Fish Audio: S1

S1 ialah model teks ke pertuturan generasi terdahulu Fish Audio untuk narasi ekspresif dan output suara satu penutur. Ia membaca skrip yang diberikan dan mengembalikan audio, menggunakan suara pilihan atau suara yang dikondisikan oleh rujukan. Model S1 penuh berbeza daripada S1-mini, model sulingan yang lebih kecil; pengeluar memperkenalkan kedua-duanya masing-masing sebagai varian berparameter 4 bilion dan 0.5 bilion. Profil ini meliputi model bernama S1.

Untuk narasi, sediakan perkataan yang benar-benar patut dituturkan dan tandakan tempat penyampaian patut berubah. Skrip penerangan yang berguna menyatakan perkara utamanya dahulu, mengembangkan satu idea pada satu masa dan menggunakan tanda baca untuk memisahkan frasa yang memerlukan jeda semula jadi. Untuk arahan ringkas, pastikan perkataannya jelas apabila didengar tanpa skrin. Kekalkan bacaan nama, singkatan dan unit yang dimaksudkan, dan periksa nombor dalam output pertuturan dan bukannya menganggap rentetan yang mudah dibaca secara visual hanya mempunyai satu sebutan.

S1 menggunakan petunjuk emosi dan penyampaian dalam kurungan, seperti (angry), (sad), (in a hurry) atau (chuckling). Letakkan petunjuk sebelum ayat atau frasa yang patut dipengaruhinya, dengan pertuturan sebenar selepasnya. Penyampaian terpakai kepada teks yang menyusul, maka perubahan suasana hati patut muncul di tempat persembahan perlu berubah. Ini ialah sintaks yang berbeza daripada arahan dalam kurungan siku S2; kekalkan skrip yang ditulis untuk generasi pilihan dan bukannya menganggap kedua-dua bentuk penandaan boleh saling menggantikan.

Suara boleh dipilih melalui pengecam suara yang disimpan atau dikondisikan daripada rakaman rujukan bersama transkripnya. Untuk aliran kerja rujukan segera, panduan pertuturan umum mengesyorkan sampel bersih selama 10–30 saat. Pilih sampel yang gaya pertuturan dan kualiti rakamannya sesuai dengan hasil yang dimaksudkan, dan pastikan transkrip sepadan dengan perkataan dalam sampel itu. Untuk pencerita berulang, gunakan semula rujukan suara yang sama merentas petikan supaya perubahan topik tidak menjadi perubahan watak secara tidak sengaja.

Keluaran S1 menyenaraikan bahasa Inggeris, Cina, Jepun, Jerman, Perancis, Sepanyol, Korea, Arab, Rusia, Belanda, Itali, Poland dan Portugis antara bahasa yang disokong, serta menerangkan campuran bahasa dalam satu skrip. Berikan perkataan bahasa sasaran dan bukannya menganggap sintesis pertuturan sebagai langkah terjemahan. Untuk petikan dengan nama pinjaman atau pertukaran bahasa, pastikan ejaan dan konteks ayat sekeliling jelas, serta semak cara suara pilihan mengendalikan peralihan itu.

Antara muka pengeluar S1 menyokong satu penutur bagi setiap permintaan sintesis. Dialog boleh disediakan sebagai segmen berasingan dengan rujukan suara masing-masing, kemudian dicantumkan oleh aplikasi; sintesis berbilang penutur natif keluarga S2 ialah keupayaan yang berasingan. Pastikan peranan, suara dan teks dikaitkan dengan setiap segmen apabila menyediakan ayat watak. Hasil sintesis ialah persembahan audio skrip, manakala menetapkan masa perbualan atau menggabungkannya dengan muzik dan video ialah langkah penyuntingan kemudian.

Pilihan output merangkumi MP3, WAV, PCM mentah dan Opus, dengan MP3 sebagai lalai. Output yang didokumenkan ialah mono; WAV dan PCM menggunakan sampel 16 bit, dan pilihan kadar pensampelan berbeza mengikut format. MP3 menyokong 64, 128 dan 192 kbps, manakala Opus menggunakan 48 kHz. Kelajuan boleh dilaraskan dari 0.5 hingga 2.0 bersama kawalan kelantangan. Pilih fail berkod untuk artifak suara latar atau strim yang sesuai untuk main balik, dan simpan suara pilihan serta skrip bersama hasil.

Pengeluar memproses teks panjang dalam cebisan, dengan julat panjang cebisan 100–300 yang didokumenkan serta belanjawan token audio bagi setiap cebisan dan bukannya tempoh rakaman keseluruhan yang dijamin. Penormalan teks boleh mengembangkan nombor bahasa Inggeris dan Cina menjadi bacaan semula jadi, dan penalti pengulangan S1 boleh mengurangkan corak audio berulang. Penormalan kelantangan output ialah tetapan berbeza dan tidak memberi kesan pada S1. Periksa sebutan, sempadan frasa, bunyi berulang dan perubahan emosi yang dimaksudkan sebelum mencantumkan petikan siap, kemudian semak semula baris atau rujukan khusus yang memerlukan perhatian.