Fish Audio: S1

S1 è il modello di sintesi vocale di generazione precedente di Fish Audio per narrazione espressiva e output vocale con un solo parlante. Legge un copione fornito e restituisce audio usando una voce selezionata o condizionata da una reference. Il modello S1 completo è distinto da S1-mini, il modello distillato più piccolo; il produttore li presenta rispettivamente come varianti da 4 miliardi e 0,5 miliardi di parametri. Questo profilo copre il modello denominato S1.

Per la narrazione, prepara le parole da pronunciare effettivamente e indica i punti in cui dovrebbe cambiare l’interpretazione. Un copione esplicativo utile dichiara prima il punto principale, sviluppa un’idea alla volta e usa punteggiatura per separare frasi che richiedono una pausa naturale. Per un’istruzione breve, mantieni chiara la formulazione quando viene ascoltata senza uno schermo. Preserva la lettura prevista di nomi, abbreviazioni e unità e verifica i numeri nell’output parlato anziché presumere che una stringa leggibile visivamente abbia una sola pronuncia.

S1 usa indizi di emozione e interpretazione tra parentesi, come (angry), (sad), (in a hurry) o (chuckling). Metti un indizio prima della frase o espressione che deve influenzare, con il parlato effettivo dopo di esso. L’interpretazione appartiene al testo seguente, quindi un cambio di atmosfera dovrebbe comparire dove deve cambiare la performance. È una sintassi diversa dalle indicazioni tra parentesi quadre di S2; mantieni il copione scritto per la generazione scelta anziché presumere che le due forme di markup siano intercambiabili.

Una voce può essere selezionata attraverso un identificatore vocale salvato oppure condizionata da una registrazione di riferimento insieme alla trascrizione. Per un flusso di reference istantanea, la guida generale al parlato raccomanda un campione pulito di 10–30 secondi. Scegli un campione il cui stile di parlato e qualità di registrazione siano adatti al risultato previsto e fai corrispondere la trascrizione alle parole nel campione. Per un narratore ricorrente, riusa la stessa reference vocale tra passaggi, affinché un cambio di argomento non diventi involontariamente un cambio di personaggio.

La release S1 indica inglese, cinese, giapponese, tedesco, francese, spagnolo, coreano, arabo, russo, neerlandese, italiano, polacco e portoghese tra le lingue supportate e descrive la combinazione di lingue in un copione. Fornisci la formulazione nella lingua di destinazione anziché trattare la sintesi vocale come un passaggio di traduzione. Per un passaggio con un nome preso da un’altra lingua o un cambio linguistico, mantieni chiari grafia e contesto della frase circostante e verifica come la voce selezionata gestisce la transizione.

L’interfaccia del produttore per S1 supporta un parlante per richiesta di sintesi. Un dialogo può essere preparato in segmenti separati con le proprie reference vocali, poi assemblati dall’applicazione; la sintesi nativa con più parlanti della famiglia S2 è una capacità separata. Mantieni ruolo, voce e testo associati a ogni segmento quando prepari frasi di personaggi. Il risultato della sintesi è un’interpretazione audio del copione, mentre temporizzare uno scambio o combinarlo con musica e video è un successivo passaggio di montaggio.

Le opzioni di output comprendono MP3, WAV, PCM grezzo e Opus, con MP3 predefinito. L’output documentato è mono; WAV e PCM usano campioni a 16 bit e le scelte di frequenza di campionamento differiscono per formato. MP3 supporta 64, 128 e 192 kbps, mentre Opus usa 48 kHz. La velocità può essere regolata da 0.5 a 2.0 con controlli di volume. Scegli un file codificato per un artefatto di voce fuori campo o un flusso appropriato per la riproduzione e conserva voce selezionata e copione insieme al risultato.

Il produttore elabora testo lungo in segmenti, con un intervallo documentato di lunghezza del segmento di 100–300 e un budget di token audio per segmento anziché una durata complessiva garantita della registrazione. La normalizzazione del testo può espandere numeri inglesi e cinesi in una lettura naturale e la penalità di ripetizione di S1 può ridurre schemi audio ripetuti. La normalizzazione della sonorità di output è un’impostazione diversa e non ha effetto su S1. Esamina pronuncia, confini delle frasi, suoni ripetuti e cambio emotivo previsto prima di assemblare il passaggio completo, poi rivedi la frase specifica o la reference che richiede attenzione.