Fish Audio: S1

S1 är Fish Audios föregående generations text-till-tal-modell för uttrycksfull berättarröst och röstutdata med en enda talare. Den läser ett angivet manus och returnerar ljud med en vald eller referensstyrd röst. Den fullständiga S1-modellen skiljer sig från S1-mini, den mindre destillerade modellen; producenten presenterar dem som varianter med 4 miljarder respektive 0,5 miljarder parametrar. Den här profilen gäller den namngivna S1-modellen.

För berättarröst förbereder du de ord som faktiskt ska uttalas och markerar var framförandet ska ändras. Ett användbart manus för en förklaring anger huvudpoängen först, utvecklar en idé i taget och använder interpunktion för att skilja fraser som behöver en naturlig paus. Håll formuleringen tydlig för en kort instruktion som hörs utan skärm. Bevara avsedd läsning av namn, förkortningar och enheter och kontrollera tal i det upplästa resultatet i stället för att anta att en visuellt läsbar sträng bara har ett uttal.

S1 använder känslo- och framförandesignaler inom parentes, till exempel (angry), (sad), (in a hurry) eller (chuckling). Placera en signal före meningen eller frasen den ska påverka, med faktiskt tal efter den. Framförandet hör till texten som följer, så ett stämningsskifte ska stå där framförandet behöver ändras. Syntaxen skiljer sig från S2:s anvisningar inom hakparenteser; skriv manuset för den valda generationen i stället för att anta att de två märkningsformerna är utbytbara.

En röst kan väljas genom en sparad röstidentifierare eller styras från en referensinspelning tillsammans med dess transkription. För ett direkt referensarbetsflöde rekommenderar den allmänna talguiden ett rent prov på 10–30 sekunder. Välj ett prov vars talstil och inspelningskvalitet passar det avsedda resultatet och låt transkriptionen matcha orden i provet. Återanvänd samma röstreferens mellan avsnitt för en återkommande berättare så att ett ämnesbyte inte oavsiktligt blir ett karaktärsbyte.

S1-utgåvan anger engelska, kinesiska, japanska, tyska, franska, spanska, koreanska, arabiska, ryska, nederländska, italienska, polska och portugisiska bland de språk som stöds och beskriver blandning av språk i ett manus. Ange ordalydelsen på målspråket i stället för att behandla talsyntes som ett översättningssteg. För ett avsnitt med ett lånat namn eller språkbyte håller du stavningen och det omgivande meningssammanhanget tydliga och granskar hur den valda rösten hanterar övergången.

S1:s producentgränssnitt stöder en talare per syntesbegäran. En dialog kan förberedas som separata segment med egna röstreferenser och sedan sammanställas av applikationen; inbyggd syntes med flera talare i S2-familjen är en separat förmåga. Håll roll, röst och text kopplade till varje segment när du förbereder karaktärsrepliker. Syntesresultatet är ett ljudframförande av manuset, medan timing av ett samtal eller kombination med musik och video är ett senare redigeringssteg.

Utdataalternativen omfattar MP3, WAV, rå PCM och Opus, med MP3 som standard. Dokumenterade utdata är mono; WAV och PCM använder 16-bitars sampel och formatspecifika val av samplingsfrekvens varierar. MP3 stöder 64, 128 och 192 kbps, medan Opus använder 48 kHz. Hastigheten kan justeras från 0.5 till 2.0 med volymkontroller. Välj en kodad fil för en voice-over-leverans eller en lämplig ström för uppspelning, och spara vald röst och manus tillsammans med resultatet.

Producenten bearbetar lång text i delar, med ett dokumenterat intervall för dellängd på 100–300 och en ljudtokenbudget per del snarare än en garanterad total inspelningslängd. Textnormalisering kan utveckla engelska och kinesiska tal till naturlig läsning, och S1:s repetitionsstraff kan minska upprepade ljudmönster. Normalisering av utdataljudets ljudstyrka är en annan inställning och har ingen effekt på S1. Granska uttal, frasgränser, upprepade ljud och avsett känsloskifte innan det färdiga avsnittet sätts samman och revidera sedan den specifika replik eller referens som behöver åtgärdas.