Fish Audio: S1

S1 は、表現豊かなナレーションと単一話者の音声出力のための Fish Audio の前世代テキスト読み上げモデルです。入力した原稿を読み、選択した声または参照音声を条件とする声で音声を返します。完全版 S1 は、より小型の蒸留モデル S1-mini とは異なります。メーカーはそれぞれ 40 億、5 億パラメータの派生版として紹介しています。このモデル情報は、S1 という名前のモデルを扱います。

ナレーションでは、実際に話すべき言葉を準備し、話し方を変える位置を示してください。実用的な解説原稿は要点から始め、1 度に 1 つの考えを展開し、自然な間が必要な句を句読点で区切ります。短い案内では、画面を見ずに聞いても明確な言葉にします。名前、略語、単位の意図した読みを維持し、視覚的に読める文字列に発音が 1 つしかないと決めつけず、出力音声の数字を確認してください。

S1 は (angry)、(sad)、(in a hurry)、(chuckling) など、丸括弧内の感情や話し方の指示を使います。影響を与えたい文や句の前に指示を置き、その後に実際の台詞を書きます。話し方は後続の文字に適用されるので、演技を変える必要がある位置に気分の変化を置いてください。これは角括弧を使う S2 の指示とは異なる構文です。2 つの表記を交換可能と考えず、選択した世代向けに原稿を書いてください。

声は保存済みの音声識別子で選択するか、参照録音とその書き起こしを組み合わせて指定できます。即時の参照ワークフローについて、一般音声ガイドは明瞭な 10～30 秒のサンプルを推奨します。目標とする結果に合う話し方と録音品質のサンプルを選び、書き起こしをそのサンプルの言葉に一致させてください。繰り返し登場する語り手には、段落全体で同じ参照音声を再利用し、話題の変化が意図せず人物の変化にならないようにします。

S1 のリリースは対応言語として、英語、中国語、日本語、ドイツ語、フランス語、スペイン語、韓国語、アラビア語、ロシア語、オランダ語、イタリア語、ポーランド語、ポルトガル語などを挙げ、原稿内で言語を混在させることを説明しています。音声合成を翻訳工程と見なさず、対象言語の言葉を入力してください。借用した名前や言語の切り替えを含む段落では、表記と周囲の文脈を明確にし、選択した声がその切り替えをどう扱うか確認します。

S1 のメーカー側インターフェースは、合成リクエストごとに 1 人の話者をサポートします。対話は、各自の参照音声を持つ別々の区間として準備し、アプリケーションで組み立てられます。S2 系列のネイティブな複数話者合成は別の機能です。キャラクターの台詞を用意するときは、役割、声、文字を各区間に関連付けてください。合成結果は原稿の音声演技であり、やり取りの時間調整や音楽・映像との組み合わせは後の編集工程です。

出力の選択肢には MP3、WAV、生 PCM、Opus があり、MP3 が既定です。文書化された出力はモノラルです。WAV と PCM は 16 ビットのサンプルを使い、サンプルレートの選択肢は形式ごとに異なります。MP3 は 64、128、192 kbps に対応し、Opus は 48 kHz を使います。音量を制御でき、速度は 0.5～2.0 に調整できます。ボイスオーバーの成果物にはエンコード済みファイル、再生には適切なストリームを選び、選択した声と原稿を結果と一緒に保管してください。

メーカーは長文をチャンクで処理し、チャンク長の範囲を 100～300 と文書化しています。全体の録音時間を保証するのではなく、チャンクごとの音声トークン予算を設けます。テキスト正規化は英語と中国語の数字を自然な読みへ展開でき、S1 の繰り返しペナルティは繰り返される音声パターンを抑えられます。出力ラウドネスの正規化は別の設定で、S1 には効果がありません。完成段落を組み立てる前に発音、句の境界、反復音、意図した感情の変化を確認し、必要な台詞や参照音声を個別に修正してください。