S2.1 Pro — более поздняя модель преобразования текста в речь поколения S2 от Fish Audio для выразительного озвучивания и голосовых разговорных приложений. Она улучшает качество речи, задержку и пропускную способность по сравнению с S2 Pro, сохраняя управление подачей на естественном языке и встроенные диалоги нескольких говорящих. S2.1 Pro и S2.1 Pro Free используют одну базовую речевую модель.
Для озвученного объяснения предоставьте готовый текст, нужный голос и моменты, в которых следует изменить темп или акцент. Для разговорного приложения синтезируйте ответ, выбранный приложением, и отделяйте его фактическое содержание от указаний исполнения. Для сценарного диалога определите говорящих и их голоса до написания реплик. Полезный результат — полный аудиоотрывок или воспроизводимый поток, слова, подача и роли говорящих в котором соответствуют заданию.
Напишите слова, которые действительно должны прозвучать, а инструкцию помещайте непосредственно перед отрывком, подачу которого нужно изменить. Указания в квадратных скобках могут задавать шёпот, паузу, реакцию, акцент или произвольно описанный стиль речи. Изменение посреди предложения размещайте в той точке, где оно должно прозвучать, а после описательных указаний добавляйте саму речь. В полезном задании на объясняющее аудио фактический текст отделён от желаемой теплоты, темпа и акцентов для слушателя.
Для одного говорящего выберите сохранённый идентификатор голоса либо предоставьте эталонную запись с её расшифровкой. Руководство производителя по речи рекомендует чистый образец длиной 10–30 секунд для мгновенной настройки по голосу. Выбирайте образец, тон и качество записи которого подходят сценарию, и сохраняйте один и тот же образец для связанных отрывков. Образец задаёт звучание говорящего, а текст и встроенные инструкции — содержание и его подачу.
Встроенный синтез нескольких говорящих использует метки, например <|speaker:0|> и <|speaker:1|>, с упорядоченным массивом идентификаторов голосов или отдельными группами образцов. Согласуйте числовые метки говорящих с этим порядком. Для учебного диалога напишите реплику каждого говорящего и поместите указание подачи после соответствующей метки говорящего. Это создаёт диалог в одном запросе; такой сценарий отличается от отдельных сегментов с одним говорящим у S1 и их последующей сборки.
Производитель предусматривает вывод MP3, WAV, необработанного PCM и Opus; по умолчанию используется MP3. MP3 поддерживает 64, 128 и 192 kbps; WAV и PCM используют документированные 16-битные моноформаты, а Opus — 48 kHz. Выберите формат для сохранённого файла озвучивания, потокового воспроизведения или дальнейшей обработки аудио. Храните полный сценарий и выбранный голос вместе с аудио, чтобы при последующем редактировании можно было изменить одну строку, сохранив нужную подачу.
Скорость регулируется от 0,5 до 2,0; также предусмотрены настройки громкости. Нормализация текста разворачивает английские и китайские числа для естественного произношения. Нормализация громкости вывода по умолчанию равна true и применяется к семейству S2; у S1 то же поле не действовало. Параметр repetition_penalty от S1 не меняет аудио S2.1 Pro, поэтому старую настройку нельзя считать действующим средством управления этой моделью. Проверяйте повторяющиеся звуки и слова непосредственно, а не полагайтесь на перенесённый параметр как на доказательство результата.
Длинные сценарии обрабатываются частями. Документированный диапазон длины части — 100–300, а max_new_tokens задаёт бюджет аудиотокенов на часть, а не гарантированную общую длительность. Настройка по предыдущей части может переносить голосовой контекст дальше. Производитель описывает получение полного аудио, последовательных аудиофрагментов и живую потоковую передачу текста, когда сценарий поступает постепенно. Выбирайте способ потребления данных для приложения и сохраняйте достаточно контекста сценария для произношения и тона следующего отрывка.
Чтобы получить полезный итоговый материал, при прослушивании проверяйте, нет ли пропущенных или повторяющихся слов, и оценивайте произношение чисел, смены говорящих, паузы и то, насколько выраженно выполняются указания подачи. Разные образцы голоса могут передавать одну и ту же подсказку с разной интенсивностью, поэтому начинайте с простой реплики с указанием подачи, прежде чем добавлять конкурирующие теги. В многоязычной работе предоставляйте сценарий на целевом языке, не поручая речевой модели придумывать или переводить его содержание. Точечная доработка меняет строку, указание или образец, вызвавшие несоответствие, и сохраняет части исполнения, уже подходящие заданию.
", "aboutText": "S2.1 Pro — более поздняя модель преобразования текста в речь поколения S2 от Fish Audio для выразительного озвучивания и голосовых разговорных приложений. Она улучшает качество речи, задержку и пропускную способность по сравнению с S2 Pro, сохраняя управление подачей на естественном языке и встроенные диалоги нескольких говорящих. S2.1 Pro и S2.1 Pro Free используют одну базовую речевую модель.\n\nДля озвученного объяснения предоставьте готовый текст, нужный голос и моменты, в которых следует изменить темп или акцент. Для разговорного приложения синтезируйте ответ, выбранный приложением, и отделяйте его фактическое содержание от указаний исполнения. Для сценарного диалога определите говорящих и их голоса до написания реплик. Полезный результат — полный аудиоотрывок или воспроизводимый поток, слова, подача и роли говорящих в котором соответствуют заданию.\n\nНапишите слова, которые действительно должны прозвучать, а инструкцию помещайте непосредственно перед отрывком, подачу которого нужно изменить. Указания в квадратных скобках могут задавать шёпот, паузу, реакцию, акцент или произвольно описанный стиль речи. Изменение посреди предложения размещайте в той точке, где оно должно прозвучать, а после описательных указаний добавляйте саму речь. В полезном задании на объясняющее аудио фактический текст отделён от желаемой теплоты, темпа и акцентов для слушателя.\n\nДля одного говорящего выберите сохранённый идентификатор голоса либо предоставьте эталонную запись с её расшифровкой. Руководство производителя по речи рекомендует чистый образец длиной 10–30 секунд для мгновенной настройки по голосу. Выбирайте образец, тон и качество записи которого подходят сценарию, и сохраняйте один и тот же образец для связанных отрывков. Образец задаёт звучание говорящего, а текст и встроенные инструкции — содержание и его подачу.\n\nВстроенный синтез нескольких говорящих использует метки, например <|speaker:0|> и <|speaker:1|>, с упорядоченным массивом идентификаторов голосов или отдельными группами образцов. Согласуйте числовые метки говорящих с этим порядком. Для учебного диалога напишите реплику каждого говорящего и поместите указание подачи после соответствующей метки говорящего. Это создаёт диалог в одном запросе; такой сценарий отличается от отдельных сегментов с одним говорящим у S1 и их последующей сборки.\n\nПроизводитель предусматривает вывод MP3, WAV, необработанного PCM и Opus; по умолчанию используется MP3. MP3 поддерживает 64, 128 и 192 kbps; WAV и PCM используют документированные 16-битные моноформаты, а Opus — 48 kHz. Выберите формат для сохранённого файла озвучивания, потокового воспроизведения или дальнейшей обработки аудио. Храните полный сценарий и выбранный голос вместе с аудио, чтобы при последующем редактировании можно было изменить одну строку, сохранив нужную подачу.\n\nСкорость регулируется от 0,5 до 2,0; также предусмотрены настройки громкости. Нормализация текста разворачивает английские и китайские числа для естественного произношения. Нормализация громкости вывода по умолчанию равна true и применяется к семейству S2; у S1 то же поле не действовало. Параметр repetition_penalty от S1 не меняет аудио S2.1 Pro, поэтому старую настройку нельзя считать действующим средством управления этой моделью. Проверяйте повторяющиеся звуки и слова непосредственно, а не полагайтесь на перенесённый параметр как на доказательство результата.\n\nДлинные сценарии обрабатываются частями. Документированный диапазон длины части — 100–300, а max_new_tokens задаёт бюджет аудиотокенов на часть, а не гарантированную общую длительность. Настройка по предыдущей части может переносить голосовой контекст дальше. Производитель описывает получение полного аудио, последовательных аудиофрагментов и живую потоковую передачу текста, когда сценарий поступает постепенно. Выбирайте способ потребления данных для приложения и сохраняйте достаточно контекста сценария для произношения и тона следующего отрывка.\n\nЧтобы получить полезный итоговый материал, при прослушивании проверяйте, нет ли пропущенных или повторяющихся слов, и оценивайте произношение чисел, смены говорящих, паузы и то, насколько выраженно выполняются указания подачи. Разные образцы голоса могут передавать одну и ту же подсказку с разной интенсивностью, поэтому начинайте с простой реплики с указанием подачи, прежде чем добавлять конкурирующие теги. В многоязычной работе предоставляйте сценарий на целевом языке, не поручая речевой модели придумывать или переводить его содержание. Точечная доработка меняет строку, указание или образец, вызвавшие несоответствие, и сохраняет части исполнения, уже подходящие заданию.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "d66fb1ad81db2a30e39c733ae6043e7dbad28fed895ed009cfe76665dd06d626", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ru", "methods": [ { "html": "fish-audio/s2.1-proFish Audio S2.1 Pro создаёт выразительную многоязычную речь и диалоги нескольких говорящих в одном запросе, улучшая качество, задержку и пропускную способность по сравнению с S2 Pro. Задавайте подачу прямо в сценарии и используйте образцы голосов для озвучивания или разговорного аудио.
Описание раскрывает возможности модели. Доступные в Ailoot входные данные, результаты и параметры выбранного метода перечислены ниже.
S2.1 Pro — более поздняя модель преобразования текста в речь поколения S2 от Fish Audio для выразительного озвучивания и голосовых разговорных приложений. Она улучшает качество речи, задержку и пропускную способность по сравнению с S2 Pro, сохраняя управление подачей на естественном языке и встроенные диалоги нескольких говорящих. S2.1 Pro и S2.1 Pro Free используют одну базовую речевую модель.
Для озвученного объяснения предоставьте готовый текст, нужный голос и моменты, в которых следует изменить темп или акцент. Для разговорного приложения синтезируйте ответ, выбранный приложением, и отделяйте его фактическое содержание от указаний исполнения. Для сценарного диалога определите говорящих и их голоса до написания реплик. Полезный результат — полный аудиоотрывок или воспроизводимый поток, слова, подача и роли говорящих в котором соответствуют заданию.
Напишите слова, которые действительно должны прозвучать, а инструкцию помещайте непосредственно перед отрывком, подачу которого нужно изменить. Указания в квадратных скобках могут задавать шёпот, паузу, реакцию, акцент или произвольно описанный стиль речи. Изменение посреди предложения размещайте в той точке, где оно должно прозвучать, а после описательных указаний добавляйте саму речь. В полезном задании на объясняющее аудио фактический текст отделён от желаемой теплоты, темпа и акцентов для слушателя.
Для одного говорящего выберите сохранённый идентификатор голоса либо предоставьте эталонную запись с её расшифровкой. Руководство производителя по речи рекомендует чистый образец длиной 10–30 секунд для мгновенной настройки по голосу. Выбирайте образец, тон и качество записи которого подходят сценарию, и сохраняйте один и тот же образец для связанных отрывков. Образец задаёт звучание говорящего, а текст и встроенные инструкции — содержание и его подачу.
Встроенный синтез нескольких говорящих использует метки, например <|speaker:0|> и <|speaker:1|>, с упорядоченным массивом идентификаторов голосов или отдельными группами образцов. Согласуйте числовые метки говорящих с этим порядком. Для учебного диалога напишите реплику каждого говорящего и поместите указание подачи после соответствующей метки говорящего. Это создаёт диалог в одном запросе; такой сценарий отличается от отдельных сегментов с одним говорящим у S1 и их последующей сборки.
Производитель предусматривает вывод MP3, WAV, необработанного PCM и Opus; по умолчанию используется MP3. MP3 поддерживает 64, 128 и 192 kbps; WAV и PCM используют документированные 16-битные моноформаты, а Opus — 48 kHz. Выберите формат для сохранённого файла озвучивания, потокового воспроизведения или дальнейшей обработки аудио. Храните полный сценарий и выбранный голос вместе с аудио, чтобы при последующем редактировании можно было изменить одну строку, сохранив нужную подачу.
Скорость регулируется от 0,5 до 2,0; также предусмотрены настройки громкости. Нормализация текста разворачивает английские и китайские числа для естественного произношения. Нормализация громкости вывода по умолчанию равна true и применяется к семейству S2; у S1 то же поле не действовало. Параметр repetition_penalty от S1 не меняет аудио S2.1 Pro, поэтому старую настройку нельзя считать действующим средством управления этой моделью. Проверяйте повторяющиеся звуки и слова непосредственно, а не полагайтесь на перенесённый параметр как на доказательство результата.
Длинные сценарии обрабатываются частями. Документированный диапазон длины части — 100–300, а max_new_tokens задаёт бюджет аудиотокенов на часть, а не гарантированную общую длительность. Настройка по предыдущей части может переносить голосовой контекст дальше. Производитель описывает получение полного аудио, последовательных аудиофрагментов и живую потоковую передачу текста, когда сценарий поступает постепенно. Выбирайте способ потребления данных для приложения и сохраняйте достаточно контекста сценария для произношения и тона следующего отрывка.
Чтобы получить полезный итоговый материал, при прослушивании проверяйте, нет ли пропущенных или повторяющихся слов, и оценивайте произношение чисел, смены говорящих, паузы и то, насколько выраженно выполняются указания подачи. Разные образцы голоса могут передавать одну и ту же подсказку с разной интенсивностью, поэтому начинайте с простой реплики с указанием подачи, прежде чем добавлять конкурирующие теги. В многоязычной работе предоставляйте сценарий на целевом языке, не поручая речевой модели придумывать или переводить его содержание. Точечная доработка меняет строку, указание или образец, вызвавшие несоответствие, и сохраняет части исполнения, уже подходящие заданию.
POST /v1/audio/speechtextaudio| Поле | Тип | Требование | Значения и ограничения | По умолчанию |
|---|---|---|---|---|
Полеmodel | Типstring | ТребованиеОбязательно | Значения и ограничения fish-audio/s2.1-pro | По умолчанию— |
Полеinput | Типstring | ТребованиеОбязательно | Значения и ограничения Минимальная длина: 1 | По умолчанию— |
Полеvoice | Типstring | ТребованиеОбязательно | Значения и ограничения b347db033a6549378b48d00acb0d06cd Минимальная длина: 1 | По умолчанию— |
Полеresponse_format | Типstring | ТребованиеНеобязательно | Значения и ограничения mp3, pcm | По умолчаниюpcm |
Полеprovider | Типobject | ТребованиеНеобязательно | Значения и ограничения | По умолчанию— |
| Параметр | Контракт |
|---|---|
Параметрcontent_type | Контрактapplication/json |
Параметрrequired | Контрактmodel, input, voice |
Параметрmaterial_types | Контрактtext |
Жизненный цикл: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · Фактически возвращённый task_id или запись в медиатеке
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Тарифная справка не добавляет режимы запроса. Поддерживаемые параметры указаны для выбранного метода.
Сопоставьте каждую плату с указанными условиями. Для каждого набора альтернативных конфигураций используйте одну ставку.
| Конфигурация | Шкала ставок | Расчётная единица | Плата |
|---|---|---|---|
| КонфигурацияБазовые тарифы на токены | Шкала ставокБазовая ставка | Расчётная единица— | Плата Вход · Входные токены — / 1K токенов Выход · Выходные токены — / 1K токенов Вход · Чтение кэша — / 1K токенов Вход · Запись в кэш — / 1K токенов Вход · Запись в кэш, 1 час — / 1K токенов |
| Конфигурациявходной байт UTF-8 | Шкала ставок— | Расчётная единицаза входной байт UTF-8 | Плата Вход · входной байт UTF-8 $0.00003 за входной байт UTF-8 |
Ailoot резервирует расчётную сумму перед запросом. После получения результата списывает итоговую плату по измеренному расходу. Для окончательного списания за потоковый ответ используется итоговая запись расхода. Как работают резервирование и расчёт →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_INPUT_TEXT:?Set the actual documented input value}"\nexport AILOOT_INPUT_TEXT\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nrequest={'model': 'fish-audio/s2.1-pro', 'input': '${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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.\nПолные двоичные аудиоданные или исходный ответ audio_url, заголовки и каждый ресурс, принадлежащий Ailoot.
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}set -eu\n: "${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.\nСохраняйте каждый полностью полученный ответ, файл и элемент содержимого.
Сохраняйте полный ответ и заголовки, все фактические результаты, исходные возвращённые идентификаторы и все поля использования. Восстанавливайте исходную операцию без повторной отправки запроса создания.
Сохраните возвращённый X-Client-Request-ID для сверки. Читайте только фактически возвращённые значения task_id/asset_id или собственную медиатеку; никогда не составляйте URL задачи из ID операции и никогда не отправляйте запрос создания повторно.
Ailoot Ultra fish-audio/s2.1-pro
Используйте пути методов, указанные выше.