Fish Audio: S1
Fish Audio S1 mení viacjazyčné scenáre na expresívny zvuk jedného hovoriaceho pomocou hlasových referencií a emocionálnych podnetov v okrúhlych zátvorkách. Použite ho na rozprávanie, krátke hovorené pokyny alebo repliky postáv s ovládaním formátu a prozódie hotového zvuku.
O modeli
Tento opis pokrýva možnosti modelu. Dostupné vstupy, výstupy a voľby v Ailoot sú uvedené nižšie pre vybranú metódu.
S1 je model prevodu textu na reč predchádzajúcej generácie od Fish Audio pre expresívne rozprávanie a hlasový výstup jedného hovoriaceho. Číta dodaný scenár a vracia zvuk so zvoleným alebo referenciou podmieneným hlasom. Plný model S1 je odlišný od S1-mini, menšieho destilovaného modelu; výrobca ich predstavuje ako varianty so 4 miliardami, respektíve 0.5 miliardy parametrov. Tento profil pokrýva pomenovaný model S1.
Pri rozprávaní pripravte slová, ktoré majú skutočne zaznieť, a označte miesta zmeny prednesu. Užitočný vysvetľujúci scenár najprv uvedie hlavný bod, rozvíja jednu myšlienku naraz a interpunkciou oddeľuje frázy vyžadujúce prirodzenú prestávku. Pri krátkom pokyne zachovajte znenie jasné aj pri počúvaní bez obrazovky. Zachovajte zamýšľané čítanie mien, skratiek a jednotiek a čísla skontrolujte v hovorenom výstupe namiesto predpokladu, že vizuálne čitateľný reťazec má len jednu výslovnosť.
S1 používa podnety emócií a prednesu v okrúhlych zátvorkách, napríklad (angry), (sad), (in a hurry) alebo (chuckling). Podnet umiestnite pred vetu alebo frázu, ktorú má ovplyvniť, a zaň skutočnú reč. Prednes patrí k nasledujúcemu textu, preto sa zmena nálady má objaviť tam, kde sa má zmeniť prednes. Ide o inú syntax než pokyny S2 v hranatých zátvorkách; scenár píšte pre zvolenú generáciu a nepovažujte obe značkovacie podoby za zameniteľné.
Hlas možno vybrať uloženým identifikátorom hlasu alebo podmieniť referenčnou nahrávkou spolu s jej prepisom. Pre okamžitý referenčný postup všeobecná príručka reči odporúča čistú 10–30-sekundovú vzorku. Vyberte vzorku, ktorej štýl reči a kvalita nahrávky zodpovedajú zamýšľanému výsledku, a prepis zosúlaďte so slovami v nej. Pri opakujúcom sa rozprávačovi používajte rovnakú hlasovú referenciu naprieč pasážami, aby sa zmena témy nechtiac nestala zmenou postavy.
Vydanie S1 medzi podporovanými jazykmi uvádza angličtinu, čínštinu, japončinu, nemčinu, francúzštinu, španielčinu, kórejčinu, arabčinu, ruštinu, holandčinu, taliančinu, poľštinu a portugalčinu a opisuje miešanie jazykov v scenári. Dodajte znenie v cieľovom jazyku a nepovažujte syntézu reči za prekladový krok. Pri pasáži s prevzatým menom alebo prepnutím jazyka zachovajte jasný zápis aj okolitý vetný kontext a skontrolujte, ako zvolený hlas zvláda prechod.
Rozhranie výrobcu S1 podporuje jedného hovoriaceho na požiadavku syntézy. Dialóg možno pripraviť ako samostatné segmenty s vlastnými hlasovými referenciami a následne zostaviť aplikáciou; natívna syntéza viacerých hovoriacich rodiny S2 je samostatná schopnosť. Pri príprave replík postáv uchovajte úlohu, hlas a text spolu s každým segmentom. Výsledok syntézy je zvukovým prednesom scenára, kým načasovanie výmeny alebo spojenie s hudbou a videom je neskorším krokom úprav.
Výstupné možnosti zahŕňajú MP3, WAV, surový PCM a Opus, pričom MP3 je predvolený. Dokumentovaný výstup je mono; WAV a PCM používajú 16-bitové vzorky a voľby vzorkovacej frekvencie sa líšia podľa formátu. MP3 podporuje 64, 128 a 192 kbps, kým Opus používa 48 kHz. Rýchlosť možno nastaviť od 0.5 do 2.0 s ovládaním hlasitosti. Pre výsledný komentár vyberte kódovaný súbor alebo vhodný stream na prehrávanie a s výsledkom uchovajte zvolený hlas a scenár.
Výrobca spracúva dlhý text po častiach s dokumentovaným rozsahom dĺžky časti 100–300 a rozpočtom zvukových tokenov na časť, nie s garantovanou celkovou dĺžkou nahrávky. Normalizácia textu môže rozvinúť anglické a čínske čísla do prirodzeného čítania a penalizácia opakovania S1 môže znížiť opakované zvukové vzory. Normalizácia hlasitosti výstupu je iné nastavenie a na S1 nemá účinok. Pred zostavením hotovej pasáže skontrolujte výslovnosť, hranice fráz, opakované zvuky a zamýšľaný emocionálny posun; potom upravte konkrétnu repliku alebo referenciu vyžadujúcu pozornosť.
Ailoot Ultra · Syntéza reči POST /v1/audio/speech fish-audio/s1
fish-audio/s1Úvod
Fish Audio S1 mení viacjazyčné scenáre na expresívny zvuk jedného hovoriaceho pomocou hlasových referencií a emocionálnych podnetov v okrúhlych zátvorkách. Použite ho na rozprávanie, krátke hovorené pokyny alebo repliky postáv s ovládaním formátu a prozódie hotového zvuku.
- Povolené vstupy
- Text
- Výsledky
- Audio
Dostupné v Ailoot · vstupy a metódy
Ailoot Ultra · Syntéza reči POST /v1/audio/speech
- Vstup
text- Výstup
audio- Výstupný formát
- skutočný deklarovaný binárny zvuk
| Pole | Typ | Požiadavka | Hodnoty a limity | Predvolené |
|---|---|---|---|---|
Polemodel | Typstring | PožiadavkaPovinné | Hodnoty a limity fish-audio/s1 | Predvolené— |
Poleinput | Typstring | PožiadavkaPovinné | Hodnoty a limity Minimálna dĺžka: 1 | Predvolené— |
Polevoice | Typstring | PožiadavkaPovinné | Hodnoty a limity Príklady: b347db033a6549378b48d00acb0d06cd | Predvolené— |
Poleresponse_format | Typstring | PožiadavkaVoliteľné | Hodnoty a limity mp3, pcm | Predvolenépcm |
Kombinácie vstupných podkladov
text_to_speech · Povinné: actual UTF-8 script, exact supported voice
Parametre a životný cyklus metódy
| Parameter | Špecifikácia |
|---|---|
Parametercontent_type | Špecifikáciaapplication/json |
Parameterrequired | Špecifikáciamodel, input, voice |
Parametermaterial_types | Špecifikáciatext |
Parametervoice_ids | Špecifikáciab347db033a6549378b48d00acb0d06cd |
Parametervoice_list_exhaustive | Špecifikáciafalse |
Parameterresponse_format | Špecifikáciamp3, pcm |
Parameterdefault_response_format | Špecifikáciapcm |
Parameterquantity | ŠpecifikáciaBajty UTF-8 jedného dekódovaného vstupného reťazca; bez orezávania a normalizácie |
Parameternative_byte_quote_controls | ŠpecifikáciaNeprázdne instructions a vstup striedajúcich sa replík viacerých hovoriacich sa na tejto presnej ceste cenovej ponuky podľa bajtov zamietajú, kým nie je deklarovaný dodatočný účtovaný text. |
Životný cyklus: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · skutočne vrátené task_id alebo záznam v knižnici médií
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Použite presný model a zdokumentované vstupné polia.
Zachovajte celú odpoveď, každý skutočný výstup a pôvodné vrátené ID.
Cenník
Tarifné údaje nepridávajú možnosti požiadavky. Podporované parametre sú uvedené pri vybranej metóde.
- Rýchly režim
- Neuvedené Keď je zvolený rýchly režim
- Režim Flex
- Neuvedené Keď je zvolený režim flex
- Maximálna úroveň uvažovania
- Neuvedené Keď sa pri maximálnej úrovni uvažovania používa predvolená úprava (default)
Sadzby Ailoot
Ceny podľa konfigurácie
Každý poplatok priraďte k zobrazeným podmienkam. Pre každú skupinu alternatívnych konfigurácií použite jednu sadzbu.
| Konfigurácia | Sadzobník | Účtovacia jednotka | Poplatok |
|---|---|---|---|
| KonfiguráciaZákladné sadzby za tokeny | SadzobníkZákladná sadzba | Účtovacia jednotka— | Poplatok Vstup · Vstupné tokeny — / 1K tokenov Výstup · Výstupné tokeny — / 1K tokenov Vstup · Čítanie cache — / 1K tokenov Vstup · Zápis do cache — / 1K tokenov Vstup · Zápis do cache, 1 hod — / 1K tokenov |
| KonfiguráciaUltra | Sadzobník— | Účtovacia jednotkaza bajt vstupného audia utf8 | Poplatok Vstup · vstupný zvukový bajt UTF-8 $0.00003 za bajt vstupného audia utf8 |
Ailoot pred požiadavkou rezervuje odhadovanú sumu. Po získaní výsledku vyúčtuje konečný poplatok podľa nameraného využitia. Pri streamovaní sa vyúčtovanie riadi konečným záznamom využitia. Ako funguje rezervácia a vyúčtovanie →
Podrobnosti referenčnej tarify
Referenčné sadzobníky modelu nemenia výber metódy, cenové odhady ani poplatky. Aktívne poplatky používajú sadzby vybranej metódy Ailoot.
Fish Audio: S1
Ceny podľa konfigurácie
| Konfigurácia | Podmienky účtovania | Poplatok |
|---|---|---|
| KonfiguráciaFish Audio: S1 · Predvolená konfigurácia | Podmienky účtovaniaPredvolená konfigurácia | Poplatok Vstup · Vstupné bajty UTF-8 0,00003 USD za vstupný bajt UTF-8 |
Príklady požiadaviek
Ailoot Ultra · Syntéza reči
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
request={'model': 'fish-audio/s1', 'input': 'Hello world', 'voice': 'b347db033a6549378b48d00acb0d06cd', 'response_format': 'mp3'}
Path('request.json').write_text(json.dumps(request,ensure_ascii=False),encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \
-H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o response.bin
# Keep the complete original response and headers. Read every returned segment, word and usage field.
# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.
Prijať a uložiť výsledky
Ailoot Ultra · Syntéza reči
skutočný deklarovaný binárny zvuk
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Uchovať všetky dokončené výsledky
Uložte každú úplnú vrátenú odpoveď, súbor a časť obsahu.
Uložte všetky binárne bajty a všetky pôvodné hlavičky; ak sa vráti JSON, zachovajte ho celý. Skutočné ID operácií a súborov sa zachovávajú.
Ak treba overiť pôvodnú odpoveď
Zachovajte pôvodné operation_id/X-Client-Request-ID a pôvodnú odpoveď. Načítajte skutočné záznamy úloh a súborov vo vašom vlastníctve bez opätovného odoslania; nevytvára sa žiadna osobitná URL na zisťovanie stavu zvuku.
Polia odpovede
| Pole | Typ |
|---|---|
Polebinary audio | Typbytes |
Poleresponse headers | Typheaders |
Aliasy
Aliasy modelov
Ailoot Ultra fish-audio/s1
Aliasy ciest metód
Použite cesty metód uvedené vyššie.
Súvisiace ID na volanie
FAQ · Fish Audio: S1
- Aké vstupy a výsledky sú dostupné?
POST /v1/audio/speech·fish-audio/s1:text→audio- Aké polia používa požiadavka?
POST /v1/audio/speech·fish-audio/s1:model,input,voice,response_format