S2 Pro è il modello text-to-speech di seconda generazione di Fish Audio per narrazioni espressive, dialoghi di personaggi e output vocali conversazionali. Trasforma un copione scritto in audio e supporta indicazioni in linguaggio naturale a livello di parola o frase. La precedente generazione S1 usa indicazioni tra parentesi tonde, mentre S2 Pro usa nativamente parentesi quadre e supporta più parlanti all’interno di una sola richiesta di sintesi. Il produttore rilascia i pesi di S2 Pro e il codice di fine-tuning per attività separate di personalizzazione; una normale richiesta vocale usa il modello selezionato, anziché addestrarne uno nuovo.
Scrivi prima il contenuto da pronunciare, poi colloca un’istruzione di resa immediatamente prima della parola o frase a cui deve applicarsi. Le indicazioni possono descrivere un sussurro, una reazione, una pausa, un cambiamento emotivo o uno stile di parlato descritto liberamente. Per una breve spiegazione di prodotto, mantieni chiara la frase fattuale e inserisci enfasi soltanto dove l’ascoltatore deve cogliere una distinzione. Per la battuta di un personaggio, descrivi il cambiamento emotivo nel momento in cui si verifica, anziché assegnare a tutto il passaggio un unico stato d’animo fisso.
I tag tra parentesi quadre sono descrizioni aperte, anziché un menu chiuso. Tra gli esempi vi sono [whispering], [sigh], [long pause] e una frase come [speaking slowly, almost hesitant]. I tag possono comparire a metà frase e influenzano il parlato successivo. Un tag descrittivo necessita di testo effettivo dopo di esso; un’istruzione isolata può produrre output imprevedibile. Comincia con una o due indicazioni utili prima di aggiungere livelli, perché tag in competizione possono oscurare l’interpretazione voluta. Riferimenti vocali diversi possono rispondere alla stessa indicazione con intensità diverse.
La presentazione di S2 descrive circa 80 lingue e offre esempi di indicazioni di resa scritte nella stessa lingua del copione. Prepara la formulazione nella lingua da pronunciare e conserva nomi, unità e abbreviazioni che richiedono una lettura particolare. Una narrazione multilingue può mantenere la voce voluta cambiando la lingua del copione, ma il risultato finale richiede comunque un ascolto per controllare pronuncia e continuità. La sintesi produce come parlato il contenuto fornito, anziché decidere quali informazioni l’applicazione debba comunicare.
Per un solo parlante, scegli un identificatore vocale salvato oppure fornisci un audio di riferimento con la trascrizione corrispondente. Il produttore consiglia un campione pulito di 10–30 secondi per il condizionamento istantaneo. Per il dialogo, usa marcatori dei parlanti quali <|speaker:0|> e <|speaker:1|>, con un elenco ordinato di identificatori vocali o gruppi di riferimenti separati per i parlanti. Il marcatore numerico seleziona la voce corrispondente; mantieni fisso l’ordine man mano che la conversazione si sviluppa. Le indicazioni di interpretazione in linguaggio naturale e la selezione del parlante hanno ruoli diversi nel copione.
L’output audio può essere MP3, WAV, PCM grezzo o Opus. MP3 usa per impostazione predefinita 128 kbps e offre 64 o 192 kbps; l’output Opus usa 48 kHz, mentre WAV e PCM supportano le scelte di frequenza di campionamento documentate in formato mono a 16 bit. Scegli il formato in base alla sua destinazione effettiva: un file da conservare per la narrazione o blocchi audio adatti alla riproduzione. Il flusso vocale del produttore descrive anche lo streaming del testo in tempo reale quando il copione arriva progressivamente. Il risultato generato deve rimanere associato al copione completo e alle voci selezionate.
La velocità può essere regolata tra 0,5 e 2,0, con controlli del volume e della normalizzazione del volume percepito dell’output. La normalizzazione del testo migliora la lettura dei numeri inglesi e cinesi. L’elaborazione usa blocchi nell’intervallo 100–300 e un budget di token audio per blocco, quindi queste impostazioni non devono essere interpretate come una lunghezza massima fissa per un’intera narrazione. Il condizionamento sul blocco precedente può trasferire il contesto vocale al segmento successivo. Controlli di campionamento quali temperature e top-p influenzano la variazione; una battuta guidata intenzionalmente necessita comunque di testo e contesto sufficienti a sostenere il suono desiderato.
Un brief di produzione utile distingue narrazione, dialogo e indicazioni di resa, poi specifica la voce e il formato del risultato. Ascolta eventuali parole mancanti, audio ripetuto, pronuncia dei numeri, cambi di parlante e temporizzazione delle reazioni. Rivedi la battuta o il riferimento vocale responsabile della discrepanza, anziché presumere che più tag migliorino ogni passaggio. S2 Pro rimane un modello S2 distinto della generazione precedente; S2.1 Pro è l’edizione successiva con i propri miglioramenti e comportamenti delle impostazioni specifici del modello.
", "aboutText": "S2 Pro è il modello text-to-speech di seconda generazione di Fish Audio per narrazioni espressive, dialoghi di personaggi e output vocali conversazionali. Trasforma un copione scritto in audio e supporta indicazioni in linguaggio naturale a livello di parola o frase. La precedente generazione S1 usa indicazioni tra parentesi tonde, mentre S2 Pro usa nativamente parentesi quadre e supporta più parlanti all’interno di una sola richiesta di sintesi. Il produttore rilascia i pesi di S2 Pro e il codice di fine-tuning per attività separate di personalizzazione; una normale richiesta vocale usa il modello selezionato, anziché addestrarne uno nuovo.\n\nScrivi prima il contenuto da pronunciare, poi colloca un’istruzione di resa immediatamente prima della parola o frase a cui deve applicarsi. Le indicazioni possono descrivere un sussurro, una reazione, una pausa, un cambiamento emotivo o uno stile di parlato descritto liberamente. Per una breve spiegazione di prodotto, mantieni chiara la frase fattuale e inserisci enfasi soltanto dove l’ascoltatore deve cogliere una distinzione. Per la battuta di un personaggio, descrivi il cambiamento emotivo nel momento in cui si verifica, anziché assegnare a tutto il passaggio un unico stato d’animo fisso.\n\nI tag tra parentesi quadre sono descrizioni aperte, anziché un menu chiuso. Tra gli esempi vi sono [whispering], [sigh], [long pause] e una frase come [speaking slowly, almost hesitant]. I tag possono comparire a metà frase e influenzano il parlato successivo. Un tag descrittivo necessita di testo effettivo dopo di esso; un’istruzione isolata può produrre output imprevedibile. Comincia con una o due indicazioni utili prima di aggiungere livelli, perché tag in competizione possono oscurare l’interpretazione voluta. Riferimenti vocali diversi possono rispondere alla stessa indicazione con intensità diverse.\n\nLa presentazione di S2 descrive circa 80 lingue e offre esempi di indicazioni di resa scritte nella stessa lingua del copione. Prepara la formulazione nella lingua da pronunciare e conserva nomi, unità e abbreviazioni che richiedono una lettura particolare. Una narrazione multilingue può mantenere la voce voluta cambiando la lingua del copione, ma il risultato finale richiede comunque un ascolto per controllare pronuncia e continuità. La sintesi produce come parlato il contenuto fornito, anziché decidere quali informazioni l’applicazione debba comunicare.\n\nPer un solo parlante, scegli un identificatore vocale salvato oppure fornisci un audio di riferimento con la trascrizione corrispondente. Il produttore consiglia un campione pulito di 10–30 secondi per il condizionamento istantaneo. Per il dialogo, usa marcatori dei parlanti quali <|speaker:0|> e <|speaker:1|>, con un elenco ordinato di identificatori vocali o gruppi di riferimenti separati per i parlanti. Il marcatore numerico seleziona la voce corrispondente; mantieni fisso l’ordine man mano che la conversazione si sviluppa. Le indicazioni di interpretazione in linguaggio naturale e la selezione del parlante hanno ruoli diversi nel copione.\n\nL’output audio può essere MP3, WAV, PCM grezzo o Opus. MP3 usa per impostazione predefinita 128 kbps e offre 64 o 192 kbps; l’output Opus usa 48 kHz, mentre WAV e PCM supportano le scelte di frequenza di campionamento documentate in formato mono a 16 bit. Scegli il formato in base alla sua destinazione effettiva: un file da conservare per la narrazione o blocchi audio adatti alla riproduzione. Il flusso vocale del produttore descrive anche lo streaming del testo in tempo reale quando il copione arriva progressivamente. Il risultato generato deve rimanere associato al copione completo e alle voci selezionate.\n\nLa velocità può essere regolata tra 0,5 e 2,0, con controlli del volume e della normalizzazione del volume percepito dell’output. La normalizzazione del testo migliora la lettura dei numeri inglesi e cinesi. L’elaborazione usa blocchi nell’intervallo 100–300 e un budget di token audio per blocco, quindi queste impostazioni non devono essere interpretate come una lunghezza massima fissa per un’intera narrazione. Il condizionamento sul blocco precedente può trasferire il contesto vocale al segmento successivo. Controlli di campionamento quali temperature e top-p influenzano la variazione; una battuta guidata intenzionalmente necessita comunque di testo e contesto sufficienti a sostenere il suono desiderato.\n\nUn brief di produzione utile distingue narrazione, dialogo e indicazioni di resa, poi specifica la voce e il formato del risultato. Ascolta eventuali parole mancanti, audio ripetuto, pronuncia dei numeri, cambi di parlante e temporizzazione delle reazioni. Rivedi la battuta o il riferimento vocale responsabile della discrepanza, anziché presumere che più tag migliorino ogni passaggio. S2 Pro rimane un modello S2 distinto della generazione precedente; S2.1 Pro è l’edizione successiva con i propri miglioramenti e comportamenti delle impostazioni specifici del modello.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "e8d03af62a251815f333f51f0e5b232bbd659883b705a8457e5d77162e104b3b", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "it", "methods": [ { "html": "fish-audio/s2-proFish Audio S2 Pro crea parlato multilingue espressivo con indicazioni a livello di parola e dialogo nativo con più parlanti. Le istruzioni tra parentesi quadre controllano la resa all’interno del copione, mentre i riferimenti vocali identificano i parlanti e le impostazioni di output definiscono il contenuto audio risultante.
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.
S2 Pro è il modello text-to-speech di seconda generazione di Fish Audio per narrazioni espressive, dialoghi di personaggi e output vocali conversazionali. Trasforma un copione scritto in audio e supporta indicazioni in linguaggio naturale a livello di parola o frase. La precedente generazione S1 usa indicazioni tra parentesi tonde, mentre S2 Pro usa nativamente parentesi quadre e supporta più parlanti all’interno di una sola richiesta di sintesi. Il produttore rilascia i pesi di S2 Pro e il codice di fine-tuning per attività separate di personalizzazione; una normale richiesta vocale usa il modello selezionato, anziché addestrarne uno nuovo.
Scrivi prima il contenuto da pronunciare, poi colloca un’istruzione di resa immediatamente prima della parola o frase a cui deve applicarsi. Le indicazioni possono descrivere un sussurro, una reazione, una pausa, un cambiamento emotivo o uno stile di parlato descritto liberamente. Per una breve spiegazione di prodotto, mantieni chiara la frase fattuale e inserisci enfasi soltanto dove l’ascoltatore deve cogliere una distinzione. Per la battuta di un personaggio, descrivi il cambiamento emotivo nel momento in cui si verifica, anziché assegnare a tutto il passaggio un unico stato d’animo fisso.
I tag tra parentesi quadre sono descrizioni aperte, anziché un menu chiuso. Tra gli esempi vi sono [whispering], [sigh], [long pause] e una frase come [speaking slowly, almost hesitant]. I tag possono comparire a metà frase e influenzano il parlato successivo. Un tag descrittivo necessita di testo effettivo dopo di esso; un’istruzione isolata può produrre output imprevedibile. Comincia con una o due indicazioni utili prima di aggiungere livelli, perché tag in competizione possono oscurare l’interpretazione voluta. Riferimenti vocali diversi possono rispondere alla stessa indicazione con intensità diverse.
La presentazione di S2 descrive circa 80 lingue e offre esempi di indicazioni di resa scritte nella stessa lingua del copione. Prepara la formulazione nella lingua da pronunciare e conserva nomi, unità e abbreviazioni che richiedono una lettura particolare. Una narrazione multilingue può mantenere la voce voluta cambiando la lingua del copione, ma il risultato finale richiede comunque un ascolto per controllare pronuncia e continuità. La sintesi produce come parlato il contenuto fornito, anziché decidere quali informazioni l’applicazione debba comunicare.
Per un solo parlante, scegli un identificatore vocale salvato oppure fornisci un audio di riferimento con la trascrizione corrispondente. Il produttore consiglia un campione pulito di 10–30 secondi per il condizionamento istantaneo. Per il dialogo, usa marcatori dei parlanti quali <|speaker:0|> e <|speaker:1|>, con un elenco ordinato di identificatori vocali o gruppi di riferimenti separati per i parlanti. Il marcatore numerico seleziona la voce corrispondente; mantieni fisso l’ordine man mano che la conversazione si sviluppa. Le indicazioni di interpretazione in linguaggio naturale e la selezione del parlante hanno ruoli diversi nel copione.
L’output audio può essere MP3, WAV, PCM grezzo o Opus. MP3 usa per impostazione predefinita 128 kbps e offre 64 o 192 kbps; l’output Opus usa 48 kHz, mentre WAV e PCM supportano le scelte di frequenza di campionamento documentate in formato mono a 16 bit. Scegli il formato in base alla sua destinazione effettiva: un file da conservare per la narrazione o blocchi audio adatti alla riproduzione. Il flusso vocale del produttore descrive anche lo streaming del testo in tempo reale quando il copione arriva progressivamente. Il risultato generato deve rimanere associato al copione completo e alle voci selezionate.
La velocità può essere regolata tra 0,5 e 2,0, con controlli del volume e della normalizzazione del volume percepito dell’output. La normalizzazione del testo migliora la lettura dei numeri inglesi e cinesi. L’elaborazione usa blocchi nell’intervallo 100–300 e un budget di token audio per blocco, quindi queste impostazioni non devono essere interpretate come una lunghezza massima fissa per un’intera narrazione. Il condizionamento sul blocco precedente può trasferire il contesto vocale al segmento successivo. Controlli di campionamento quali temperature e top-p influenzano la variazione; una battuta guidata intenzionalmente necessita comunque di testo e contesto sufficienti a sostenere il suono desiderato.
Un brief di produzione utile distingue narrazione, dialogo e indicazioni di resa, poi specifica la voce e il formato del risultato. Ascolta eventuali parole mancanti, audio ripetuto, pronuncia dei numeri, cambi di parlante e temporizzazione delle reazioni. Rivedi la battuta o il riferimento vocale responsabile della discrepanza, anziché presumere che più tag migliorino ogni passaggio. S2 Pro rimane un modello S2 distinto della generazione precedente; S2.1 Pro è l’edizione successiva con i propri miglioramenti e comportamenti delle impostazioni specifici del modello.
POST /v1/audio/speechtextaudio| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti fish-audio/s2-pro | Predefinito— |
Campoinput | Tipostring | RequisitoObbligatorio | Valori e limiti Lunghezza minima: 1 | Predefinito— |
Campovoice | Tipostring | RequisitoObbligatorio | Valori e limiti b347db033a6549378b48d00acb0d06cd Lunghezza minima: 1 | Predefinito— |
Camporesponse_format | Tipostring | RequisitoFacoltativo | Valori e limiti mp3, pcm | Predefinitopcm |
Campoprovider | Tipoobject | RequisitoFacoltativo | Valori e limiti | Predefinito— |
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, input, voice |
Parametromaterial_types | Contrattotext |
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}
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 |
| Configurazionebyte UTF-8 in ingresso | Listino delle tariffe— | Unità di fatturazioneper byte UTF-8 in input | Costo Input · byte UTF-8 in ingresso $0.00003 per byte UTF-8 in input |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.\nAudio binario completo o risposta audio_url originale, intestazioni e ogni risorsa di tua proprietà.
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}set -eu\n: "${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.\nConserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva la risposta completa e gli header, ogni output effettivo, gli identificatori originali restituiti e tutti i campi di utilizzo. Recupera l'operazione originale senza inviare nuovamente la richiesta di creazione.
Conserva l'X-Client-Request-ID restituito per la riconciliazione. Leggi solo i valori task_id/asset_id effettivamente restituiti o la tua libreria multimediale; non costruire mai un URL del task a partire dall'ID dell'operazione e non reinviare mai la richiesta di creazione.
Ailoot Ultra fish-audio/s2-pro
Usa i percorsi dei metodi indicati sopra.