S2.1 Pro je neskorší model generácie S2 od Fish Audio na prevod textu na reč pre expresívny komentár a konverzačné hlasové aplikácie. Oproti S2 Pro zlepšuje kvalitu reči, latenciu a priepustnosť a zachováva ovládanie prednesu prirodzeným jazykom aj natívny dialóg viacerých hovoriacich. S2.1 Pro a S2.1 Pro Free zdieľajú základný rečový model.
Pri hovorenom vysvetlení dodajte hotové znenie, zamýšľaný hlas a miesta, kde sa má meniť tempo alebo dôraz. Pri konverzačnej aplikácii syntetizujte odpoveď vybranú aplikáciou a oddeľujte jej vecný obsah od pokynov na prednes. Pri scenárovom rozhovore definujte hovoriacich a ich hlasy pred písaním replík. Užitočným výsledkom je úplná zvuková pasáž alebo prehrateľný stream, ktorého slová, prednes a roly hovoriacich zodpovedajú zadaniu.
Napíšte slová, ktoré majú skutočne zaznieť, a pokyn umiestnite bezprostredne pred pasáž, ktorej prednes sa má zmeniť. Pokyny v hranatých zátvorkách môžu vyjadrovať šepot, pauzu, reakciu, dôraz alebo voľne opísaný štýl reči. Zmenu uprostred vety vložte na miesto, kde ju prednes vyžaduje, a po opisných pokynoch uveďte skutočný hovorený text. Užitočné zadanie vysvetľujúcej nahrávky oddeľuje vecné znenie od požadovanej srdečnosti, tempa či dôrazu pre poslucháča.
Pri jednom hovoriacom vyberte uložený identifikátor hlasu alebo dodajte referenčnú nahrávku s jej prepisom. Príručka výrobcu pre syntézu reči odporúča na okamžité prispôsobenie hlasu čistú vzorku dlhú 10–30 sekúnd. Vyberte referenciu s tónom a kvalitou záznamu vhodnými pre scenár a pri súvisiacich pasážach zachovajte tú istú referenciu. Hlasová referencia určuje zvuk hlasu hovoriaceho; text a vložené pokyny určujú obsah a jeho prednes.
Natívna syntéza s viacerými hovoriacimi používa značky ako <|speaker:0|> a <|speaker:1|> spolu s usporiadaným poľom identifikátorov hlasov alebo samostatnými skupinami referencií. Číselné označenia hovoriacich musia zodpovedať tomuto poradiu. Pri výučbovom rozhovore napíšte repliku každého hovoriaceho a pokyn na prednes vložte za značku hovoriaceho na príslušné miesto. Takto vzniká dialóg v jednej požiadavke; ide o iný postup než samostatné jednohlasové úseky S1 a ich následné zostavenie.
Postup výrobcu ponúka výstup vo formátoch MP3, WAV, surový PCM a Opus, pričom predvolený je MP3. MP3 podporuje 64, 128 a 192 kbps; WAV a PCM používajú zdokumentované 16-bitové monofónne formáty vzoriek, zatiaľ čo Opus používa 48 kHz. Formát vyberte podľa toho, či potrebujete uchovaný súbor s komentárom, streamované prehrávanie alebo nadväzujúce spracovanie zvuku. Spolu so zvukom uchovajte celý scenár a výber hlasu, aby neskoršia úprava jednej repliky nenarušila zamýšľaný prednes.
Rýchlosť možno nastaviť od 0,5 do 2,0 a k dispozícii je aj ovládanie hlasitosti. Normalizácia textu rozpisuje anglické a čínske číselné zápisy pre prirodzené čítanie. Normalizácia hlasitosti výstupu má predvolenú hodnotu true a uplatňuje sa v rodine S2; rovnaké pole v S1 nemalo účinok. Parameter repetition_penalty zo S1 nemení zvuk S2.1 Pro, preto staré nastavenie nemožno považovať za účinný ovládací prvok tohto modelu. Opakované zvuky a slová kontrolujte priamo, namiesto spoliehania sa na prevzatý parameter ako dôkaz správneho výsledku.
Dlhšie scenáre sa spracúvajú po častiach. Zdokumentovaný rozsah dĺžky časti je 100–300 a max_new_tokens predstavuje rozpočet zvukových tokenov pre jednu časť, nie záruku celkového trvania. Podmieňovanie predchádzajúcou časťou môže prenášať hlasový kontext ďalej. Postup doručenia výrobcu opisuje úplný zvukový výstup, postupné zvukové časti aj živé streamovanie textu, keď scenár prichádza priebežne. Spôsob prijímania vyberte podľa aplikácie a zachovajte dostatok kontextu scenára pre výslovnosť a tón nasledujúcej pasáže.
Pri kontrole užitočného výsledného súboru počúvajte, či nechýbajú alebo sa neopakujú slová, či sú čísla vyslovené správne a či zodpovedajú zmeny hovoriacich, pauzy a intenzita pokynov. Rôzne hlasové referencie môžu ten istý pokyn interpretovať s rôznou intenzitou, preto pred pridaním konkurenčných značiek začnite jednoduchou replikou s pokynom. Pri viacjazyčnej práci dodajte scenár v cieľovom jazyku a nežiadajte rečový model, aby jeho obsah vymýšľal alebo prekladal. Cielená úprava mení repliku, pokyn alebo referenciu zodpovednú za nesúlad a zachováva časti prednesu, ktoré už zadaniu vyhovujú.
", "aboutText": "S2.1 Pro je neskorší model generácie S2 od Fish Audio na prevod textu na reč pre expresívny komentár a konverzačné hlasové aplikácie. Oproti S2 Pro zlepšuje kvalitu reči, latenciu a priepustnosť a zachováva ovládanie prednesu prirodzeným jazykom aj natívny dialóg viacerých hovoriacich. S2.1 Pro a S2.1 Pro Free zdieľajú základný rečový model.\n\nPri hovorenom vysvetlení dodajte hotové znenie, zamýšľaný hlas a miesta, kde sa má meniť tempo alebo dôraz. Pri konverzačnej aplikácii syntetizujte odpoveď vybranú aplikáciou a oddeľujte jej vecný obsah od pokynov na prednes. Pri scenárovom rozhovore definujte hovoriacich a ich hlasy pred písaním replík. Užitočným výsledkom je úplná zvuková pasáž alebo prehrateľný stream, ktorého slová, prednes a roly hovoriacich zodpovedajú zadaniu.\n\nNapíšte slová, ktoré majú skutočne zaznieť, a pokyn umiestnite bezprostredne pred pasáž, ktorej prednes sa má zmeniť. Pokyny v hranatých zátvorkách môžu vyjadrovať šepot, pauzu, reakciu, dôraz alebo voľne opísaný štýl reči. Zmenu uprostred vety vložte na miesto, kde ju prednes vyžaduje, a po opisných pokynoch uveďte skutočný hovorený text. Užitočné zadanie vysvetľujúcej nahrávky oddeľuje vecné znenie od požadovanej srdečnosti, tempa či dôrazu pre poslucháča.\n\nPri jednom hovoriacom vyberte uložený identifikátor hlasu alebo dodajte referenčnú nahrávku s jej prepisom. Príručka výrobcu pre syntézu reči odporúča na okamžité prispôsobenie hlasu čistú vzorku dlhú 10–30 sekúnd. Vyberte referenciu s tónom a kvalitou záznamu vhodnými pre scenár a pri súvisiacich pasážach zachovajte tú istú referenciu. Hlasová referencia určuje zvuk hlasu hovoriaceho; text a vložené pokyny určujú obsah a jeho prednes.\n\nNatívna syntéza s viacerými hovoriacimi používa značky ako <|speaker:0|> a <|speaker:1|> spolu s usporiadaným poľom identifikátorov hlasov alebo samostatnými skupinami referencií. Číselné označenia hovoriacich musia zodpovedať tomuto poradiu. Pri výučbovom rozhovore napíšte repliku každého hovoriaceho a pokyn na prednes vložte za značku hovoriaceho na príslušné miesto. Takto vzniká dialóg v jednej požiadavke; ide o iný postup než samostatné jednohlasové úseky S1 a ich následné zostavenie.\n\nPostup výrobcu ponúka výstup vo formátoch MP3, WAV, surový PCM a Opus, pričom predvolený je MP3. MP3 podporuje 64, 128 a 192 kbps; WAV a PCM používajú zdokumentované 16-bitové monofónne formáty vzoriek, zatiaľ čo Opus používa 48 kHz. Formát vyberte podľa toho, či potrebujete uchovaný súbor s komentárom, streamované prehrávanie alebo nadväzujúce spracovanie zvuku. Spolu so zvukom uchovajte celý scenár a výber hlasu, aby neskoršia úprava jednej repliky nenarušila zamýšľaný prednes.\n\nRýchlosť možno nastaviť od 0,5 do 2,0 a k dispozícii je aj ovládanie hlasitosti. Normalizácia textu rozpisuje anglické a čínske číselné zápisy pre prirodzené čítanie. Normalizácia hlasitosti výstupu má predvolenú hodnotu true a uplatňuje sa v rodine S2; rovnaké pole v S1 nemalo účinok. Parameter repetition_penalty zo S1 nemení zvuk S2.1 Pro, preto staré nastavenie nemožno považovať za účinný ovládací prvok tohto modelu. Opakované zvuky a slová kontrolujte priamo, namiesto spoliehania sa na prevzatý parameter ako dôkaz správneho výsledku.\n\nDlhšie scenáre sa spracúvajú po častiach. Zdokumentovaný rozsah dĺžky časti je 100–300 a max_new_tokens predstavuje rozpočet zvukových tokenov pre jednu časť, nie záruku celkového trvania. Podmieňovanie predchádzajúcou časťou môže prenášať hlasový kontext ďalej. Postup doručenia výrobcu opisuje úplný zvukový výstup, postupné zvukové časti aj živé streamovanie textu, keď scenár prichádza priebežne. Spôsob prijímania vyberte podľa aplikácie a zachovajte dostatok kontextu scenára pre výslovnosť a tón nasledujúcej pasáže.\n\nPri kontrole užitočného výsledného súboru počúvajte, či nechýbajú alebo sa neopakujú slová, či sú čísla vyslovené správne a či zodpovedajú zmeny hovoriacich, pauzy a intenzita pokynov. Rôzne hlasové referencie môžu ten istý pokyn interpretovať s rôznou intenzitou, preto pred pridaním konkurenčných značiek začnite jednoduchou replikou s pokynom. Pri viacjazyčnej práci dodajte scenár v cieľovom jazyku a nežiadajte rečový model, aby jeho obsah vymýšľal alebo prekladal. Cielená úprava mení repliku, pokyn alebo referenciu zodpovednú za nesúlad a zachováva časti prednesu, ktoré už zadaniu vyhovujú.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "ee01a1e6ffcf18065dd85b794305bae05ab2653b316a1c88c159498622b6023b", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "sk", "methods": [ { "html": "fish-audio/s2.1-proFish Audio S2.1 Pro vytvára expresívnu viacjazyčnú reč a natívny dialóg viacerých hovoriacich, so zlepšenou kvalitou, latenciou a priepustnosťou oproti S2 Pro. Prednes riaďte priamo v scenári a hlasové referencie používajte na tvorbu komentára alebo konverzačného zvuku.
Tento opis pokrýva možnosti modelu. Dostupné vstupy, výstupy a voľby v Ailoot sú uvedené nižšie pre vybranú metódu.
S2.1 Pro je neskorší model generácie S2 od Fish Audio na prevod textu na reč pre expresívny komentár a konverzačné hlasové aplikácie. Oproti S2 Pro zlepšuje kvalitu reči, latenciu a priepustnosť a zachováva ovládanie prednesu prirodzeným jazykom aj natívny dialóg viacerých hovoriacich. S2.1 Pro a S2.1 Pro Free zdieľajú základný rečový model.
Pri hovorenom vysvetlení dodajte hotové znenie, zamýšľaný hlas a miesta, kde sa má meniť tempo alebo dôraz. Pri konverzačnej aplikácii syntetizujte odpoveď vybranú aplikáciou a oddeľujte jej vecný obsah od pokynov na prednes. Pri scenárovom rozhovore definujte hovoriacich a ich hlasy pred písaním replík. Užitočným výsledkom je úplná zvuková pasáž alebo prehrateľný stream, ktorého slová, prednes a roly hovoriacich zodpovedajú zadaniu.
Napíšte slová, ktoré majú skutočne zaznieť, a pokyn umiestnite bezprostredne pred pasáž, ktorej prednes sa má zmeniť. Pokyny v hranatých zátvorkách môžu vyjadrovať šepot, pauzu, reakciu, dôraz alebo voľne opísaný štýl reči. Zmenu uprostred vety vložte na miesto, kde ju prednes vyžaduje, a po opisných pokynoch uveďte skutočný hovorený text. Užitočné zadanie vysvetľujúcej nahrávky oddeľuje vecné znenie od požadovanej srdečnosti, tempa či dôrazu pre poslucháča.
Pri jednom hovoriacom vyberte uložený identifikátor hlasu alebo dodajte referenčnú nahrávku s jej prepisom. Príručka výrobcu pre syntézu reči odporúča na okamžité prispôsobenie hlasu čistú vzorku dlhú 10–30 sekúnd. Vyberte referenciu s tónom a kvalitou záznamu vhodnými pre scenár a pri súvisiacich pasážach zachovajte tú istú referenciu. Hlasová referencia určuje zvuk hlasu hovoriaceho; text a vložené pokyny určujú obsah a jeho prednes.
Natívna syntéza s viacerými hovoriacimi používa značky ako <|speaker:0|> a <|speaker:1|> spolu s usporiadaným poľom identifikátorov hlasov alebo samostatnými skupinami referencií. Číselné označenia hovoriacich musia zodpovedať tomuto poradiu. Pri výučbovom rozhovore napíšte repliku každého hovoriaceho a pokyn na prednes vložte za značku hovoriaceho na príslušné miesto. Takto vzniká dialóg v jednej požiadavke; ide o iný postup než samostatné jednohlasové úseky S1 a ich následné zostavenie.
Postup výrobcu ponúka výstup vo formátoch MP3, WAV, surový PCM a Opus, pričom predvolený je MP3. MP3 podporuje 64, 128 a 192 kbps; WAV a PCM používajú zdokumentované 16-bitové monofónne formáty vzoriek, zatiaľ čo Opus používa 48 kHz. Formát vyberte podľa toho, či potrebujete uchovaný súbor s komentárom, streamované prehrávanie alebo nadväzujúce spracovanie zvuku. Spolu so zvukom uchovajte celý scenár a výber hlasu, aby neskoršia úprava jednej repliky nenarušila zamýšľaný prednes.
Rýchlosť možno nastaviť od 0,5 do 2,0 a k dispozícii je aj ovládanie hlasitosti. Normalizácia textu rozpisuje anglické a čínske číselné zápisy pre prirodzené čítanie. Normalizácia hlasitosti výstupu má predvolenú hodnotu true a uplatňuje sa v rodine S2; rovnaké pole v S1 nemalo účinok. Parameter repetition_penalty zo S1 nemení zvuk S2.1 Pro, preto staré nastavenie nemožno považovať za účinný ovládací prvok tohto modelu. Opakované zvuky a slová kontrolujte priamo, namiesto spoliehania sa na prevzatý parameter ako dôkaz správneho výsledku.
Dlhšie scenáre sa spracúvajú po častiach. Zdokumentovaný rozsah dĺžky časti je 100–300 a max_new_tokens predstavuje rozpočet zvukových tokenov pre jednu časť, nie záruku celkového trvania. Podmieňovanie predchádzajúcou časťou môže prenášať hlasový kontext ďalej. Postup doručenia výrobcu opisuje úplný zvukový výstup, postupné zvukové časti aj živé streamovanie textu, keď scenár prichádza priebežne. Spôsob prijímania vyberte podľa aplikácie a zachovajte dostatok kontextu scenára pre výslovnosť a tón nasledujúcej pasáže.
Pri kontrole užitočného výsledného súboru počúvajte, či nechýbajú alebo sa neopakujú slová, či sú čísla vyslovené správne a či zodpovedajú zmeny hovoriacich, pauzy a intenzita pokynov. Rôzne hlasové referencie môžu ten istý pokyn interpretovať s rôznou intenzitou, preto pred pridaním konkurenčných značiek začnite jednoduchou replikou s pokynom. Pri viacjazyčnej práci dodajte scenár v cieľovom jazyku a nežiadajte rečový model, aby jeho obsah vymýšľal alebo prekladal. Cielená úprava mení repliku, pokyn alebo referenciu zodpovednú za nesúlad a zachováva časti prednesu, ktoré už zadaniu vyhovujú.
POST /v1/audio/speechtextaudio| Pole | Typ | Požiadavka | Hodnoty a limity | Predvolené |
|---|---|---|---|---|
Polemodel | Typstring | PožiadavkaPovinné | Hodnoty a limity fish-audio/s2.1-pro | Predvolené— |
Poleinput | Typstring | PožiadavkaPovinné | Hodnoty a limity Minimálna dĺžka: 1 | Predvolené— |
Polevoice | Typstring | PožiadavkaPovinné | Hodnoty a limity b347db033a6549378b48d00acb0d06cd Minimálna dĺžka: 1 | Predvolené— |
Poleresponse_format | Typstring | PožiadavkaVoliteľné | Hodnoty a limity mp3, pcm | Predvolenépcm |
Poleprovider | Typobject | PožiadavkaVoliteľné | Hodnoty a limity | Predvolené— |
| Parameter | Špecifikácia |
|---|---|
Parametercontent_type | Špecifikáciaapplication/json |
Parameterrequired | Špecifikáciamodel, input, voice |
Parametermaterial_types | Špecifikáciatext |
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}
Tarifné údaje nepridávajú možnosti požiadavky. Podporované parametre sú uvedené pri vybranej metóde.
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 |
| Konfiguráciavstupný bajt UTF-8 | Sadzobník— | Účtovacia jednotkaza vstupný bajt UTF-8 | Poplatok Vstup · vstupný bajt UTF-8 $0.00003 za vstupný bajt UTF-8 |
Ailoot pred požiadavkou rezervuje odhadovanú sumu. Po získaní výsledku vyúčtuje konečný poplatok podľa nameraného využitia. Pri streamovaní sa vyúčtovanie riadi konečným záznamom využitia. Ako funguje rezervácia a vyúčtovanie →
set -eu\n: "${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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.\nÚplný binárny zvuk alebo pôvodná odpoveď audio_url, hlavičky a každý súbor vo vašom vlastníctve.
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}set -eu\n: "${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.\nUložte každú úplnú vrátenú odpoveď, súbor a časť obsahu.
Uchovajte úplnú odpoveď a hlavičky, všetky skutočné výstupy, pôvodné vrátené identifikátory a všetky polia s údajmi o spotrebe. Obnovte pôvodnú operáciu bez opätovného odoslania požiadavky na vytvorenie.
Uchovajte vrátené X-Client-Request-ID na zosúladenie záznamov. Čítajte iba skutočne vrátené hodnoty task_id/asset_id alebo vlastnú knižnicu médií; nikdy nevytvárajte URL úlohy z ID operácie a nikdy znova neodosielajte požiadavku na vytvorenie.
Ailoot Ultra fish-audio/s2.1-pro
Použite cesty metód uvedené vyššie.