Fish Audio: S1

S1 — модель синтеза речи предыдущего поколения Fish Audio для выразительного повествования и голоса одного диктора. Она читает переданный сценарий и возвращает аудио, используя выбранный или обусловленный референсом голос. Полная S1 отличается от меньшей дистиллированной S1-mini: производитель представляет их как варианты с 4 миллиардами и 0,5 миллиарда параметров соответственно. Этот профиль относится к названной модели S1.

Для повествования подготовьте точные произносимые слова и отметьте места смены подачи. Полезный объясняющий сценарий сначала формулирует главную мысль, развивает по одной идее и пунктуацией разделяет фразы с естественными паузами. Короткая инструкция должна быть ясна на слух без экрана. Сохраняйте нужное чтение имён, сокращений и единиц, проверяйте числа в аудио, не предполагая единственного произношения визуально понятной строки.

S1 использует эмоциональные указания и манеру подачи в круглых скобках, например (angry), (sad), (in a hurry) или (chuckling). Ставьте подсказку перед предложением или фразой, на которую она влияет, с произносимой речью после неё. Подача относится к последующему тексту, поэтому изменение настроения следует ставить в месте изменения исполнения. Это отличается от указаний S2 в квадратных скобках; оформляйте сценарий под выбранное поколение, не считая разметки взаимозаменяемыми.

Голос выбирается сохранённым идентификатором либо обусловливается референсной записью вместе с её расшифровкой. Для мгновенного сценария с референсом общее руководство рекомендует чистый образец 10–30 секунд. Выберите образец с манерой речи и качеством записи под нужный результат; расшифровка должна совпадать со словами образца. Для постоянного рассказчика используйте тот же референс между отрывками, чтобы смена темы случайно не меняла персонажа.

Выпуск S1 называет среди поддерживаемых языков английский, китайский, японский, немецкий, французский, испанский, корейский, арабский, русский, нидерландский, итальянский, польский и португальский и описывает смешение языков в сценарии. Передавайте текст на целевом языке, не считая синтез переводом. Для заимствованного имени или смены языка сохраняйте ясное написание и контекст предложения, проверяя переход выбранным голосом.

Интерфейс производителя S1 поддерживает одного диктора на запрос синтеза. Диалог можно подготовить отдельными сегментами со своими референсами, затем собрать приложением; встроенный синтез нескольких дикторов семейства S2 — отдельная возможность. Сохраняйте связь роли, голоса и текста каждого сегмента при подготовке реплик персонажей. Результат синтеза — исполнение сценария в аудио, а тайминг диалога и совмещение с музыкой и видео относятся к монтажу.

Выходные варианты включают MP3, WAV, raw PCM и Opus; по умолчанию — MP3. Документированный вывод монофонический; WAV и PCM используют 16-битные отсчёты, а доступные частоты различаются по форматам. MP3 поддерживает 64, 128 и 192 кбит/с; Opus использует 48 кГц. Скорость регулируется от 0.5 до 2.0, доступны настройки громкости. Выбирайте кодированный файл для озвучки либо подходящий поток для воспроизведения, сохраняя выбранный голос и сценарий с результатом.

Производитель обрабатывает длинный текст фрагментами с документированным диапазоном длины 100–300 и бюджетом аудиотокенов на фрагмент вместо гарантированной общей длительности записи. Нормализация текста разворачивает английские и китайские числа в естественное чтение; штраф за повторения S1 может уменьшать повторяющиеся аудиопаттерны. Нормализация выходной громкости — другая настройка и на S1 не влияет. Перед сборкой проверьте произношение, границы фраз, повторяющиеся звуки и нужную смену эмоции, затем исправьте конкретную реплику или референс.