S2 Pro é o modelo de segunda geração de conversão de texto em voz da Fish Audio para narração expressiva, diálogo de personagens e respostas de voz em conversação. Transforma um guião escrito em áudio e suporta indicações em linguagem natural ao nível da palavra ou da expressão. A geração anterior S1 utiliza indicações entre parênteses curvos, enquanto S2 Pro utiliza nativamente parênteses retos e suporta vários intervenientes num único pedido de síntese. O fabricante disponibiliza os pesos de S2 Pro e código de ajuste fino para trabalho de personalização separado; um pedido de voz normal utiliza o modelo selecionado em vez de treinar um novo.
Escreva primeiro o conteúdo falado e coloque depois uma instrução de interpretação imediatamente antes da palavra ou expressão que deve afetar. As indicações podem descrever um sussurro, uma reação, uma pausa, uma mudança emocional ou um estilo de fala livre. Para uma explicação curta de produto, mantenha a frase factual clara e coloque ênfase apenas onde o ouvinte deve notar uma distinção. Para uma fala de personagem, descreva a mudança emocional no momento em que ocorre, em vez de atribuir um único estado de espírito fixo à passagem inteira.
As etiquetas entre parênteses retos são descrições de domínio aberto, em vez de um menu fechado. Os exemplos incluem [whispering], [sigh], [long pause] e uma expressão como [speaking slowly, almost hesitant]. As etiquetas podem surgir a meio de uma frase e afetam a fala que se segue. Uma etiqueta descritiva precisa de texto efetivo a seguir; uma instrução isolada pode produzir resultados imprevisíveis. Comece por uma ou duas indicações úteis antes de acrescentar camadas, pois etiquetas concorrentes podem dificultar a interpretação pretendida. Diferentes referências de voz podem responder à mesma indicação com intensidades diferentes.
A versão S2 descreve aproximadamente 80 idiomas e apresenta exemplos de indicações de interpretação escritas no mesmo idioma do guião. Prepare o texto no idioma em que deve ser pronunciado e preserve nomes, unidades e abreviaturas que exijam uma leitura específica. Uma narração multilingue pode manter a voz pretendida ao mudar o idioma do guião, mas o resultado final continua a exigir escuta para verificar pronúncia e continuidade. A síntese produz o conteúdo fornecido em voz, em vez de decidir as informações que a aplicação deve transmitir.
Para um só interveniente, escolha um identificador de voz guardado ou forneça áudio de referência e a transcrição correspondente. O produtor recomenda uma amostra limpa de 10–30 segundos para condicionamento instantâneo. Para diálogo, utilize marcadores de interveniente como <|speaker:0|> e <|speaker:1|>, com uma lista ordenada de identificadores de voz ou grupos de referência separados para os intervenientes. O marcador numérico seleciona a entrada de voz correspondente; mantenha a ordem fixa à medida que a conversa avança. As indicações de interpretação em linguagem natural e a seleção de intervenientes têm funções diferentes no guião.
A saída de áudio pode ser MP3, WAV, PCM sem contentor ou Opus. MP3 tem a predefinição de 128 kbps e disponibiliza 64 ou 192 kbps; a saída Opus utiliza 48 kHz, enquanto WAV e PCM suportam as suas opções de taxa de amostragem documentadas em mono de 16 bits. Escolha o formato em função do destino efetivo: um ficheiro a guardar para narração ou blocos de áudio adequados para reprodução. O fluxo de voz do produtor descreve também transmissão de texto em direto quando o guião chega progressivamente. O resultado gerado deve manter-se associado ao guião completo e às vozes selecionadas.
A velocidade pode ser ajustada entre 0.5 e 2.0, com controlos de volume e de normalização do nível sonoro da saída. A normalização do texto melhora a leitura de números em inglês e chinês. O processamento utiliza blocos num intervalo de 100–300 e um limite de tokens de áudio por bloco, pelo que estas definições não devem ser interpretadas como um comprimento máximo fixo para uma narração inteira. O condicionamento pelo bloco anterior pode transportar o contexto da voz para o segmento seguinte. Os controlos de amostragem, como temperature e top-p, influenciam a variação; mesmo uma fala orientada deliberadamente precisa de texto e contexto suficientes para transmitir o som pretendido.
Um pedido de produção útil distingue narração, diálogo e indicações de interpretação, indicando depois a voz e o formato do resultado. Ouça e verifique palavras em falta, áudio repetido, pronúncia de números, mudanças de interveniente e o momento de uma reação. Reveja a fala ou a referência de voz responsável pelo desajuste, em vez de assumir que mais etiquetas melhorarão todas as passagens. S2 Pro continua a ser um modelo S2 distinto de uma geração anterior; S2.1 Pro é a edição posterior, com as suas próprias melhorias e comportamento específico das definições.
", "aboutText": "S2 Pro é o modelo de segunda geração de conversão de texto em voz da Fish Audio para narração expressiva, diálogo de personagens e respostas de voz em conversação. Transforma um guião escrito em áudio e suporta indicações em linguagem natural ao nível da palavra ou da expressão. A geração anterior S1 utiliza indicações entre parênteses curvos, enquanto S2 Pro utiliza nativamente parênteses retos e suporta vários intervenientes num único pedido de síntese. O fabricante disponibiliza os pesos de S2 Pro e código de ajuste fino para trabalho de personalização separado; um pedido de voz normal utiliza o modelo selecionado em vez de treinar um novo.\n\nEscreva primeiro o conteúdo falado e coloque depois uma instrução de interpretação imediatamente antes da palavra ou expressão que deve afetar. As indicações podem descrever um sussurro, uma reação, uma pausa, uma mudança emocional ou um estilo de fala livre. Para uma explicação curta de produto, mantenha a frase factual clara e coloque ênfase apenas onde o ouvinte deve notar uma distinção. Para uma fala de personagem, descreva a mudança emocional no momento em que ocorre, em vez de atribuir um único estado de espírito fixo à passagem inteira.\n\nAs etiquetas entre parênteses retos são descrições de domínio aberto, em vez de um menu fechado. Os exemplos incluem [whispering], [sigh], [long pause] e uma expressão como [speaking slowly, almost hesitant]. As etiquetas podem surgir a meio de uma frase e afetam a fala que se segue. Uma etiqueta descritiva precisa de texto efetivo a seguir; uma instrução isolada pode produzir resultados imprevisíveis. Comece por uma ou duas indicações úteis antes de acrescentar camadas, pois etiquetas concorrentes podem dificultar a interpretação pretendida. Diferentes referências de voz podem responder à mesma indicação com intensidades diferentes.\n\nA versão S2 descreve aproximadamente 80 idiomas e apresenta exemplos de indicações de interpretação escritas no mesmo idioma do guião. Prepare o texto no idioma em que deve ser pronunciado e preserve nomes, unidades e abreviaturas que exijam uma leitura específica. Uma narração multilingue pode manter a voz pretendida ao mudar o idioma do guião, mas o resultado final continua a exigir escuta para verificar pronúncia e continuidade. A síntese produz o conteúdo fornecido em voz, em vez de decidir as informações que a aplicação deve transmitir.\n\nPara um só interveniente, escolha um identificador de voz guardado ou forneça áudio de referência e a transcrição correspondente. O produtor recomenda uma amostra limpa de 10–30 segundos para condicionamento instantâneo. Para diálogo, utilize marcadores de interveniente como <|speaker:0|> e <|speaker:1|>, com uma lista ordenada de identificadores de voz ou grupos de referência separados para os intervenientes. O marcador numérico seleciona a entrada de voz correspondente; mantenha a ordem fixa à medida que a conversa avança. As indicações de interpretação em linguagem natural e a seleção de intervenientes têm funções diferentes no guião.\n\nA saída de áudio pode ser MP3, WAV, PCM sem contentor ou Opus. MP3 tem a predefinição de 128 kbps e disponibiliza 64 ou 192 kbps; a saída Opus utiliza 48 kHz, enquanto WAV e PCM suportam as suas opções de taxa de amostragem documentadas em mono de 16 bits. Escolha o formato em função do destino efetivo: um ficheiro a guardar para narração ou blocos de áudio adequados para reprodução. O fluxo de voz do produtor descreve também transmissão de texto em direto quando o guião chega progressivamente. O resultado gerado deve manter-se associado ao guião completo e às vozes selecionadas.\n\nA velocidade pode ser ajustada entre 0.5 e 2.0, com controlos de volume e de normalização do nível sonoro da saída. A normalização do texto melhora a leitura de números em inglês e chinês. O processamento utiliza blocos num intervalo de 100–300 e um limite de tokens de áudio por bloco, pelo que estas definições não devem ser interpretadas como um comprimento máximo fixo para uma narração inteira. O condicionamento pelo bloco anterior pode transportar o contexto da voz para o segmento seguinte. Os controlos de amostragem, como temperature e top-p, influenciam a variação; mesmo uma fala orientada deliberadamente precisa de texto e contexto suficientes para transmitir o som pretendido.\n\nUm pedido de produção útil distingue narração, diálogo e indicações de interpretação, indicando depois a voz e o formato do resultado. Ouça e verifique palavras em falta, áudio repetido, pronúncia de números, mudanças de interveniente e o momento de uma reação. Reveja a fala ou a referência de voz responsável pelo desajuste, em vez de assumir que mais etiquetas melhorarão todas as passagens. S2 Pro continua a ser um modelo S2 distinto de uma geração anterior; S2.1 Pro é a edição posterior, com as suas próprias melhorias e comportamento específico das definições.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "77a599a015875e91989276b0be416a429040e94d73129aac1020a05c4ef17611", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pt-pt", "methods": [ { "html": "fish-audio/s2-proFish Audio S2 Pro cria voz multilingue expressiva com indicações ao nível da palavra e diálogo nativo com vários intervenientes. Instruções entre parênteses retos controlam a interpretação no guião, enquanto as referências de voz identificam os intervenientes e as definições de saída moldam o recurso de áudio.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
S2 Pro é o modelo de segunda geração de conversão de texto em voz da Fish Audio para narração expressiva, diálogo de personagens e respostas de voz em conversação. Transforma um guião escrito em áudio e suporta indicações em linguagem natural ao nível da palavra ou da expressão. A geração anterior S1 utiliza indicações entre parênteses curvos, enquanto S2 Pro utiliza nativamente parênteses retos e suporta vários intervenientes num único pedido de síntese. O fabricante disponibiliza os pesos de S2 Pro e código de ajuste fino para trabalho de personalização separado; um pedido de voz normal utiliza o modelo selecionado em vez de treinar um novo.
Escreva primeiro o conteúdo falado e coloque depois uma instrução de interpretação imediatamente antes da palavra ou expressão que deve afetar. As indicações podem descrever um sussurro, uma reação, uma pausa, uma mudança emocional ou um estilo de fala livre. Para uma explicação curta de produto, mantenha a frase factual clara e coloque ênfase apenas onde o ouvinte deve notar uma distinção. Para uma fala de personagem, descreva a mudança emocional no momento em que ocorre, em vez de atribuir um único estado de espírito fixo à passagem inteira.
As etiquetas entre parênteses retos são descrições de domínio aberto, em vez de um menu fechado. Os exemplos incluem [whispering], [sigh], [long pause] e uma expressão como [speaking slowly, almost hesitant]. As etiquetas podem surgir a meio de uma frase e afetam a fala que se segue. Uma etiqueta descritiva precisa de texto efetivo a seguir; uma instrução isolada pode produzir resultados imprevisíveis. Comece por uma ou duas indicações úteis antes de acrescentar camadas, pois etiquetas concorrentes podem dificultar a interpretação pretendida. Diferentes referências de voz podem responder à mesma indicação com intensidades diferentes.
A versão S2 descreve aproximadamente 80 idiomas e apresenta exemplos de indicações de interpretação escritas no mesmo idioma do guião. Prepare o texto no idioma em que deve ser pronunciado e preserve nomes, unidades e abreviaturas que exijam uma leitura específica. Uma narração multilingue pode manter a voz pretendida ao mudar o idioma do guião, mas o resultado final continua a exigir escuta para verificar pronúncia e continuidade. A síntese produz o conteúdo fornecido em voz, em vez de decidir as informações que a aplicação deve transmitir.
Para um só interveniente, escolha um identificador de voz guardado ou forneça áudio de referência e a transcrição correspondente. O produtor recomenda uma amostra limpa de 10–30 segundos para condicionamento instantâneo. Para diálogo, utilize marcadores de interveniente como <|speaker:0|> e <|speaker:1|>, com uma lista ordenada de identificadores de voz ou grupos de referência separados para os intervenientes. O marcador numérico seleciona a entrada de voz correspondente; mantenha a ordem fixa à medida que a conversa avança. As indicações de interpretação em linguagem natural e a seleção de intervenientes têm funções diferentes no guião.
A saída de áudio pode ser MP3, WAV, PCM sem contentor ou Opus. MP3 tem a predefinição de 128 kbps e disponibiliza 64 ou 192 kbps; a saída Opus utiliza 48 kHz, enquanto WAV e PCM suportam as suas opções de taxa de amostragem documentadas em mono de 16 bits. Escolha o formato em função do destino efetivo: um ficheiro a guardar para narração ou blocos de áudio adequados para reprodução. O fluxo de voz do produtor descreve também transmissão de texto em direto quando o guião chega progressivamente. O resultado gerado deve manter-se associado ao guião completo e às vozes selecionadas.
A velocidade pode ser ajustada entre 0.5 e 2.0, com controlos de volume e de normalização do nível sonoro da saída. A normalização do texto melhora a leitura de números em inglês e chinês. O processamento utiliza blocos num intervalo de 100–300 e um limite de tokens de áudio por bloco, pelo que estas definições não devem ser interpretadas como um comprimento máximo fixo para uma narração inteira. O condicionamento pelo bloco anterior pode transportar o contexto da voz para o segmento seguinte. Os controlos de amostragem, como temperature e top-p, influenciam a variação; mesmo uma fala orientada deliberadamente precisa de texto e contexto suficientes para transmitir o som pretendido.
Um pedido de produção útil distingue narração, diálogo e indicações de interpretação, indicando depois a voz e o formato do resultado. Ouça e verifique palavras em falta, áudio repetido, pronúncia de números, mudanças de interveniente e o momento de uma reação. Reveja a fala ou a referência de voz responsável pelo desajuste, em vez de assumir que mais etiquetas melhorarão todas as passagens. S2 Pro continua a ser um modelo S2 distinto de uma geração anterior; S2.1 Pro é a edição posterior, com as suas próprias melhorias e comportamento específico das definições.
POST /v1/audio/speechtextaudio| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites fish-audio/s2-pro | Predefinição— |
Campoinput | Tipostring | RequisitoObrigatório | Valores e limites Comprimento mínimo: 1 | Predefinição— |
Campovoice | Tipostring | RequisitoObrigatório | Valores e limites b347db033a6549378b48d00acb0d06cd Comprimento mínimo: 1 | Predefinição— |
Camporesponse_format | Tipostring | RequisitoOpcional | Valores e limites mp3, pcm | Predefiniçãopcm |
Campoprovider | Tipoobject | RequisitoOpcional | Valores e limites | Predefinição— |
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, input, voice |
Parâmetromaterial_types | Contratotext |
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}
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 |
| Configuraçãobyte de entrada em UTF-8 | Tabela de tarifas— | Unidade de faturaçãopor byte UTF-8 de entrada | Custo Entrada · byte de entrada em UTF-8 $0.00003 por byte UTF-8 de entrada |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_INPUT_TEXT:?Set the actual documented input value}"\nexport AILOOT_INPUT_TEXT\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nrequest={'model': 'fish-audio/s2-pro', 'input': '${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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.\nÁudio binário completo ou resposta audio_url original, cabeçalhos e todos os recursos pertencentes ao utilizador.
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}set -eu\n: "${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.\nGuarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve a resposta completa e os cabeçalhos, todos os resultados efetivamente produzidos, os identificadores originais devolvidos e todos os campos de utilização. Recupere a operação original sem voltar a enviar o pedido de criação.
Guarde o X-Client-Request-ID devolvido para reconciliação. Consulte apenas os valores task_id/asset_id efetivamente devolvidos ou a sua biblioteca de multimédia; nunca construa um URL de tarefa a partir do ID da operação e nunca volte a enviar o pedido de criação.
Ailoot Ultra fish-audio/s2-pro
Use os caminhos dos métodos indicados acima.