S2.1 Pro Free to przeznaczona dla deweloperów edycja modelu syntezy mowy S2.1 firmy Fish Audio. Dzieli z S2.1 Pro model bazowy i podstawowe możliwości syntezy: ekspresyjną mowę wielojęzyczną, wskazówki wykonania w języku naturalnym i natywny dialog wielu mówców. Jej przeznaczeniem są testowanie, prototypowanie, rozwój i mniejsze procesy aplikacyjne.
W prototypie asystenta głosowego zacznij od kompletnej przykładowej odpowiedzi i oceń jej brzmienie przed testowaniem stopniowo napływającego tekstu. Dla produktu edukacyjnego przygotuj krótkie wyjaśnienie z dokładnymi terminami i sposobami odczytu liczb potrzebnymi słuchaczowi. W prototypie dialogu określ mówców i ich wzorce głosu przed dodaniem wskazówek wykonania. Kroki te tworzą materiał audio i proces aplikacyjny wokół niego, zamiast obciążać żądanie syntezy odpowiedzialnością za całą rozmowę.
Zapisz słowa, które rzeczywiście mają zostać wypowiedziane, a następnie umieść instrukcję bezpośrednio przed fragmentem, którego sposób wykonania powinien się zmienić. Wskazówki w nawiasach kwadratowych mogą wyrażać szept, pauzę, reakcję, nacisk lub swobodnie opisany styl mówienia. Umieść zmianę w środku zdania tam, gdzie wymaga jej wykonanie, a po opisowych wskazówkach dodaj rzeczywistą wypowiedź. Użyteczny opis zadania objaśniającego oddziela treść faktograficzną od oczekiwanego ciepła, tempa lub akcentowania dla słuchacza.
Dla jednego mówcy wybierz zapisany identyfikator głosu lub przekaż nagranie referencyjne z transkrypcją. Przewodnik mowy producenta zaleca czystą próbkę trwającą 10–30 sekund do natychmiastowego warunkowania głosu. Wybierz wzorzec o tonie i jakości nagrania odpowiednich do scenariusza i zachowuj ten sam wzorzec w powiązanych fragmentach. Wzorzec głosu dostarcza brzmienie mówcy; tekst i wskazówki w jego treści określają zawartość i wykonanie.
Natywna synteza wielu mówców wykorzystuje znaczniki takie jak <|speaker:0|> i <|speaker:1|> wraz z uporządkowaną tablicą identyfikatorów głosów lub odrębnymi grupami materiałów referencyjnych. Zachowaj zgodność numerycznych oznaczeń mówców z tą kolejnością. Przy wymianie instruktażowej napisz kwestię każdego mówcy i umieść wskazówkę wykonania po znaczniku mówcy, w odpowiednim miejscu. Powstaje w ten sposób dialog w ramach jednego żądania; jest to inny proces niż odrębne segmenty jednego mówcy w S1 i ich późniejsze składanie.
Proces producenta oferuje wyjście MP3, WAV, surowe PCM i Opus, z MP3 jako formatem domyślnym. MP3 obsługuje 64, 128 i 192 kb/s; WAV i PCM korzystają z udokumentowanych 16-bitowych formatów próbek mono, a Opus z 48 kHz. Wybierz format odpowiedni dla zachowanego pliku narracji, odtwarzania strumieniowego lub dalszego przetwarzania audio. Zachowuj kompletny scenariusz i wybór głosu wraz z dźwiękiem, aby późniejsza redakcja mogła dotyczyć jednej kwestii bez utraty zamierzonego wykonania.
Prędkość można regulować od 0,5 do 2,0, wraz ze sterowaniem głośnością. Normalizacja tekstu rozwija liczby angielskie i chińskie do naturalnego odczytu. Normalizacja głośności wyjściowej ma domyślnie wartość true i jest stosowana do rodziny S2; to samo pole nie miało wpływu na S1. Parametr repetition_penalty z S1 nie zmienia dźwięku S2.1 Pro, więc starego ustawienia nie należy traktować jako skutecznego sterowania tym modelem. Sprawdzaj powtarzające się dźwięki i słowa bezpośrednio, zamiast polegać na odziedziczonym parametrze jako potwierdzeniu wyniku.
Dłuższe scenariusze przetwarzane są w fragmentach. Udokumentowany zakres długości fragmentu wynosi 100–300, a max_new_tokens to budżet tokenów audio na fragment, nie gwarancja całkowitego czasu trwania. Warunkowanie na podstawie poprzedniego fragmentu może przenosić kontekst głosu dalej. Proces dostarczania producenta opisuje kompletny dźwięk, przyrostowe fragmenty audio i strumieniowanie tekstu na żywo, gdy scenariusz napływa stopniowo. Wybierz sposób odbioru odpowiedni dla aplikacji i zachowaj wystarczający kontekst scenariusza dla wymowy i tonu kolejnego fragmentu.
Aby uzyskać użyteczny materiał końcowy, odsłuchaj go pod kątem pominiętych lub powtórzonych słów, wymowy liczb, zmian mówców, pauz i intensywności wskazówek. Różne wzorce głosu mogą interpretować wskazówkę z różną siłą, więc zacznij od prostej kwestii ze wskazówką wykonania, zanim dodasz konkurujące znaczniki. Przy pracy wielojęzycznej dostarcz scenariusz w języku docelowym, zamiast wymagać od modelu mowy wymyślania lub tłumaczenia treści. Ukierunkowana poprawka zmienia kwestię, wskazówkę lub wzorzec odpowiedzialne za rozbieżność, zachowując części wykonania już zgodne z wytycznymi.
", "aboutText": "S2.1 Pro Free to przeznaczona dla deweloperów edycja modelu syntezy mowy S2.1 firmy Fish Audio. Dzieli z S2.1 Pro model bazowy i podstawowe możliwości syntezy: ekspresyjną mowę wielojęzyczną, wskazówki wykonania w języku naturalnym i natywny dialog wielu mówców. Jej przeznaczeniem są testowanie, prototypowanie, rozwój i mniejsze procesy aplikacyjne.\n\nW prototypie asystenta głosowego zacznij od kompletnej przykładowej odpowiedzi i oceń jej brzmienie przed testowaniem stopniowo napływającego tekstu. Dla produktu edukacyjnego przygotuj krótkie wyjaśnienie z dokładnymi terminami i sposobami odczytu liczb potrzebnymi słuchaczowi. W prototypie dialogu określ mówców i ich wzorce głosu przed dodaniem wskazówek wykonania. Kroki te tworzą materiał audio i proces aplikacyjny wokół niego, zamiast obciążać żądanie syntezy odpowiedzialnością za całą rozmowę.\n\nZapisz słowa, które rzeczywiście mają zostać wypowiedziane, a następnie umieść instrukcję bezpośrednio przed fragmentem, którego sposób wykonania powinien się zmienić. Wskazówki w nawiasach kwadratowych mogą wyrażać szept, pauzę, reakcję, nacisk lub swobodnie opisany styl mówienia. Umieść zmianę w środku zdania tam, gdzie wymaga jej wykonanie, a po opisowych wskazówkach dodaj rzeczywistą wypowiedź. Użyteczny opis zadania objaśniającego oddziela treść faktograficzną od oczekiwanego ciepła, tempa lub akcentowania dla słuchacza.\n\nDla jednego mówcy wybierz zapisany identyfikator głosu lub przekaż nagranie referencyjne z transkrypcją. Przewodnik mowy producenta zaleca czystą próbkę trwającą 10–30 sekund do natychmiastowego warunkowania głosu. Wybierz wzorzec o tonie i jakości nagrania odpowiednich do scenariusza i zachowuj ten sam wzorzec w powiązanych fragmentach. Wzorzec głosu dostarcza brzmienie mówcy; tekst i wskazówki w jego treści określają zawartość i wykonanie.\n\nNatywna synteza wielu mówców wykorzystuje znaczniki takie jak <|speaker:0|> i <|speaker:1|> wraz z uporządkowaną tablicą identyfikatorów głosów lub odrębnymi grupami materiałów referencyjnych. Zachowaj zgodność numerycznych oznaczeń mówców z tą kolejnością. Przy wymianie instruktażowej napisz kwestię każdego mówcy i umieść wskazówkę wykonania po znaczniku mówcy, w odpowiednim miejscu. Powstaje w ten sposób dialog w ramach jednego żądania; jest to inny proces niż odrębne segmenty jednego mówcy w S1 i ich późniejsze składanie.\n\nProces producenta oferuje wyjście MP3, WAV, surowe PCM i Opus, z MP3 jako formatem domyślnym. MP3 obsługuje 64, 128 i 192 kb/s; WAV i PCM korzystają z udokumentowanych 16-bitowych formatów próbek mono, a Opus z 48 kHz. Wybierz format odpowiedni dla zachowanego pliku narracji, odtwarzania strumieniowego lub dalszego przetwarzania audio. Zachowuj kompletny scenariusz i wybór głosu wraz z dźwiękiem, aby późniejsza redakcja mogła dotyczyć jednej kwestii bez utraty zamierzonego wykonania.\n\nPrędkość można regulować od 0,5 do 2,0, wraz ze sterowaniem głośnością. Normalizacja tekstu rozwija liczby angielskie i chińskie do naturalnego odczytu. Normalizacja głośności wyjściowej ma domyślnie wartość true i jest stosowana do rodziny S2; to samo pole nie miało wpływu na S1. Parametr repetition_penalty z S1 nie zmienia dźwięku S2.1 Pro, więc starego ustawienia nie należy traktować jako skutecznego sterowania tym modelem. Sprawdzaj powtarzające się dźwięki i słowa bezpośrednio, zamiast polegać na odziedziczonym parametrze jako potwierdzeniu wyniku.\n\nDłuższe scenariusze przetwarzane są w fragmentach. Udokumentowany zakres długości fragmentu wynosi 100–300, a max_new_tokens to budżet tokenów audio na fragment, nie gwarancja całkowitego czasu trwania. Warunkowanie na podstawie poprzedniego fragmentu może przenosić kontekst głosu dalej. Proces dostarczania producenta opisuje kompletny dźwięk, przyrostowe fragmenty audio i strumieniowanie tekstu na żywo, gdy scenariusz napływa stopniowo. Wybierz sposób odbioru odpowiedni dla aplikacji i zachowaj wystarczający kontekst scenariusza dla wymowy i tonu kolejnego fragmentu.\n\nAby uzyskać użyteczny materiał końcowy, odsłuchaj go pod kątem pominiętych lub powtórzonych słów, wymowy liczb, zmian mówców, pauz i intensywności wskazówek. Różne wzorce głosu mogą interpretować wskazówkę z różną siłą, więc zacznij od prostej kwestii ze wskazówką wykonania, zanim dodasz konkurujące znaczniki. Przy pracy wielojęzycznej dostarcz scenariusz w języku docelowym, zamiast wymagać od modelu mowy wymyślania lub tłumaczenia treści. Ukierunkowana poprawka zmienia kwestię, wskazówkę lub wzorzec odpowiedzialne za rozbieżność, zachowując części wykonania już zgodne z wytycznymi.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "5592ba3055e5778f33ff54f98ec992d6a224acc5f222014adb6a42b31782aaa1", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pl", "methods": [ { "html": "fish-audio/s2.1-pro-free:freeS2.1 Pro Free to deweloperska edycja modelu mowy S2.1 firmy Fish Audio do narracji, sterowanej ekspresji głosu i dialogów wielu mówców. Udostępnia możliwości syntezy tego modelu do testowania i prototypowania.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
S2.1 Pro Free to przeznaczona dla deweloperów edycja modelu syntezy mowy S2.1 firmy Fish Audio. Dzieli z S2.1 Pro model bazowy i podstawowe możliwości syntezy: ekspresyjną mowę wielojęzyczną, wskazówki wykonania w języku naturalnym i natywny dialog wielu mówców. Jej przeznaczeniem są testowanie, prototypowanie, rozwój i mniejsze procesy aplikacyjne.
W prototypie asystenta głosowego zacznij od kompletnej przykładowej odpowiedzi i oceń jej brzmienie przed testowaniem stopniowo napływającego tekstu. Dla produktu edukacyjnego przygotuj krótkie wyjaśnienie z dokładnymi terminami i sposobami odczytu liczb potrzebnymi słuchaczowi. W prototypie dialogu określ mówców i ich wzorce głosu przed dodaniem wskazówek wykonania. Kroki te tworzą materiał audio i proces aplikacyjny wokół niego, zamiast obciążać żądanie syntezy odpowiedzialnością za całą rozmowę.
Zapisz słowa, które rzeczywiście mają zostać wypowiedziane, a następnie umieść instrukcję bezpośrednio przed fragmentem, którego sposób wykonania powinien się zmienić. Wskazówki w nawiasach kwadratowych mogą wyrażać szept, pauzę, reakcję, nacisk lub swobodnie opisany styl mówienia. Umieść zmianę w środku zdania tam, gdzie wymaga jej wykonanie, a po opisowych wskazówkach dodaj rzeczywistą wypowiedź. Użyteczny opis zadania objaśniającego oddziela treść faktograficzną od oczekiwanego ciepła, tempa lub akcentowania dla słuchacza.
Dla jednego mówcy wybierz zapisany identyfikator głosu lub przekaż nagranie referencyjne z transkrypcją. Przewodnik mowy producenta zaleca czystą próbkę trwającą 10–30 sekund do natychmiastowego warunkowania głosu. Wybierz wzorzec o tonie i jakości nagrania odpowiednich do scenariusza i zachowuj ten sam wzorzec w powiązanych fragmentach. Wzorzec głosu dostarcza brzmienie mówcy; tekst i wskazówki w jego treści określają zawartość i wykonanie.
Natywna synteza wielu mówców wykorzystuje znaczniki takie jak <|speaker:0|> i <|speaker:1|> wraz z uporządkowaną tablicą identyfikatorów głosów lub odrębnymi grupami materiałów referencyjnych. Zachowaj zgodność numerycznych oznaczeń mówców z tą kolejnością. Przy wymianie instruktażowej napisz kwestię każdego mówcy i umieść wskazówkę wykonania po znaczniku mówcy, w odpowiednim miejscu. Powstaje w ten sposób dialog w ramach jednego żądania; jest to inny proces niż odrębne segmenty jednego mówcy w S1 i ich późniejsze składanie.
Proces producenta oferuje wyjście MP3, WAV, surowe PCM i Opus, z MP3 jako formatem domyślnym. MP3 obsługuje 64, 128 i 192 kb/s; WAV i PCM korzystają z udokumentowanych 16-bitowych formatów próbek mono, a Opus z 48 kHz. Wybierz format odpowiedni dla zachowanego pliku narracji, odtwarzania strumieniowego lub dalszego przetwarzania audio. Zachowuj kompletny scenariusz i wybór głosu wraz z dźwiękiem, aby późniejsza redakcja mogła dotyczyć jednej kwestii bez utraty zamierzonego wykonania.
Prędkość można regulować od 0,5 do 2,0, wraz ze sterowaniem głośnością. Normalizacja tekstu rozwija liczby angielskie i chińskie do naturalnego odczytu. Normalizacja głośności wyjściowej ma domyślnie wartość true i jest stosowana do rodziny S2; to samo pole nie miało wpływu na S1. Parametr repetition_penalty z S1 nie zmienia dźwięku S2.1 Pro, więc starego ustawienia nie należy traktować jako skutecznego sterowania tym modelem. Sprawdzaj powtarzające się dźwięki i słowa bezpośrednio, zamiast polegać na odziedziczonym parametrze jako potwierdzeniu wyniku.
Dłuższe scenariusze przetwarzane są w fragmentach. Udokumentowany zakres długości fragmentu wynosi 100–300, a max_new_tokens to budżet tokenów audio na fragment, nie gwarancja całkowitego czasu trwania. Warunkowanie na podstawie poprzedniego fragmentu może przenosić kontekst głosu dalej. Proces dostarczania producenta opisuje kompletny dźwięk, przyrostowe fragmenty audio i strumieniowanie tekstu na żywo, gdy scenariusz napływa stopniowo. Wybierz sposób odbioru odpowiedni dla aplikacji i zachowaj wystarczający kontekst scenariusza dla wymowy i tonu kolejnego fragmentu.
Aby uzyskać użyteczny materiał końcowy, odsłuchaj go pod kątem pominiętych lub powtórzonych słów, wymowy liczb, zmian mówców, pauz i intensywności wskazówek. Różne wzorce głosu mogą interpretować wskazówkę z różną siłą, więc zacznij od prostej kwestii ze wskazówką wykonania, zanim dodasz konkurujące znaczniki. Przy pracy wielojęzycznej dostarcz scenariusz w języku docelowym, zamiast wymagać od modelu mowy wymyślania lub tłumaczenia treści. Ukierunkowana poprawka zmienia kwestię, wskazówkę lub wzorzec odpowiedzialne za rozbieżność, zachowując części wykonania już zgodne z wytycznymi.
POST /v1/audio/speechtextaudio| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity fish-audio/s2.1-pro-free:free | Domyślnie— |
Poleinput | Typstring | WymaganieWymagane | Wartości i limity Minimalna długość: 1 | Domyślnie— |
Polevoice | Typstring | WymaganieWymagane | Wartości i limity b347db033a6549378b48d00acb0d06cd Minimalna długość: 1 | Domyślnie— |
Poleresponse_format | Typstring | WymaganieOpcjonalne | Wartości i limity mp3, pcm | Domyślniepcm |
Poleprovider | Typobject | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, input, voice |
Parametrmaterial_types | Kontrakttext |
Cykl życia: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · Rzeczywiście zwrócony task_id lub wpis w bibliotece multimediów
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.
| Konfiguracja | Tabela stawek | Ilość do rozliczenia | Opłata |
|---|---|---|---|
| KonfiguracjaBazowe stawki za tokeny | Tabela stawekStawka podstawowa | Ilość do rozliczenia— | Opłata Wejście · Tokeny wejściowe — / 1K tokenów Wyjście · Tokeny wyjściowe — / 1K tokenów Wejście · Odczyt cache — / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaZa żądanie | Tabela stawek— | Ilość do rozliczeniajedno żądanie | Opłata Wejście $0 za żądanie |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_INPUT_TEXT:?Set the actual documented input value}"\nexport AILOOT_INPUT_TEXT\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nrequest={'model': 'fish-audio/s2.1-pro-free:free', 'input': '${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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.\nKompletne binarne dane dźwiękowe lub oryginalna odpowiedź audio_url, nagłówki i każdy zasób należący do użytkownika.
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}set -eu\n: "${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.\nZachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj pełną odpowiedź i nagłówki, wszystkie rzeczywiście uzyskane wyniki, pierwotnie zwrócone identyfikatory oraz wszystkie pola zużycia. Odzyskaj pierwotną operację bez ponownego wysyłania żądania utworzenia.
Zachowaj zwrócony X-Client-Request-ID do uzgodnienia danych. Odczytuj wyłącznie rzeczywiście zwrócone wartości task_id/asset_id lub własną bibliotekę multimediów; nigdy nie buduj adresu URL zadania na podstawie identyfikatora operacji i nigdy nie wysyłaj ponownie żądania utworzenia.
Ailoot Ultra fish-audio/s2.1-pro-free:free
Użyj ścieżek metod podanych powyżej.