S2 Pro adalah model teks-ke-ucapan generasi kedua Fish Audio untuk narasi ekspresif, dialog karakter, dan keluaran suara percakapan. Model ini mengubah naskah tertulis menjadi audio dan mendukung arahan bahasa alami pada tingkat kata atau frasa. Generasi sebelumnya, S1, menggunakan isyarat dalam tanda kurung biasa, sedangkan S2 Pro secara bawaan menggunakan tanda kurung siku dan mendukung beberapa pembicara dalam satu permintaan sintesis. Pembuat merilis bobot S2 Pro dan kode fine-tuning untuk pekerjaan penyesuaian terpisah; permintaan ucapan biasa menggunakan model yang dipilih, bukan melatih model baru.
Tulis isi ucapan terlebih dahulu, lalu letakkan instruksi penyampaian tepat sebelum kata atau frasa yang perlu dipengaruhinya. Arahan dapat mendeskripsikan bisikan, reaksi, jeda, perubahan emosi, atau gaya bicara yang bebas dirumuskan. Untuk penjelasan produk pendek, jaga kalimat faktual tetap jelas dan berikan penekanan hanya pada bagian yang perbedaannya perlu diperhatikan pendengar. Untuk baris karakter, jelaskan perubahan emosi saat perubahan itu terjadi, bukan memberi seluruh bagian satu suasana tetap.
Tag dalam tanda kurung siku merupakan deskripsi terbuka, bukan menu terbatas. Contohnya meliputi [whispering], [sigh], [long pause], serta frasa seperti [speaking slowly, almost hesitant]. Tag dapat muncul di tengah kalimat dan memengaruhi ucapan setelahnya. Tag deskriptif memerlukan teks nyata sesudahnya; instruksi yang berdiri sendiri dapat menghasilkan keluaran yang tidak dapat diprediksi. Mulai dengan satu atau dua arahan berguna sebelum menambahkan lapisan, karena tag yang saling bersaing dapat mengaburkan penampilan yang dimaksud. Referensi suara berbeda dapat merespons arahan yang sama dengan intensitas berbeda.
Rilis S2 menjelaskan sekitar 80 bahasa dan memberikan contoh penulisan instruksi penyampaian dalam bahasa yang sama dengan naskah. Siapkan susunan kata dalam bahasa yang harus diucapkan dan pertahankan nama, satuan, serta singkatan yang membutuhkan pembacaan tertentu. Narasi multibahasa dapat mempertahankan suara yang diinginkan ketika bahasa naskah berubah, tetapi artefak akhirnya tetap perlu didengarkan untuk memeriksa pelafalan dan kesinambungan. Sintesis menghasilkan isi yang diberikan sebagai ucapan, bukan menentukan informasi yang harus disampaikan aplikasi.
Untuk satu pembicara, pilih pengenal suara tersimpan atau berikan audio referensi beserta transkrip yang sesuai. Produsen menyarankan sampel bersih berdurasi 10–30 detik untuk pengondisian instan. Untuk dialog, gunakan penanda pembicara seperti <|speaker:0|> dan <|speaker:1|>, dengan daftar pengenal suara berurutan atau kelompok referensi terpisah untuk masing-masing pembicara. Penanda numerik memilih entri suara yang sesuai; pertahankan urutannya saat percakapan berkembang. Arahan penampilan dengan bahasa alami dan pemilihan pembicara memiliki peran berbeda dalam naskah.
Keluaran audio dapat berupa MP3, WAV, PCM mentah, atau Opus. MP3 bernilai bawaan 128 kbps dan menyediakan 64 atau 192 kbps; keluaran Opus menggunakan 48 kHz, sedangkan WAV dan PCM mendukung pilihan laju sampel terdokumentasi sebagai mono 16-bit. Pilih format berdasarkan tujuan sebenarnya: berkas yang disimpan untuk narasi, atau potongan audio yang cocok untuk pemutaran. Alur kerja ucapan produsen juga menjelaskan streaming teks langsung ketika naskah tiba secara bertahap. Hasil yang dibangkitkan perlu tetap dikaitkan dengan naskah lengkap dan suara yang dipilih.
Kecepatan dapat disesuaikan antara 0.5 dan 2.0, dengan kontrol volume dan normalisasi kenyaringan keluaran. Normalisasi teks meningkatkan pembacaan angka bahasa Inggris dan Mandarin. Pemrosesan menggunakan potongan dalam rentang 100–300 dan anggaran token audio per potongan, sehingga pengaturan ini tidak boleh diartikan sebagai panjang maksimum tetap untuk seluruh narasi. Pengondisian dari potongan sebelumnya dapat membawa konteks suara ke segmen berikutnya. Kontrol sampling seperti temperature dan top-p memengaruhi variasi; baris yang diarahkan secara sengaja tetap membutuhkan teks dan konteks yang cukup untuk membawa bunyi yang dimaksud.
Arahan produksi yang berguna memisahkan narasi, dialog, dan arahan penyampaian, lalu menyatakan suara serta format artefak hasil. Dengarkan apakah ada kata yang hilang, audio berulang, pelafalan angka, pergantian pembicara, dan ketepatan waktu suatu reaksi. Revisi baris atau referensi suara yang menyebabkan ketidaksesuaian, alih-alih berasumsi semakin banyak tag akan memperbaiki setiap bagian. S2 Pro tetap merupakan model S2 generasi sebelumnya yang berbeda; S2.1 Pro adalah edisi lebih baru dengan peningkatan dan perilaku pengaturan khusus modelnya sendiri.
", "aboutText": "S2 Pro adalah model teks-ke-ucapan generasi kedua Fish Audio untuk narasi ekspresif, dialog karakter, dan keluaran suara percakapan. Model ini mengubah naskah tertulis menjadi audio dan mendukung arahan bahasa alami pada tingkat kata atau frasa. Generasi sebelumnya, S1, menggunakan isyarat dalam tanda kurung biasa, sedangkan S2 Pro secara bawaan menggunakan tanda kurung siku dan mendukung beberapa pembicara dalam satu permintaan sintesis. Pembuat merilis bobot S2 Pro dan kode fine-tuning untuk pekerjaan penyesuaian terpisah; permintaan ucapan biasa menggunakan model yang dipilih, bukan melatih model baru.\n\nTulis isi ucapan terlebih dahulu, lalu letakkan instruksi penyampaian tepat sebelum kata atau frasa yang perlu dipengaruhinya. Arahan dapat mendeskripsikan bisikan, reaksi, jeda, perubahan emosi, atau gaya bicara yang bebas dirumuskan. Untuk penjelasan produk pendek, jaga kalimat faktual tetap jelas dan berikan penekanan hanya pada bagian yang perbedaannya perlu diperhatikan pendengar. Untuk baris karakter, jelaskan perubahan emosi saat perubahan itu terjadi, bukan memberi seluruh bagian satu suasana tetap.\n\nTag dalam tanda kurung siku merupakan deskripsi terbuka, bukan menu terbatas. Contohnya meliputi [whispering], [sigh], [long pause], serta frasa seperti [speaking slowly, almost hesitant]. Tag dapat muncul di tengah kalimat dan memengaruhi ucapan setelahnya. Tag deskriptif memerlukan teks nyata sesudahnya; instruksi yang berdiri sendiri dapat menghasilkan keluaran yang tidak dapat diprediksi. Mulai dengan satu atau dua arahan berguna sebelum menambahkan lapisan, karena tag yang saling bersaing dapat mengaburkan penampilan yang dimaksud. Referensi suara berbeda dapat merespons arahan yang sama dengan intensitas berbeda.\n\nRilis S2 menjelaskan sekitar 80 bahasa dan memberikan contoh penulisan instruksi penyampaian dalam bahasa yang sama dengan naskah. Siapkan susunan kata dalam bahasa yang harus diucapkan dan pertahankan nama, satuan, serta singkatan yang membutuhkan pembacaan tertentu. Narasi multibahasa dapat mempertahankan suara yang diinginkan ketika bahasa naskah berubah, tetapi artefak akhirnya tetap perlu didengarkan untuk memeriksa pelafalan dan kesinambungan. Sintesis menghasilkan isi yang diberikan sebagai ucapan, bukan menentukan informasi yang harus disampaikan aplikasi.\n\nUntuk satu pembicara, pilih pengenal suara tersimpan atau berikan audio referensi beserta transkrip yang sesuai. Produsen menyarankan sampel bersih berdurasi 10–30 detik untuk pengondisian instan. Untuk dialog, gunakan penanda pembicara seperti <|speaker:0|> dan <|speaker:1|>, dengan daftar pengenal suara berurutan atau kelompok referensi terpisah untuk masing-masing pembicara. Penanda numerik memilih entri suara yang sesuai; pertahankan urutannya saat percakapan berkembang. Arahan penampilan dengan bahasa alami dan pemilihan pembicara memiliki peran berbeda dalam naskah.\n\nKeluaran audio dapat berupa MP3, WAV, PCM mentah, atau Opus. MP3 bernilai bawaan 128 kbps dan menyediakan 64 atau 192 kbps; keluaran Opus menggunakan 48 kHz, sedangkan WAV dan PCM mendukung pilihan laju sampel terdokumentasi sebagai mono 16-bit. Pilih format berdasarkan tujuan sebenarnya: berkas yang disimpan untuk narasi, atau potongan audio yang cocok untuk pemutaran. Alur kerja ucapan produsen juga menjelaskan streaming teks langsung ketika naskah tiba secara bertahap. Hasil yang dibangkitkan perlu tetap dikaitkan dengan naskah lengkap dan suara yang dipilih.\n\nKecepatan dapat disesuaikan antara 0.5 dan 2.0, dengan kontrol volume dan normalisasi kenyaringan keluaran. Normalisasi teks meningkatkan pembacaan angka bahasa Inggris dan Mandarin. Pemrosesan menggunakan potongan dalam rentang 100–300 dan anggaran token audio per potongan, sehingga pengaturan ini tidak boleh diartikan sebagai panjang maksimum tetap untuk seluruh narasi. Pengondisian dari potongan sebelumnya dapat membawa konteks suara ke segmen berikutnya. Kontrol sampling seperti temperature dan top-p memengaruhi variasi; baris yang diarahkan secara sengaja tetap membutuhkan teks dan konteks yang cukup untuk membawa bunyi yang dimaksud.\n\nArahan produksi yang berguna memisahkan narasi, dialog, dan arahan penyampaian, lalu menyatakan suara serta format artefak hasil. Dengarkan apakah ada kata yang hilang, audio berulang, pelafalan angka, pergantian pembicara, dan ketepatan waktu suatu reaksi. Revisi baris atau referensi suara yang menyebabkan ketidaksesuaian, alih-alih berasumsi semakin banyak tag akan memperbaiki setiap bagian. S2 Pro tetap merupakan model S2 generasi sebelumnya yang berbeda; S2.1 Pro adalah edisi lebih baru dengan peningkatan dan perilaku pengaturan khusus modelnya sendiri.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "5378b0b003efb305934a95c5e6c29e90cbc32b42b0ad3b6d78976057aeed6903", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "id", "methods": [ { "html": "fish-audio/s2-proFish Audio S2 Pro menciptakan ucapan multibahasa ekspresif dengan arahan tingkat kata dan dialog beberapa pembicara bawaan. Instruksi dalam tanda kurung siku mengontrol penyampaian di dalam naskah, sedangkan referensi suara mengidentifikasi pembicara dan pengaturan keluaran membentuk artefak audio.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
S2 Pro adalah model teks-ke-ucapan generasi kedua Fish Audio untuk narasi ekspresif, dialog karakter, dan keluaran suara percakapan. Model ini mengubah naskah tertulis menjadi audio dan mendukung arahan bahasa alami pada tingkat kata atau frasa. Generasi sebelumnya, S1, menggunakan isyarat dalam tanda kurung biasa, sedangkan S2 Pro secara bawaan menggunakan tanda kurung siku dan mendukung beberapa pembicara dalam satu permintaan sintesis. Pembuat merilis bobot S2 Pro dan kode fine-tuning untuk pekerjaan penyesuaian terpisah; permintaan ucapan biasa menggunakan model yang dipilih, bukan melatih model baru.
Tulis isi ucapan terlebih dahulu, lalu letakkan instruksi penyampaian tepat sebelum kata atau frasa yang perlu dipengaruhinya. Arahan dapat mendeskripsikan bisikan, reaksi, jeda, perubahan emosi, atau gaya bicara yang bebas dirumuskan. Untuk penjelasan produk pendek, jaga kalimat faktual tetap jelas dan berikan penekanan hanya pada bagian yang perbedaannya perlu diperhatikan pendengar. Untuk baris karakter, jelaskan perubahan emosi saat perubahan itu terjadi, bukan memberi seluruh bagian satu suasana tetap.
Tag dalam tanda kurung siku merupakan deskripsi terbuka, bukan menu terbatas. Contohnya meliputi [whispering], [sigh], [long pause], serta frasa seperti [speaking slowly, almost hesitant]. Tag dapat muncul di tengah kalimat dan memengaruhi ucapan setelahnya. Tag deskriptif memerlukan teks nyata sesudahnya; instruksi yang berdiri sendiri dapat menghasilkan keluaran yang tidak dapat diprediksi. Mulai dengan satu atau dua arahan berguna sebelum menambahkan lapisan, karena tag yang saling bersaing dapat mengaburkan penampilan yang dimaksud. Referensi suara berbeda dapat merespons arahan yang sama dengan intensitas berbeda.
Rilis S2 menjelaskan sekitar 80 bahasa dan memberikan contoh penulisan instruksi penyampaian dalam bahasa yang sama dengan naskah. Siapkan susunan kata dalam bahasa yang harus diucapkan dan pertahankan nama, satuan, serta singkatan yang membutuhkan pembacaan tertentu. Narasi multibahasa dapat mempertahankan suara yang diinginkan ketika bahasa naskah berubah, tetapi artefak akhirnya tetap perlu didengarkan untuk memeriksa pelafalan dan kesinambungan. Sintesis menghasilkan isi yang diberikan sebagai ucapan, bukan menentukan informasi yang harus disampaikan aplikasi.
Untuk satu pembicara, pilih pengenal suara tersimpan atau berikan audio referensi beserta transkrip yang sesuai. Produsen menyarankan sampel bersih berdurasi 10–30 detik untuk pengondisian instan. Untuk dialog, gunakan penanda pembicara seperti <|speaker:0|> dan <|speaker:1|>, dengan daftar pengenal suara berurutan atau kelompok referensi terpisah untuk masing-masing pembicara. Penanda numerik memilih entri suara yang sesuai; pertahankan urutannya saat percakapan berkembang. Arahan penampilan dengan bahasa alami dan pemilihan pembicara memiliki peran berbeda dalam naskah.
Keluaran audio dapat berupa MP3, WAV, PCM mentah, atau Opus. MP3 bernilai bawaan 128 kbps dan menyediakan 64 atau 192 kbps; keluaran Opus menggunakan 48 kHz, sedangkan WAV dan PCM mendukung pilihan laju sampel terdokumentasi sebagai mono 16-bit. Pilih format berdasarkan tujuan sebenarnya: berkas yang disimpan untuk narasi, atau potongan audio yang cocok untuk pemutaran. Alur kerja ucapan produsen juga menjelaskan streaming teks langsung ketika naskah tiba secara bertahap. Hasil yang dibangkitkan perlu tetap dikaitkan dengan naskah lengkap dan suara yang dipilih.
Kecepatan dapat disesuaikan antara 0.5 dan 2.0, dengan kontrol volume dan normalisasi kenyaringan keluaran. Normalisasi teks meningkatkan pembacaan angka bahasa Inggris dan Mandarin. Pemrosesan menggunakan potongan dalam rentang 100–300 dan anggaran token audio per potongan, sehingga pengaturan ini tidak boleh diartikan sebagai panjang maksimum tetap untuk seluruh narasi. Pengondisian dari potongan sebelumnya dapat membawa konteks suara ke segmen berikutnya. Kontrol sampling seperti temperature dan top-p memengaruhi variasi; baris yang diarahkan secara sengaja tetap membutuhkan teks dan konteks yang cukup untuk membawa bunyi yang dimaksud.
Arahan produksi yang berguna memisahkan narasi, dialog, dan arahan penyampaian, lalu menyatakan suara serta format artefak hasil. Dengarkan apakah ada kata yang hilang, audio berulang, pelafalan angka, pergantian pembicara, dan ketepatan waktu suatu reaksi. Revisi baris atau referensi suara yang menyebabkan ketidaksesuaian, alih-alih berasumsi semakin banyak tag akan memperbaiki setiap bagian. S2 Pro tetap merupakan model S2 generasi sebelumnya yang berbeda; S2.1 Pro adalah edisi lebih baru dengan peningkatan dan perilaku pengaturan khusus modelnya sendiri.
POST /v1/audio/speechtextaudio| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan fish-audio/s2-pro | Bawaan— |
Kolominput | Jenisstring | PersyaratanWajib | Nilai & batasan Panjang minimum: 1 | Bawaan— |
Kolomvoice | Jenisstring | PersyaratanWajib | Nilai & batasan b347db033a6549378b48d00acb0d06cd Panjang minimum: 1 | Bawaan— |
Kolomresponse_format | Jenisstring | PersyaratanOpsional | Nilai & batasan mp3, pcm | Bawaanpcm |
Kolomprovider | Jenisobject | PersyaratanOpsional | Nilai & batasan | Bawaan— |
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, input, voice |
Parametermaterial_types | Kontraktext |
Siklus hidup: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id aktual yang dikembalikan atau catatan pustaka media
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
Cocokkan setiap biaya dengan kondisi yang ditampilkan. Gunakan satu tarif untuk setiap kelompok konfigurasi alternatif.
| Konfigurasi | Jadwal tarif | Satuan penagihan | Biaya |
|---|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Satuan penagihan— | Biaya Masukan · Token masukan — / 1K token Keluaran · Token keluaran — / 1K token Masukan · Pembacaan cache — / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
| Konfigurasibyte UTF-8 masukan | Jadwal tarif— | Satuan penagihanper byte UTF-8 masukan | Biaya Masukan · byte UTF-8 masukan $0.00003 per byte UTF-8 masukan |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.\nAudio biner secara utuh atau respons audio_url asli, header, dan setiap aset milik Ailoot.
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}set -eu\n: "${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.\nSimpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan respons dan header secara lengkap, setiap keluaran aktual, identifikator asli yang dikembalikan, dan semua kolom usage. Pulihkan operasi asli tanpa mengirim ulang permintaan pembuatan.
Simpan X-Client-Request-ID yang dikembalikan untuk rekonsiliasi. Baca hanya nilai task_id/asset_id yang benar-benar dikembalikan atau pustaka media milik Anda; jangan pernah membuat URL tugas dari ID operasi dan jangan pernah mengirim ulang permintaan pembuatan.
Ailoot Ultra fish-audio/s2-pro
Gunakan jalur metode yang ditampilkan di atas.