanjang 10–30 detik. Pilih sampel yang gaya bicara dan kualitas rekamannya sesuai dengan hasil yang dimaksud, dan pastikan transkrip cocok dengan kata-kata dalam sampel itu. Untuk narator berulang, gunakan kembali referensi suara yang sama antarpetikan agar pergantian topik tidak secara tidak sengaja menjadi pergantian karakter.

Rilis S1 menyebut bahasa Inggris, Tionghoa, Jepang, Jerman, Prancis, Spanyol, Korea, Arab, Rusia, Belanda, Italia, Polandia, dan Portugis di antara bahasa yang didukung, serta menjelaskan pencampuran bahasa dalam naskah. Berikan susunan kata dalam bahasa sasaran, alih-alih memperlakukan sintesis ucapan sebagai tahap penerjemahan. Untuk petikan dengan nama serapan atau pergantian bahasa, pertahankan kejelasan ejaan dan konteks kalimat di sekitarnya, lalu tinjau bagaimana suara pilihan menangani peralihan itu.

Antarmuka produsen S1 mendukung satu penutur per permintaan sintesis. Dialog dapat disiapkan sebagai segmen terpisah dengan referensi suaranya masing-masing, lalu dirangkai oleh aplikasi; sintesis banyak penutur bawaan keluarga S2 merupakan kemampuan terpisah. Pertahankan kaitan peran, suara, dan teks dengan setiap segmen ketika menyiapkan dialog karakter. Hasil sintesis adalah penampilan audio dari naskah, sedangkan mengatur waktu percakapan atau menggabungkannya dengan musik dan video merupakan tahap penyuntingan berikutnya.

Pilihan keluaran mencakup MP3, WAV, PCM mentah, dan Opus, dengan MP3 sebagai bawaan. Keluaran yang didokumentasikan adalah mono; WAV dan PCM memakai sampel 16-bit, dan pilihan laju sampel berbeda menurut format. MP3 mendukung 64, 128, dan 192 kbps, sedangkan Opus menggunakan 48 kHz. Kecepatan dapat disesuaikan dari 0,5 hingga 2,0, disertai kendali volume. Pilih berkas terenkode untuk artefak sulih suara atau aliran yang sesuai untuk pemutaran, lalu simpan suara dan naskah pilihan bersama hasilnya.

Produsen memproses teks panjang dalam potongan, dengan rentang panjang potongan 100–300 yang didokumentasikan dan anggaran token audio per potongan, bukan durasi rekaman keseluruhan yang dijamin. Normalisasi teks dapat mengembangkan angka bahasa Inggris dan Tionghoa menjadi pembacaan alami, dan penalti pengulangan S1 dapat mengurangi pola audio berulang. Normalisasi kenyaringan keluaran adalah pengaturan lain dan tidak berpengaruh pada S1. Periksa pelafalan, batas frasa, bunyi berulang, dan perubahan emosi yang dimaksud sebelum merangkai petikan akhir, lalu revisi kalimat atau referensi tertentu yang membutuhkan perhatian.