S2.1 Pro är Fish Audios senare text-till-tal-modell i S2-generationen för uttrycksfull berättarröst och röstbaserade samtalsapplikationer. Den förbättrar talkvalitet, latens och genomströmning jämfört med S2 Pro och behåller kontroll av framförandet på naturligt språk samt inbyggd dialog med flera talare. S2.1 Pro och S2.1 Pro Free delar den underliggande talmodellen.
För en uppläst förklaring anger du den färdiga ordalydelsen, den avsedda rösten och de ögonblick då takt eller betoning ska ändras. För en samtalsapplikation syntetiserar du det svar som applikationen har valt och håller dess faktainnehåll åtskilt från anvisningar för framförandet. För ett manusbundet samtal definierar du talarna och deras röster innan du skriver deras turer. Ett användbart resultat är ett komplett ljudavsnitt eller en spelbar ström vars ord, framförande och talarroller motsvarar detta underlag.
Skriv de ord som faktiskt ska uttalas och placera sedan en instruktion omedelbart före det avsnitt vars framförande ska ändras. Anvisningar inom hakparenteser kan uttrycka en viskning, en paus, en reaktion, betoning eller en fritt beskriven talstil. Placera en ändring mitt i en mening där framförandet behöver den och låt beskrivande anvisningar följas av faktiskt tal. Ett användbart underlag för en förklarande uppläsning skiljer faktainnehållets ordalydelse från den värme, takt eller betoning som lyssnaren ska få uppleva.
För en talare väljer du en sparad röstidentifierare eller anger en referensinspelning med dess transkription. Tillverkarens talguide rekommenderar ett rent prov på 10–30 sekunder för direkt röstanpassning. Välj en referens vars ton och inspelningskvalitet passar manuset och bevara samma referens i sammanhängande avsnitt. Röstreferensen ger talaren dess klang; texten och de infogade anvisningarna anger innehållet och framförandet.
Inbyggd syntes med flera talare använder markörer som <|speaker:0|> och <|speaker:1|> tillsammans med en ordnad array av röstidentifierare eller separata referensgrupper. Håll de numeriska talaretiketterna i linje med denna ordning. För ett instruerande samtal skriver du varje talares replik och placerar anvisningen för framförandet efter talarmarkören där den hör hemma. Detta skapar en dialog inom en enda begäran; arbetsflödet skiljer sig från S1:s separata segment med en talare och efterföljande sammanfogning.
Tillverkarens arbetsflöde erbjuder utdata i MP3, WAV, rå PCM och Opus, med MP3 som standard. MP3 stöder 64, 128 och 192 kbps; WAV och PCM använder dokumenterade 16-bitars monoformat för ljudsampling, medan Opus använder 48 kHz. Välj formatet för en sparad berättarröstfil, strömmad uppspelning eller en efterföljande ljudpipeline. Behåll hela manuset och röstvalet tillsammans med ljudet så att en senare redigering kan behandla en replik utan att tappa det avsedda framförandet.
Hastigheten kan justeras från 0,5 till 2,0, med volymkontroller. Textnormalisering skriver ut engelska och kinesiska tal för naturlig uppläsning. Normalisering av utdataljudets upplevda ljudstyrka har standardvärdet true och tillämpas på S2-familjen; samma fält hade ingen effekt på S1. S1:s repetition_penalty ändrar inte ljudet från S2.1 Pro, så en gammal inställning bör inte behandlas som en fungerande kontroll för denna modell. Granska upprepade ljud och formuleringar direkt i stället för att förlita dig på en ärvd parameter som bevis för resultatet.
Längre manus bearbetas i delar. Det dokumenterade intervallet för dellängd är 100–300, och max_new_tokens är en budget för ljudtoken per del snarare än en garanti för den totala längden. Anpassning utifrån föregående del kan föra röstkontexten vidare. Tillverkarens leveransflöde beskriver komplett ljud, successiva ljuddelar och direkt strömning av text när manuset kommer stegvis. Välj hur applikationen ska ta emot resultatet och bevara tillräcklig manuskontext för uttal och ton i nästa avsnitt.
För ett användbart slutresultat ska du lyssna efter utelämnade eller upprepade ord, uttal av tal, talarbyten, pauser och anvisningarnas intensitet. Olika röstreferenser kan tolka en anvisning med olika styrka, så börja med en enkel regisserad replik innan du lägger till konkurrerande taggar. Vid flerspråkigt arbete anger du manuset på målspråket i stället för att be talmodellen hitta på eller översätta innehållet. En fokuserad korrigering ändrar den replik, anvisning eller referens som orsakar avvikelsen och behåller de delar av framförandet som redan passar underlaget.
", "aboutText": "S2.1 Pro är Fish Audios senare text-till-tal-modell i S2-generationen för uttrycksfull berättarröst och röstbaserade samtalsapplikationer. Den förbättrar talkvalitet, latens och genomströmning jämfört med S2 Pro och behåller kontroll av framförandet på naturligt språk samt inbyggd dialog med flera talare. S2.1 Pro och S2.1 Pro Free delar den underliggande talmodellen.\n\nFör en uppläst förklaring anger du den färdiga ordalydelsen, den avsedda rösten och de ögonblick då takt eller betoning ska ändras. För en samtalsapplikation syntetiserar du det svar som applikationen har valt och håller dess faktainnehåll åtskilt från anvisningar för framförandet. För ett manusbundet samtal definierar du talarna och deras röster innan du skriver deras turer. Ett användbart resultat är ett komplett ljudavsnitt eller en spelbar ström vars ord, framförande och talarroller motsvarar detta underlag.\n\nSkriv de ord som faktiskt ska uttalas och placera sedan en instruktion omedelbart före det avsnitt vars framförande ska ändras. Anvisningar inom hakparenteser kan uttrycka en viskning, en paus, en reaktion, betoning eller en fritt beskriven talstil. Placera en ändring mitt i en mening där framförandet behöver den och låt beskrivande anvisningar följas av faktiskt tal. Ett användbart underlag för en förklarande uppläsning skiljer faktainnehållets ordalydelse från den värme, takt eller betoning som lyssnaren ska få uppleva.\n\nFör en talare väljer du en sparad röstidentifierare eller anger en referensinspelning med dess transkription. Tillverkarens talguide rekommenderar ett rent prov på 10–30 sekunder för direkt röstanpassning. Välj en referens vars ton och inspelningskvalitet passar manuset och bevara samma referens i sammanhängande avsnitt. Röstreferensen ger talaren dess klang; texten och de infogade anvisningarna anger innehållet och framförandet.\n\nInbyggd syntes med flera talare använder markörer som <|speaker:0|> och <|speaker:1|> tillsammans med en ordnad array av röstidentifierare eller separata referensgrupper. Håll de numeriska talaretiketterna i linje med denna ordning. För ett instruerande samtal skriver du varje talares replik och placerar anvisningen för framförandet efter talarmarkören där den hör hemma. Detta skapar en dialog inom en enda begäran; arbetsflödet skiljer sig från S1:s separata segment med en talare och efterföljande sammanfogning.\n\nTillverkarens arbetsflöde erbjuder utdata i MP3, WAV, rå PCM och Opus, med MP3 som standard. MP3 stöder 64, 128 och 192 kbps; WAV och PCM använder dokumenterade 16-bitars monoformat för ljudsampling, medan Opus använder 48 kHz. Välj formatet för en sparad berättarröstfil, strömmad uppspelning eller en efterföljande ljudpipeline. Behåll hela manuset och röstvalet tillsammans med ljudet så att en senare redigering kan behandla en replik utan att tappa det avsedda framförandet.\n\nHastigheten kan justeras från 0,5 till 2,0, med volymkontroller. Textnormalisering skriver ut engelska och kinesiska tal för naturlig uppläsning. Normalisering av utdataljudets upplevda ljudstyrka har standardvärdet true och tillämpas på S2-familjen; samma fält hade ingen effekt på S1. S1:s repetition_penalty ändrar inte ljudet från S2.1 Pro, så en gammal inställning bör inte behandlas som en fungerande kontroll för denna modell. Granska upprepade ljud och formuleringar direkt i stället för att förlita dig på en ärvd parameter som bevis för resultatet.\n\nLängre manus bearbetas i delar. Det dokumenterade intervallet för dellängd är 100–300, och max_new_tokens är en budget för ljudtoken per del snarare än en garanti för den totala längden. Anpassning utifrån föregående del kan föra röstkontexten vidare. Tillverkarens leveransflöde beskriver komplett ljud, successiva ljuddelar och direkt strömning av text när manuset kommer stegvis. Välj hur applikationen ska ta emot resultatet och bevara tillräcklig manuskontext för uttal och ton i nästa avsnitt.\n\nFör ett användbart slutresultat ska du lyssna efter utelämnade eller upprepade ord, uttal av tal, talarbyten, pauser och anvisningarnas intensitet. Olika röstreferenser kan tolka en anvisning med olika styrka, så börja med en enkel regisserad replik innan du lägger till konkurrerande taggar. Vid flerspråkigt arbete anger du manuset på målspråket i stället för att be talmodellen hitta på eller översätta innehållet. En fokuserad korrigering ändrar den replik, anvisning eller referens som orsakar avvikelsen och behåller de delar av framförandet som redan passar underlaget.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "0409043f0f34b6c8abc431de7cf2a5589de99ffb8c90c857f2da301abc1228e8", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "sv", "methods": [ { "html": "fish-audio/s2.1-proFish Audio S2.1 Pro skapar uttrycksfullt flerspråkigt tal och inbyggd dialog med flera talare, med förbättringar jämfört med S2 Pro i kvalitet, latens och genomströmning. Regissera framförandet i manuset och använd röstreferenser för att skapa berättarröst eller samtalsljud.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
S2.1 Pro är Fish Audios senare text-till-tal-modell i S2-generationen för uttrycksfull berättarröst och röstbaserade samtalsapplikationer. Den förbättrar talkvalitet, latens och genomströmning jämfört med S2 Pro och behåller kontroll av framförandet på naturligt språk samt inbyggd dialog med flera talare. S2.1 Pro och S2.1 Pro Free delar den underliggande talmodellen.
För en uppläst förklaring anger du den färdiga ordalydelsen, den avsedda rösten och de ögonblick då takt eller betoning ska ändras. För en samtalsapplikation syntetiserar du det svar som applikationen har valt och håller dess faktainnehåll åtskilt från anvisningar för framförandet. För ett manusbundet samtal definierar du talarna och deras röster innan du skriver deras turer. Ett användbart resultat är ett komplett ljudavsnitt eller en spelbar ström vars ord, framförande och talarroller motsvarar detta underlag.
Skriv de ord som faktiskt ska uttalas och placera sedan en instruktion omedelbart före det avsnitt vars framförande ska ändras. Anvisningar inom hakparenteser kan uttrycka en viskning, en paus, en reaktion, betoning eller en fritt beskriven talstil. Placera en ändring mitt i en mening där framförandet behöver den och låt beskrivande anvisningar följas av faktiskt tal. Ett användbart underlag för en förklarande uppläsning skiljer faktainnehållets ordalydelse från den värme, takt eller betoning som lyssnaren ska få uppleva.
För en talare väljer du en sparad röstidentifierare eller anger en referensinspelning med dess transkription. Tillverkarens talguide rekommenderar ett rent prov på 10–30 sekunder för direkt röstanpassning. Välj en referens vars ton och inspelningskvalitet passar manuset och bevara samma referens i sammanhängande avsnitt. Röstreferensen ger talaren dess klang; texten och de infogade anvisningarna anger innehållet och framförandet.
Inbyggd syntes med flera talare använder markörer som <|speaker:0|> och <|speaker:1|> tillsammans med en ordnad array av röstidentifierare eller separata referensgrupper. Håll de numeriska talaretiketterna i linje med denna ordning. För ett instruerande samtal skriver du varje talares replik och placerar anvisningen för framförandet efter talarmarkören där den hör hemma. Detta skapar en dialog inom en enda begäran; arbetsflödet skiljer sig från S1:s separata segment med en talare och efterföljande sammanfogning.
Tillverkarens arbetsflöde erbjuder utdata i MP3, WAV, rå PCM och Opus, med MP3 som standard. MP3 stöder 64, 128 och 192 kbps; WAV och PCM använder dokumenterade 16-bitars monoformat för ljudsampling, medan Opus använder 48 kHz. Välj formatet för en sparad berättarröstfil, strömmad uppspelning eller en efterföljande ljudpipeline. Behåll hela manuset och röstvalet tillsammans med ljudet så att en senare redigering kan behandla en replik utan att tappa det avsedda framförandet.
Hastigheten kan justeras från 0,5 till 2,0, med volymkontroller. Textnormalisering skriver ut engelska och kinesiska tal för naturlig uppläsning. Normalisering av utdataljudets upplevda ljudstyrka har standardvärdet true och tillämpas på S2-familjen; samma fält hade ingen effekt på S1. S1:s repetition_penalty ändrar inte ljudet från S2.1 Pro, så en gammal inställning bör inte behandlas som en fungerande kontroll för denna modell. Granska upprepade ljud och formuleringar direkt i stället för att förlita dig på en ärvd parameter som bevis för resultatet.
Längre manus bearbetas i delar. Det dokumenterade intervallet för dellängd är 100–300, och max_new_tokens är en budget för ljudtoken per del snarare än en garanti för den totala längden. Anpassning utifrån föregående del kan föra röstkontexten vidare. Tillverkarens leveransflöde beskriver komplett ljud, successiva ljuddelar och direkt strömning av text när manuset kommer stegvis. Välj hur applikationen ska ta emot resultatet och bevara tillräcklig manuskontext för uttal och ton i nästa avsnitt.
För ett användbart slutresultat ska du lyssna efter utelämnade eller upprepade ord, uttal av tal, talarbyten, pauser och anvisningarnas intensitet. Olika röstreferenser kan tolka en anvisning med olika styrka, så börja med en enkel regisserad replik innan du lägger till konkurrerande taggar. Vid flerspråkigt arbete anger du manuset på målspråket i stället för att be talmodellen hitta på eller översätta innehållet. En fokuserad korrigering ändrar den replik, anvisning eller referens som orsakar avvikelsen och behåller de delar av framförandet som redan passar underlaget.
POST /v1/audio/speechtextaudio| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser fish-audio/s2.1-pro | Standard— |
Fältinput | Typstring | KravObligatoriskt | Värden & gränser Minsta längd: 1 | Standard— |
Fältvoice | Typstring | KravObligatoriskt | Värden & gränser b347db033a6549378b48d00acb0d06cd Minsta längd: 1 | Standard— |
Fältresponse_format | Typstring | KravValfritt | Värden & gränser mp3, pcm | Standardpcm |
Fältprovider | Typobject | KravValfritt | Värden & gränser | Standard— |
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, input, voice |
Parametermaterial_types | Avtaltext |
Livscykel: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · Det task_id som faktiskt returnerades eller en post i mediebiblioteket
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Debiteringsenhet | Avgift |
|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Debiteringsenhet— | Avgift Indata · Indatatoken — / 1K token Utdata · Utdatatoken — / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationUTF-8-byte i indata | Prislista— | Debiteringsenhetper UTF-8-byte indata | Avgift Indata · UTF-8-byte i indata $0.00003 per UTF-8-byte indata |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.\nFullständigt binärt ljud eller ursprungligt audio_url-svar, svarshuvuden och varje tillgång som du äger.
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}set -eu\n: "${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.\nBehåll varje fullständigt returnerat svar, fil och innehållsdel.
Spara hela svaret med headers, samtliga faktiska resultat, de ursprungliga returnerade identifierarna och alla användningsfält. Hämta den ursprungliga operationen utan att skicka skapandeförfrågan igen.
Behåll det returnerade värdet för X-Client-Request-ID för avstämning. Läs endast av resultat via de task_id/asset_id-värden som faktiskt returnerades eller via det mediebibliotek som tillhör dig. Bygg aldrig en uppgifts-URL från operations-ID:t och skicka aldrig skapandeförfrågan igen.
Ailoot Ultra fish-audio/s2.1-pro
Använd metodsökvägarna som visas ovan.