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.
", "aboutText": "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.\n\nPer 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.\n\nS1 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.\n\nUna 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.\n\nLa 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.\n\nL’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.\n\nLe 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.\n\nIl 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "2f88b4b065f34f4c795f54c9e9b1e6afec72809087f923499aeeb382890b65eb", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "it", "methods": [ { "html": "fish-audio/s1Fish Audio S1 trasforma copioni multilingue in audio espressivo con un solo parlante usando voci di riferimento e indizi emotivi tra parentesi. Usalo per narrazione, brevi istruzioni parlate o frasi di personaggi, con controlli di formato e prosodia per l’audio completo.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
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.
POST /v1/audio/speechtextaudio| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti fish-audio/s1 | Predefinito— |
Campoinput | Tipostring | RequisitoObbligatorio | Valori e limiti Lunghezza minima: 1 | Predefinito— |
Campovoice | Tipostring | RequisitoObbligatorio | Valori e limiti Esempi: b347db033a6549378b48d00acb0d06cd | Predefinito— |
Camporesponse_format | Tipostring | RequisitoFacoltativo | Valori e limiti mp3, pcm | Predefinitopcm |
text_to_speech · Obbligatorio: actual UTF-8 script, exact supported voice
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, input, voice |
Parametromaterial_types | Contrattotext |
Parametrovoice_ids | Contrattob347db033a6549378b48d00acb0d06cd |
Parametrovoice_list_exhaustive | Contrattofalse |
Parametroresponse_format | Contrattomp3, pcm |
Parametrodefault_response_format | Contrattopcm |
Parametroquantity | ContrattoByte UTF-8 di una singola stringa di input decodificata; senza rimozione degli spazi bianchi iniziali o finali né normalizzazione |
Parametronative_byte_quote_controls | ContrattoLe instructions non vuote e l'input a turni con più parlanti vengono rifiutati da questo percorso esatto di preventivazione per byte finché non viene dichiarato il testo fatturato aggiuntivo. |
Ciclo di vita: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id effettivamente restituito o record della libreria multimediale
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Usa il modello esatto e i campi di input documentati.
Conserva la risposta completa, ogni risultato effettivo e gli ID originali restituiti.
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Unità di fatturazione | Costo |
|---|---|---|---|
| ConfigurazioneTariffe base dei token | Listino delle tariffeTariffa base | Unità di fatturazione— | Costo Input · Token in input — / 1K token Output · Token in output — / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneUltra | Listino delle tariffe— | Unità di fatturazioneper byte utf8 di audio in input | Costo Input · byte utf8 audio in ingresso $0.00003 per byte utf8 di audio in input |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
I listini di riferimento del modello non modificano la selezione del metodo, i preventivi o gli addebiti. Gli addebiti attivi usano le tariffe del metodo Ailoot selezionato.
| Configurazione | Condizioni di fatturazione | Costo |
|---|---|---|
| ConfigurazioneFish Audio: S1 · Configurazione predefinita | Condizioni di fatturazioneConfigurazione predefinita | Costo Input · Byte UTF-8 in ingresso 0,00003 USD per byte UTF-8 in input |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nrequest={'model': 'fish-audio/s1', 'input': 'Hello world', 'voice': 'b347db033a6549378b48d00acb0d06cd', 'response_format': 'mp3'}\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# Keep the complete original response and headers. Read every returned segment, word and usage field.\n# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.\naudio binario effettivo dichiarato
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Salva tutti i byte binari completi e tutte le intestazioni originali; conserva l'intero JSON se viene restituito. Gli ID effettivi delle operazioni e delle risorse vengono preservati.
Conserva operation_id/X-Client-Request-ID originali e la risposta originale. Consulta i record reali delle attività o delle risorse di tua proprietà senza inviare nuovamente la richiesta; non viene costruito un URL dedicato per interrogare periodicamente l'audio.
| Campo | Tipo |
|---|---|
Campobinary audio | Tipobytes |
Camporesponse headers | Tipoheaders |
Ailoot Ultra fish-audio/s1
Usa i percorsi dei metodi indicati sopra.