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.
", "aboutText": "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.\n\nPara 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.\n\nO 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.\n\nUma 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.\n\nA 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.\n\nA 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.\n\nAs 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.\n\nO 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "0380fcc674e14f324cd9c29e89c847d1ca861706e79d8155884bbadc0496b477", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pt-pt", "methods": [ { "html": "fish-audio/s1O Fish Audio S1 transforma guiões multilingues em áudio expressivo de um único locutor, usando referências de voz e indicações emocionais entre parênteses. Use-o para narrações, instruções faladas curtas ou falas de personagens, com controlos de formato e prosódia para o áudio concluído.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
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.
POST /v1/audio/speechtextaudio| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites fish-audio/s1 | Predefinição— |
Campoinput | Tipostring | RequisitoObrigatório | Valores e limites Comprimento mínimo: 1 | Predefinição— |
Campovoice | Tipostring | RequisitoObrigatório | Valores e limites Exemplos: b347db033a6549378b48d00acb0d06cd | Predefinição— |
Camporesponse_format | Tipostring | RequisitoOpcional | Valores e limites mp3, pcm | Predefiniçãopcm |
text_to_speech · Obrigatório: actual UTF-8 script, exact supported voice
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, input, voice |
Parâmetromaterial_types | Contratotext |
Parâmetrovoice_ids | Contratob347db033a6549378b48d00acb0d06cd |
Parâmetrovoice_list_exhaustive | Contratofalse |
Parâmetroresponse_format | Contratomp3, pcm |
Parâmetrodefault_response_format | Contratopcm |
Parâmetroquantity | ContratoBytes UTF-8 de uma única cadeia de entrada descodificada; sem remoção de espaços em branco nas extremidades nem normalização |
Parâmetronative_byte_quote_controls | ContratoInstruções não vazias e entrada de turnos de vários intervenientes são rejeitadas por este caminho exato de cotação por bytes até que seja declarado o texto adicional faturado. |
Ciclo de vida: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id efetivamente devolvido ou registo na biblioteca de multimédia
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Utilize o modelo exato e os campos de entrada documentados.
Conserve a resposta completa, todos os resultados reais e os IDs originais devolvidos.
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
Associe cada custo às condições apresentadas. Use uma única tarifa para cada conjunto de configurações alternativas.
| Configuração | Tabela de tarifas | Unidade de faturação | Custo |
|---|---|---|---|
| ConfiguraçãoTarifas base por token | Tabela de tarifasTarifa base | Unidade de faturação— | Custo Entrada · Tokens de entrada — / 1K tokens Saída · Tokens de saída — / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
| ConfiguraçãoUltra | Tabela de tarifas— | Unidade de faturaçãopor byte utf8 de áudio de entrada | Custo Entrada · byte de áudio de entrada em utf8 $0.00003 por byte utf8 de áudio de entrada |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
As tabelas de referência do modelo não alteram a seleção do método, as cotações ou os custos. Os custos ativos usam as tarifas do método Ailoot selecionado.
| Configuração | Condições de faturação | Custo |
|---|---|---|
| ConfiguraçãoFish Audio: S1 · Configuração predefinida | Condições de faturaçãoConfiguração predefinida | Custo Entrada · Bytes de entrada em UTF-8 0,00003 US$ por byte UTF-8 de entrada |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nrequest={'model': 'fish-audio/s1', 'input': 'Hello world', 'voice': 'b347db033a6549378b48d00acb0d06cd', 'response_format': 'mp3'}\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# Keep the complete original response and headers. Read every returned segment, word and usage field.\n# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.\náudio binário efetivamente declarado
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Guarde todos os bytes binários completos e todos os cabeçalhos originais; conserve o JSON completo se for devolvido. Os IDs reais de operações/recursos são preservados.
Conserve operation_id/X-Client-Request-ID originais e a resposta original. Consulte os registos reais de tarefas/recursos pertencentes ao utilizador sem voltar a enviar; não é construído qualquer URL específico de consulta periódica de áudio.
| Campo | Tipo |
|---|---|
Campobinary audio | Tipobytes |
Camporesponse headers | Tipoheaders |
Ailoot Ultra fish-audio/s1
Use os caminhos dos métodos indicados acima.