Fish Audio: S1

Fish Audio S1 เปลี่ยนบทหลายภาษาเป็นเสียงผู้พูดคนเดียวที่ถ่ายทอดอารมณ์ โดยใช้เสียงอ้างอิงและคำบอกอารมณ์ในวงเล็บ ใช้สำหรับการบรรยาย คำแนะนำแบบเสียงสั้น ๆ หรือบทตัวละคร พร้อมการควบคุมรูปแบบและทำนองเสียงของงานเสียงที่เสร็จแล้ว

Ailoot Ultra · การสังเคราะห์เสียงพูด POST /v1/audio/speech fish-audio/s1

เกี่ยวกับโมเดล

คำอธิบายนี้ครอบคลุมความสามารถของโมเดล อินพุต เอาต์พุต และตัวเลือกที่ใช้ได้ใน Ailoot แสดงด้านล่างตามเมธอดที่เลือก

S1 เป็นโมเดลแปลงข้อความเป็นเสียงรุ่นก่อนหน้าของ Fish Audio สำหรับการบรรยายที่ถ่ายทอดอารมณ์และเอาต์พุตเสียงผู้พูดคนเดียว โมเดลอ่านบทที่ป้อนและคืนเสียง โดยใช้เสียงที่เลือกหรือเสียงที่กำหนดด้วยเงื่อนไขจากข้อมูลอ้างอิง โมเดล S1 เต็มรุ่นต่างจาก S1-mini ซึ่งเป็นโมเดลกลั่นความรู้ขนาดเล็กกว่า ผู้พัฒนาแนะนำทั้งสองเป็นรุ่นสี่พันล้านและห้าร้อยล้านพารามิเตอร์ตามลำดับ ข้อมูลนี้กล่าวถึงโมเดลชื่อ S1

สำหรับการบรรยาย ให้เตรียมคำที่ควรพูดจริงและทำเครื่องหมายจุดที่ควรเปลี่ยนวิธีถ่ายทอด บทอธิบายที่มีประโยชน์เริ่มจากประเด็นหลัก พัฒนาทีละแนวคิด และใช้เครื่องหมายวรรคตอนแบ่งวลีที่ต้องหยุดตามธรรมชาติ สำหรับคำแนะนำสั้น ๆ ให้ถ้อยคำชัดเจนเมื่อฟังโดยไม่มีหน้าจอ รักษาวิธีอ่านชื่อ คำย่อ และหน่วยตามตั้งใจ และตรวจตัวเลขในเสียงเอาต์พุต แทนการสมมติว่าข้อความที่อ่านด้วยตาได้มีการออกเสียงเพียงแบบเดียว

S1 ใช้คำบอกอารมณ์และวิธีถ่ายทอดในวงเล็บ เช่น (angry), (sad), (in a hurry) หรือ (chuckling) วางคำบอกก่อนประโยคหรือวลีที่ควรได้รับอิทธิพล แล้วตามด้วยคำพูดจริง วิธีถ่ายทอดเป็นของข้อความที่ตามมา จึงควรเปลี่ยนอารมณ์ตรงจุดที่การแสดงต้องเปลี่ยน ไวยากรณ์นี้ต่างจากคำสั่งวงเล็บเหลี่ยมของ S2 ควรเขียนบทตามรุ่นที่เลือก ไม่ใช่ถือว่ารูปแบบเครื่องหมายทั้งสองใช้แทนกันได้

เลือกเสียงผ่านรหัสเสียงที่บันทึกไว้ หรือกำหนดเงื่อนไขด้วยเสียงบันทึกอ้างอิงพร้อมข้อความถอดเสียงของมัน สำหรับเวิร์กโฟลว์อ้างอิงทันที คู่มือเสียงทั่วไปแนะนำตัวอย่างสะอาดยาว 10–30 วินาที เลือกตัวอย่างที่สไตล์การพูดและคุณภาพการบันทึกเหมาะกับผลที่ต้องการ และทำให้ข้อความถอดเสียงตรงกับคำในตัวอย่าง สำหรับผู้บรรยายที่ใช้ซ้ำ ให้ใช้เสียงอ้างอิงเดิมตลอดแต่ละย่อหน้า เพื่อไม่ให้การเปลี่ยนหัวข้อกลายเป็นการเปลี่ยนบุคลิกโดยไม่ตั้งใจ

ประกาศ S1 ระบุอังกฤษ จีน ญี่ปุ่น เยอรมัน ฝรั่งเศส สเปน เกาหลี อาหรับ รัสเซีย ดัตช์ อิตาลี โปแลนด์ และโปรตุเกสในภาษาที่รองรับ และอธิบายการผสมภาษาในบท ส่งถ้อยคำภาษาเป้าหมาย ไม่ใช่ถือว่าการสังเคราะห์เสียงเป็นขั้นแปล สำหรับย่อหน้าที่มีชื่อยืมหรือการสลับภาษา ให้การสะกดและบริบทประโยครอบข้างชัดเจน แล้วตรวจว่าเสียงที่เลือกจัดการจุดเปลี่ยนนั้นอย่างไร

อินเทอร์เฟซของผู้พัฒนา S1 รองรับผู้พูดหนึ่งคนต่อคำขอสังเคราะห์ สามารถเตรียมบทสนทนาเป็นเซกเมนต์แยกที่มีเสียงอ้างอิงของตัวเอง แล้วประกอบในแอปพลิเคชัน ความสามารถสังเคราะห์ผู้พูดหลายคนโดยตรงของตระกูล S2 เป็นอีกเรื่องหนึ่ง เก็บบทบาท เสียง และข้อความให้สัมพันธ์กับแต่ละเซกเมนต์เมื่อเตรียมบทตัวละคร ผลสังเคราะห์คือการแสดงบทด้วยเสียง ส่วนการกำหนดจังหวะถามตอบหรือรวมกับเพลงและวิดีโอเป็นขั้นแก้ไขภายหลัง

ตัวเลือกเอาต์พุตมี MP3, WAV, PCM ดิบ และ Opus โดย MP3 เป็นค่าเริ่มต้น เอาต์พุตตามเอกสารเป็นโมโน WAV และ PCM ใช้ตัวอย่างเสียง 16 บิต ส่วนตัวเลือกอัตราสุ่มตัวอย่างต่างกันตามรูปแบบ MP3 รองรับ 64, 128 และ 192 kbps ขณะที่ Opus ใช้ 48 kHz ปรับความเร็วได้ตั้งแต่ 0.5 ถึง 2.0 พร้อมการควบคุมระดับเสียง เลือกไฟล์ที่เข้ารหัสสำหรับผลงานพากย์ หรือสตรีมที่เหมาะสำหรับเล่น และเก็บเสียงผู้พูดที่เลือกกับบทไว้คู่กับผลลัพธ์

ผู้พัฒนาประมวลผลข้อความยาวเป็นชังก์ โดยระบุช่วงความยาวชังก์ 100–300 และงบโทเคนเสียงต่อชังก์ แทนการรับประกันระยะเวลาบันทึกรวม การปรับรูปแบบข้อความขยายตัวเลขอังกฤษและจีนเป็นการอ่านธรรมชาติได้ และ repetition penalty ของ S1 ลดรูปแบบเสียงซ้ำได้ การปรับความดังเอาต์พุตให้เป็นมาตรฐานเป็นการตั้งค่าอีกแบบและไม่มีผลต่อ S1 ตรวจการออกเสียง ขอบเขตวลี เสียงซ้ำ และการเปลี่ยนอารมณ์ตามตั้งใจ ก่อนประกอบย่อหน้าที่เสร็จแล้ว จากนั้นแก้ประโยคหรือข้อมูลอ้างอิงเฉพาะจุดที่ต้องปรับ

Ailoot Ultra · การสังเคราะห์เสียงพูด POST /v1/audio/speech fish-audio/s1

fish-audio/s1

Fish Audio /fish-audio/s1

เริ่มต้น

อินพุตที่รองรับ: ข้อความ
ผลลัพธ์: เสียง

ใช้งานได้ใน Ailoot · อินพุตและเมธอด

Ailoot Ultra · การสังเคราะห์เสียงพูด POST /v1/audio/speech

ขาเข้า: text
ขาออก: audio
รูปแบบเอาต์พุต: เสียงไบนารีจริงตามที่ประกาศไว้

ฟิลด์	ประเภท	ข้อกำหนด	ค่าและข้อจำกัด	ค่าเริ่มต้น
ฟิลด์`model`	ประเภท`string`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด fish-audio/s1	ค่าเริ่มต้น—
ฟิลด์`input`	ประเภท`string`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด ความยาวขั้นต่ำ: 1	ค่าเริ่มต้น—
ฟิลด์`voice`	ประเภท`string`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด ตัวอย่าง: b347db033a6549378b48d00acb0d06cd	ค่าเริ่มต้น—
ฟิลด์`response_format`	ประเภท`string`	ข้อกำหนดไม่บังคับ	ค่าและข้อจำกัด mp3, pcm	ค่าเริ่มต้นpcm

ชุดผสมของสื่ออินพุต

text_to_speech · จำเป็น: actual UTF-8 script, exact supported voice

พารามิเตอร์และวงจรการทำงานของเมธอด

พารามิเตอร์	ข้อกำหนด
พารามิเตอร์`content_type`	ข้อกำหนดapplication/json
พารามิเตอร์`required`	ข้อกำหนดmodel, input, voice
พารามิเตอร์`material_types`	ข้อกำหนดtext
พารามิเตอร์`voice_ids`	ข้อกำหนดb347db033a6549378b48d00acb0d06cd
พารามิเตอร์`voice_list_exhaustive`	ข้อกำหนดfalse
พารามิเตอร์`response_format`	ข้อกำหนดmp3, pcm
พารามิเตอร์`default_response_format`	ข้อกำหนดpcm
พารามิเตอร์`quantity`	ข้อกำหนดไบต์ UTF-8 ของสตริงอินพุตเดียวที่ถอดรหัสแล้ว; ไม่มีการตัดช่องว่างหัวท้ายหรือการปรับให้เป็นรูปแบบมาตรฐาน
พารามิเตอร์`native_byte_quote_controls`	ข้อกำหนดเส้นทางเสนอราคาตามไบต์ที่ตรงตามที่กำหนดนี้ปฏิเสธ instructions ที่ไม่ว่างและข้อมูลขาเข้าแบบผลัดกันพูดหลายผู้พูด จนกว่าจะประกาศข้อความเพิ่มเติมที่ต้องคิดค่าบริการ

วงจรการทำงาน: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · ค่า task_id ที่ส่งกลับมาจริง หรือระเบียนในคลังสื่อ

GET /v1/media/assets/{asset_id}/content

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

ใช้โมเดลที่ตรงตามที่กำหนดและฟิลด์ข้อมูลขาเข้าตามเอกสาร

เก็บการตอบกลับทั้งหมด ผลลัพธ์จริงทุกรายการ และ ID เดิมที่ส่งกลับ

ราคา

ข้อมูลอัตราราคาไม่ได้เพิ่มตัวเลือกคำขอ พารามิเตอร์ที่รองรับระบุไว้สำหรับเมธอดที่เลือก

โหมดรวดเร็ว: ไม่ได้ระบุ เมื่อเลือกโหมดรวดเร็ว
โหมดยืดหยุ่น: ไม่ได้ระบุ เมื่อเลือกโหมด flex
ระดับการใช้เหตุผลสูงสุด: ไม่ได้ระบุ เมื่อใช้การปรับตามค่าเริ่มต้น (default) สำหรับระดับการใช้เหตุผลสูงสุด

อัตราค่าบริการ Ailoot

ราคาตามการตั้งค่า

เทียบค่าบริการแต่ละรายการกับเงื่อนไขที่แสดง เลือกใช้อัตราเดียวสำหรับแต่ละชุดการตั้งค่าที่เป็นตัวเลือกทดแทนกัน

การตั้งค่า	ตารางอัตราค่าบริการ	หน่วยคิดค่าบริการ	ค่าบริการ
การตั้งค่าอัตราค่าบริการโทเคนพื้นฐาน	ตารางอัตราค่าบริการอัตราพื้นฐาน	หน่วยคิดค่าบริการ—	ค่าบริการ ขาเข้า · โทเค็นอินพุต — / 1K โทเค็น ขาออก · โทเค็นเอาต์พุต — / 1K โทเค็น ขาเข้า · การอ่านแคช — / 1K โทเค็น ขาเข้า · การเขียนแคช — / 1K โทเค็น ขาเข้า · การเขียนแคช, 1 ชั่วโมง — / 1K โทเค็น
การตั้งค่าUltra	ตารางอัตราค่าบริการ—	หน่วยคิดค่าบริการต่อไบต์ utf8 ของเสียงอินพุต	ค่าบริการ ขาเข้า · ไบต์ utf8 ของเสียงขาเข้า $0.00003 ต่อไบต์ utf8 ของเสียงอินพุต

Ailoot กันยอดเงินประมาณการไว้ก่อนส่งคำขอ หลังได้ผลลัพธ์ จะคิดค่าบริการสุดท้ายตามการใช้งานที่วัดได้ การคิดค่าบริการแบบสตรีมใช้บันทึกการใช้งานสุดท้าย วิธีกันยอดเงินและคิดค่าบริการสุดท้าย →

รายละเอียดอัตราอ้างอิง

ตารางอัตราอ้างอิงระดับโมเดลไม่เปลี่ยนเมธอดที่เลือก ยอดประมาณการ หรือค่าบริการ การคิดค่าบริการจริงใช้อัตราของเมธอด Ailoot ที่เลือก

Fish Audio: S1

ราคาตามการตั้งค่า

การตั้งค่า	เงื่อนไขคิดค่าบริการ	ค่าบริการ
การตั้งค่าFish Audio: S1 · การตั้งค่าเริ่มต้น	เงื่อนไขคิดค่าบริการการตั้งค่าเริ่มต้น	ค่าบริการ ขาเข้า · ไบต์ UTF-8 ขาเข้า US$0.00003 ต่อไบต์ UTF-8 ของอินพุต

ตัวอย่างคำขอ

Ailoot Ultra · การสังเคราะห์เสียงพูด

curl · เนื้อหาคำขอแบบเนทีฟที่ตรงตามต้นฉบับและผลลัพธ์ที่ครบถ้วน

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.

รับและบันทึกผลลัพธ์

Ailoot Ultra · การสังเคราะห์เสียงพูด

เสียงไบนารีจริงตามที่ประกาศไว้

GET /v1/media/tasks/{task_id}
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}

เก็บผลลัพธ์ที่เสร็จสมบูรณ์ทั้งหมด

เก็บทุกการตอบกลับ ไฟล์ และส่วนเนื้อหาที่ส่งกลับมาอย่างครบถ้วน

บันทึกไบต์ไบนารีทั้งหมดและส่วนหัวต้นฉบับทั้งหมด เก็บ JSON ทั้งหมดหากมีการส่งกลับ คง ID การดำเนินการ/แอสเซ็ตจริงไว้

เมื่อต้องตรวจสอบการตอบกลับต้นฉบับ

เก็บ operation_id/X-Client-Request-ID เดิมและการตอบกลับเดิม อ่านบันทึกงาน/แอสเซ็ตจริงที่เป็นของคุณโดยไม่ส่งซ้ำ ไม่มีการสร้าง URL ตรวจสอบสถานะเสียงเฉพาะ

ฟิลด์การตอบกลับ

ฟิลด์	ประเภท
ฟิลด์`binary audio`	ประเภทbytes
ฟิลด์`response headers`	ประเภทheaders

ชื่ออื่น

ชื่ออื่นของโมเดล

Ailoot Ultra fish-audio/s1

ชื่อพาธเมธอดอื่น

ใช้พาธเมธอดที่แสดงด้านบน

ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล

fish-audio/s1

FAQ · Fish Audio: S1

มีอินพุตและผลลัพธ์ใดบ้าง?: POST /v1/audio/speech · fish-audio/s1: text → audio
คำขอใช้ฟิลด์ใดบ้าง?: POST /v1/audio/speech · fish-audio/s1: model, input, voice, response_format

Fish Audio: S1

Fish Audio: S1

เริ่มต้น

ใช้งานได้ใน Ailoot · อินพุตและเมธอด

ราคา

อัตราค่าบริการ Ailoot

ราคาตามการตั้งค่า

รายละเอียดอัตราอ้างอิง

ราคาตามการตั้งค่า

ตัวอย่างคำขอ

Ailoot Ultra · การสังเคราะห์เสียงพูด

รับและบันทึกผลลัพธ์

Ailoot Ultra · การสังเคราะห์เสียงพูด

เก็บผลลัพธ์ที่เสร็จสมบูรณ์ทั้งหมด

เมื่อต้องตรวจสอบการตอบกลับต้นฉบับ

ชื่ออื่น

ชื่ออื่นของโมเดล

ชื่อพาธเมธอดอื่น

ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล

บริษัทและพอร์ตโฟลิโอโครงการของบริษัท

ซื้อโทเคนพร้อมส่วนลด

เชื่อม API กับผลิตภัณฑ์ ที่คุณขาย