Fish Audio: S2.1 Pro

S2.1 Pro adalah model teks-ke-ucapan Fish Audio dari generasi S2 yang lebih baru untuk narasi ekspresif dan aplikasi suara percakapan. Model ini meningkatkan kualitas ucapan, latensi, dan throughput dibanding S2 Pro sambil mempertahankan kontrol penyampaian dengan bahasa alami dan dialog beberapa pembicara bawaan. S2.1 Pro dan S2.1 Pro Free berbagi model ucapan dasar yang sama.

Untuk penjelasan bernarasi, berikan susunan kata yang sudah selesai, suara yang diinginkan, dan momen perubahan tempo atau penekanan. Untuk aplikasi percakapan, sintesiskan jawaban yang dipilih aplikasi dan pisahkan isi faktual dari arahan penampilan. Untuk percakapan bernaskah, tentukan pembicara dan suara mereka sebelum menulis giliran bicara. Hasil yang berguna adalah bagian audio lengkap atau stream yang dapat diputar dengan kata, penyampaian, dan peran pembicara sesuai arahan tersebut.

Tulis kata-kata yang benar-benar harus diucapkan, lalu letakkan instruksi tepat sebelum bagian yang penyampaiannya perlu berubah. Arahan dalam tanda kurung siku dapat menyatakan bisikan, jeda, reaksi, penekanan, atau gaya bicara yang bebas dirumuskan. Letakkan perubahan di tengah kalimat pada posisi yang dibutuhkan penampilan, dan ikuti arahan deskriptif dengan ucapan yang sebenarnya. Arahan penjelasan yang berguna memisahkan susunan kata faktual dari kehangatan, tempo, atau penekanan yang diinginkan bagi pendengar.

Untuk satu pembicara, pilih pengenal suara tersimpan atau berikan rekaman referensi beserta transkripnya. Panduan ucapan produsen menyarankan sampel bersih berdurasi 10–30 detik untuk pengondisian suara instan. Pilih referensi dengan nada dan kualitas rekaman yang sesuai naskah, lalu pertahankan referensi yang sama pada bagian-bagian terkait. Referensi suara memberikan bunyi suara pembicara; teks dan arahan di dalamnya memberikan isi serta cara penyampaiannya.

Sintesis beberapa pembicara bawaan menggunakan penanda seperti <|speaker:0|> dan <|speaker:1|> dengan array pengenal suara berurutan atau kelompok referensi terpisah. Selaraskan label pembicara numerik dengan urutan tersebut. Untuk percakapan instruksional, tulis baris setiap pembicara dan letakkan arahan penyampaian sesudah penanda pembicara pada tempatnya. Ini menghasilkan dialog dalam satu permintaan; alurnya berbeda dari segmen satu pembicara terpisah milik S1 yang kemudian dirangkai.

Alur kerja produsen menawarkan keluaran MP3, WAV, PCM mentah, dan Opus, dengan MP3 sebagai bawaan. MP3 mendukung 64, 128, dan 192 kbps; WAV dan PCM menggunakan format sampel mono 16-bit yang didokumentasikan, sedangkan Opus menggunakan 48 kHz. Pilih format untuk berkas narasi yang disimpan, pemutaran streaming, atau pipeline audio lanjutan. Simpan naskah lengkap dan pilihan suara bersama audio agar penyuntingan berikutnya dapat menangani satu baris tanpa kehilangan cara penyampaian yang dimaksud.

Kecepatan dapat disesuaikan dari 0.5 hingga 2.0 dengan kontrol volume. Normalisasi teks menguraikan angka bahasa Inggris dan Mandarin agar dibaca secara alami. Normalisasi kenyaringan keluaran bernilai bawaan true dan diterapkan pada keluarga S2; kolom yang sama tidak berpengaruh pada S1. repetition_penalty milik S1 tidak mengubah audio S2.1 Pro, sehingga pengaturan lama tidak boleh dianggap sebagai kontrol yang efektif untuk model ini. Periksa bunyi dan kata-kata yang berulang secara langsung, alih-alih mengandalkan parameter bawaan dari model lama untuk memastikan hasil.

Naskah lebih panjang diproses dalam potongan. Rentang panjang potongan yang didokumentasikan adalah 100–300, dan max_new_tokens merupakan anggaran token audio per potongan, bukan jaminan durasi total. Pengondisian berdasarkan potongan sebelumnya dapat membawa konteks suara ke bagian berikutnya. Alur pengiriman produsen menjelaskan audio lengkap, potongan audio bertahap, dan streaming teks langsung ketika naskah tiba secara bertahap. Pilih metode konsumsi untuk aplikasi dan pertahankan konteks naskah yang cukup bagi pelafalan serta nada bagian berikutnya.

Untuk artefak akhir yang berguna, dengarkan apakah ada kata yang hilang atau berulang, pelafalan angka, pergantian pembicara, jeda, dan intensitas arahan. Referensi suara berbeda dapat menafsirkan isyarat dengan kekuatan berbeda, jadi mulailah dengan satu baris berarahan sederhana sebelum menambahkan tag yang saling bersaing. Dalam pekerjaan multibahasa, berikan naskah berbahasa tujuan, bukan meminta model ucapan menciptakan atau menerjemahkan isinya. Revisi terfokus mengubah baris, isyarat, atau referensi yang menyebabkan ketidaksesuaian sambil mempertahankan bagian penampilan yang sudah sesuai arahan.