Fish Audio: S1

S1 é o modelo da geração anterior da Fish Audio de conversão de texto em fala, para narração expressiva e saída de voz com um único locutor. Lê um guião fornecido e devolve áudio, usando uma voz selecionada ou condicionada por uma referência. O modelo S1 completo é distinto do S1-mini, o modelo destilado mais pequeno; o produtor apresenta-os como variantes de quatro mil milhões e quinhentos milhões de parâmetros, respetivamente. Este perfil abrange o modelo denominado S1.

Para uma narração, prepare as palavras que devem efetivamente ser pronunciadas e assinale os pontos onde a elocução deve mudar. Um guião explicativo útil apresenta primeiro a ideia principal, desenvolve uma ideia de cada vez e usa a pontuação para separar frases que precisam de uma pausa natural. Numa instrução curta, mantenha a redação clara quando é ouvida sem um ecrã. Preserve a leitura pretendida de nomes, abreviaturas e unidades e verifique os números na saída falada, em vez de presumir que uma sequência visualmente legível tem apenas uma pronúncia.

O S1 usa indicações de emoção e elocução entre parênteses, como (angry), (sad), (in a hurry) ou (chuckling). Coloque a indicação antes da frase ou expressão que deve influenciar, com a fala efetiva a seguir. A elocução aplica-se ao texto que se segue, pelo que uma mudança de estado de espírito deve aparecer onde a interpretação precisa de mudar. Esta sintaxe é diferente das instruções entre parênteses retos do S2; mantenha o guião escrito para a geração selecionada, em vez de presumir que as duas formas de marcação são intercambiáveis.

Uma voz pode ser selecionada através de um identificador de voz guardado ou condicionada por uma gravação de referência juntamente com a respetiva transcrição. Para um fluxo de referência instantâneo, o guia geral de fala recomenda uma amostra limpa de 10–30 segundos. Escolha uma amostra cujo estilo de fala e qualidade de gravação se adequem ao resultado pretendido e faça corresponder a transcrição às palavras dessa amostra. Para um narrador recorrente, reutilize a mesma referência de voz entre trechos, para que uma mudança de assunto não se transforme involuntariamente numa mudança de personagem.

A publicação do S1 enumera inglês, chinês, japonês, alemão, francês, espanhol, coreano, árabe, russo, neerlandês, italiano, polaco e português entre os idiomas suportados e descreve a mistura de idiomas num guião. Forneça a redação no idioma de destino, em vez de tratar a síntese de fala como uma etapa de tradução. Num trecho com um nome de outro idioma ou uma mudança de língua, mantenha a grafia e o contexto da frase envolvente claros e reveja como a voz selecionada trata essa transição.

A interface S1 do produtor suporta um locutor por pedido de síntese. Um diálogo pode ser preparado em segmentos separados com as suas próprias referências de voz e depois reunido pela aplicação; a síntese nativa com vários locutores da família S2 é uma capacidade separada. Mantenha o papel, a voz e o texto associados a cada segmento ao preparar falas de personagens. O resultado de síntese é uma interpretação áudio do guião, enquanto ajustar os tempos de uma troca de falas ou combiná-la com música e vídeo é uma etapa posterior de edição.

As opções de saída incluem MP3, WAV, PCM bruto e Opus, sendo MP3 a predefinição. A saída documentada é mono; WAV e PCM usam amostras de 16 bits, e as opções de frequência de amostragem diferem entre formatos. MP3 suporta 64, 128 e 192 kbps, enquanto Opus usa 48 kHz. A velocidade pode ser ajustada de 0.5 a 2.0, com controlos de volume. Escolha um ficheiro codificado para uma voz-off ou um fluxo apropriado para reprodução e conserve a voz selecionada e o guião junto do resultado.

O produtor processa texto longo em blocos, com um intervalo documentado de comprimento de bloco de 100–300 e um orçamento de tokens de áudio por bloco, em vez de uma duração global de gravação garantida. A normalização de texto pode desenvolver números em inglês e chinês para uma leitura natural, e a penalização de repetição do S1 pode reduzir padrões de áudio repetidos. A normalização da intensidade sonora da saída é uma definição diferente e não tem efeito no S1. Inspecione a pronúncia, os limites das frases, os sons repetidos e a mudança emocional pretendida antes de reunir o trecho concluído e depois reveja a fala ou referência específica que precisa de atenção.