Fish Audio: S1

S1 er Fish Audios forrige generasjons tekst-til-tale-modell for uttrykksfulle fortelleropptak og stemmeutdata med én taler. Den leser et oppgitt manus og returnerer lyd med en valgt stemme eller en stemme betinget av en referanse. Den fullstendige S1-modellen er adskilt fra S1-mini, den mindre destillerte modellen; produsenten introduserer dem som varianter med henholdsvis 4 milliarder og 0,5 milliarder parametere. Denne profilen dekker den navngitte S1-modellen.

Til fortelleropptak forbereder du ordene som faktisk skal sies og markerer stedene der fremføringen skal endres. Et nyttig forklaringsmanus begynner med hovedpoenget, utvikler én idé om gangen og bruker tegnsetting til å skille fraser som trenger en naturlig pause. Til en kort instruksjon holder du ordlyden tydelig når den høres uten skjerm. Bevar den tiltenkte lesemåten for navn, forkortelser og enheter, og kontroller tall i taleresultatet i stedet for å anta at en visuelt lesbar streng bare har én uttale.

S1 bruker følelses- og fremføringssignaler i parentes, som (angry), (sad), (in a hurry) eller (chuckling). Plasser et signal før setningen eller frasen det skal påvirke, med faktisk tale etterpå. Fremføringen tilhører den etterfølgende teksten, så et stemningsskifte bør stå der fremføringen skal endres. Dette er en annen syntaks enn S2s instruksjoner i hakeparenteser; skriv manuset for den valgte generasjonen i stedet for å anta at de to markeringsformene kan brukes om hverandre.

En stemme kan velges gjennom en lagret stemmeidentifikator eller betinges av et referanseopptak med tilhørende transkripsjon. For en umiddelbar referansearbeidsflyt anbefaler den generelle taleveiledningen en ren prøve på 10–30 sekunder. Velg en prøve der talestil og opptakskvalitet passer til ønsket resultat, og sørg for at transkripsjonen samsvarer med ordene i prøven. Til en tilbakevendende forteller gjenbruker du samme stemmereferanse på tvers av avsnitt, slik at emnebytte ikke utilsiktet blir et bytte av karakter.

S1-utgivelsen nevner engelsk, kinesisk, japansk, tysk, fransk, spansk, koreansk, arabisk, russisk, nederlandsk, italiensk, polsk og portugisisk blant støttede språk og beskriver blanding av språk i et manus. Oppgi ordlyden på målspråket i stedet for å behandle talesyntese som et oversettelsessteg. I et avsnitt med et lånt navn eller et språkbytte holder du stavemåten og setningskonteksten tydelig og gjennomgår hvordan den valgte stemmen håndterer overgangen.

S1s produsentgrensesnitt støtter én taler per synteseforespørsel. En dialog kan forberedes som separate segmenter med egne stemmereferanser og deretter settes sammen av applikasjonen; innebygd flertalersyntese i S2-familien er en separat egenskap. Hold rolle, stemme og tekst knyttet til hvert segment når du forbereder karakterreplikker. Synteseresultatet er en lydfremføring av manuset, mens timing av en samtale eller kombinasjon med musikk og video er et senere redigeringssteg.

Utdataalternativene omfatter MP3, WAV, rå PCM og Opus, med MP3 som standard. De dokumenterte utdataene er mono; WAV og PCM bruker 16-bits lydprøver, og formatspesifikke valg av samplingsfrekvens varierer. MP3 støtter 64, 128 og 192 kbps, mens Opus bruker 48 kHz. Hastigheten kan justeres fra 0.5 til 2.0 med volumkontroller. Velg en kodet fil til et voiceover-resultat eller en passende strøm til avspilling, og oppbevar den valgte stemmen og manuset sammen med resultatet.

Produsenten behandler lang tekst i deler, med et dokumentert område for dellengde på 100–300 og et lydtokenbudsjett per del, ikke en garantert samlet opptaksvarighet. Tekstnormalisering kan utvide engelske og kinesiske tall til naturlig lesemåte, og S1s repetisjonsstraff kan redusere gjentatte lydmønstre. Normalisering av utgangslydnivå er en annen innstilling og har ingen virkning på S1. Undersøk uttale, frasegrenser, gjentatte lyder og det tiltenkte følelsesskiftet før det ferdige avsnittet settes sammen, og revider deretter den konkrete replikken eller referansen som trenger oppmerksomhet.