Fish Audio: S1

S1 to model zamiany tekstu na mowę poprzedniej generacji Fish Audio do ekspresyjnej narracji i wyjścia głosowego jednego mówcy. Odczytuje dostarczony scenariusz i zwraca audio wybranym lub warunkowanym referencją głosem. Pełny model S1 jest odrębny od S1-mini, mniejszego modelu destylowanego; producent przedstawia je jako warianty odpowiednio o 4 miliardach i 0,5 miliarda parametrów. Ten profil obejmuje wskazany model S1.

Do narracji przygotuj słowa, które rzeczywiście mają zostać wypowiedziane, i zaznacz miejsca zmiany sposobu wypowiedzi. Użyteczny scenariusz objaśniający zaczyna od głównej myśli, rozwija po jednej idei i za pomocą interpunkcji oddziela frazy potrzebujące naturalnej pauzy. W krótkiej instrukcji zadbaj o zrozumiałość bez patrzenia na ekran. Zachowaj zamierzony odczyt nazw, skrótów i jednostek oraz sprawdzaj liczby w audio, zamiast zakładać, że czytelny wizualnie ciąg ma tylko jedną wymowę.

S1 używa wskazówek emocji i sposobu wypowiedzi w nawiasach okrągłych, takich jak (angry), (sad), (in a hurry) lub (chuckling). Umieszczaj wskazówkę przed zdaniem lub frazą, na którą ma wpływać, a po niej rzeczywistą mowę. Sposób wypowiedzi dotyczy następującego tekstu, więc zmiana nastroju powinna znaleźć się tam, gdzie ma zmienić się wykonanie. To składnia inna niż wskazówki S2 w nawiasach kwadratowych; pisz scenariusz dla wybranej generacji, zamiast zakładać zamienność obu form oznaczeń.

Głos można wybrać przez zapisany identyfikator głosu lub uwarunkować nagraniem referencyjnym wraz z jego transkrypcją. Dla natychmiastowego procesu referencyjnego ogólny przewodnik mowy zaleca czystą próbkę 10–30 sekund. Wybierz próbkę, której styl wypowiedzi i jakość nagrania pasują do zamierzonego wyniku, a transkrypcję dopasuj do słów w tej próbce. Dla stałego narratora używaj tej samej referencji głosowej we wszystkich fragmentach, aby zmiana tematu nie stała się przypadkowo zmianą postaci.

Wydanie S1 wymienia wśród obsługiwanych języków angielski, chiński, japoński, niemiecki, francuski, hiszpański, koreański, arabski, rosyjski, niderlandzki, włoski, polski i portugalski oraz opisuje mieszanie języków w scenariuszu. Dostarczaj sformułowania w języku docelowym, zamiast traktować syntezę mowy jako krok tłumaczenia. W fragmencie z zapożyczoną nazwą lub przejściem między językami zachowaj jasną pisownię i kontekst zdania oraz oceń, jak wybrany głos radzi sobie z przejściem.

Interfejs producenta S1 obsługuje jednego mówcę na żądanie syntezy. Dialog można przygotować jako osobne segmenty z własnymi referencjami głosowymi, a następnie złożyć w aplikacji; natywna synteza wielu mówców rodziny S2 jest odrębną możliwością. Przygotowując kwestie postaci, zachowuj powiązanie roli, głosu i tekstu z każdym segmentem. Wynik syntezy jest wykonaniem audio scenariusza, natomiast nadanie rozmowie czasów lub połączenie jej z muzyką i wideo jest późniejszym etapem montażu.

Opcje wyjścia obejmują MP3, WAV, surowy PCM i Opus, z MP3 jako formatem domyślnym. Udokumentowane wyjście jest monofoniczne; WAV i PCM używają próbek 16-bitowych, a wybór częstotliwości próbkowania zależy od formatu. MP3 obsługuje 64, 128 i 192 kbps, natomiast Opus używa 48 kHz. Szybkość można ustawiać od 0.5 do 2.0 wraz z regulacją głośności. Wybierz kodowany plik do nagrania lektorskiego lub odpowiedni strumień do odtwarzania i zachowaj z wynikiem wybrany głos oraz scenariusz.

Producent przetwarza długi tekst fragmentami, z udokumentowanym zakresem długości fragmentu 100–300 i budżetem tokenów audio na fragment, a nie gwarantowanym całkowitym czasem nagrania. Normalizacja tekstu może rozwinąć angielskie i chińskie liczby do naturalnego odczytu, a kara za powtórzenia S1 może ograniczać powtarzające się wzorce audio. Normalizacja głośności wyjściowej jest innym ustawieniem i nie wpływa na S1. Przed złożeniem gotowego fragmentu sprawdź wymowę, granice fraz, powtarzające się dźwięki i zamierzoną zmianę emocji, a następnie popraw konkretną wypowiedź lub referencję wymagającą uwagi.