Fish Audio: S2.1 Pro
Fish Audio S2.1 Pro สร้างเสียงพูดหลายภาษาที่ถ่ายทอดอารมณ์และบทสนทนาหลายผู้พูดโดยตรง พร้อมปรับปรุงคุณภาพ เวลาแฝง และปริมาณประมวลผลจาก S2 Pro กำกับการพูดในบทและใช้เสียงอ้างอิงเพื่อสร้างเสียงบรรยายหรือเสียงสนทนา
เกี่ยวกับโมเดล
คำอธิบายนี้ครอบคลุมความสามารถของโมเดล อินพุต เอาต์พุต และตัวเลือกที่ใช้ได้ใน Ailoot แสดงด้านล่างตามเมธอดที่เลือก
S2.1 Pro เป็นโมเดลแปลงข้อความเป็นเสียงพูดรุ่นหลังในเจเนอเรชัน S2 ของ Fish Audio สำหรับเสียงบรรยายที่ถ่ายทอดอารมณ์และแอปพลิเคชันเสียงสนทนา ปรับปรุงคุณภาพเสียงพูด เวลาแฝง และปริมาณประมวลผลจาก S2 Pro โดยยังคงการควบคุมวิธีพูดด้วยภาษาธรรมชาติและบทสนทนาหลายผู้พูดโดยตรง S2.1 Pro กับ S2.1 Pro Free ใช้โมเดลเสียงพูดพื้นฐานเดียวกัน
สำหรับคำอธิบายแบบบรรยาย ส่งถ้อยคำที่เสร็จแล้ว เสียงที่ตั้งใจ และจุดที่ต้องเปลี่ยนจังหวะหรือการเน้น สำหรับแอปพลิเคชันสนทนา ให้สังเคราะห์คำตอบที่แอปพลิเคชันเลือก และแยกเนื้อหาข้อเท็จจริงจากคำกำกับการพูด สำหรับบทโต้ตอบที่เขียนไว้ ให้กำหนดผู้พูดและเสียงก่อนเขียนรอบพูด ผลลัพธ์ที่มีประโยชน์คือข้อความเสียงสมบูรณ์หรือสตรีมที่เล่นได้ ซึ่งคำพูด วิธีพูด และบทบาทผู้พูดตรงกับบรีฟ
เขียนคำที่จะพูดจริง แล้ววางคำสั่งทันทีก่อนข้อความที่ต้องเปลี่ยนวิธีพูด คำกำกับในวงเล็บเหลี่ยมแสดงการกระซิบ การหยุด ปฏิกิริยา การเน้น หรือรูปแบบการพูดที่บรรยายได้อย่างเปิดกว้าง วางการเปลี่ยนกลางประโยคตรงจุดที่การพูดต้องเปลี่ยน และใส่คำพูดจริงตามหลังคำกำกับเชิงบรรยาย บรีฟคำอธิบายที่มีประโยชน์แยกถ้อยคำข้อเท็จจริงจากความอบอุ่น จังหวะ หรือการเน้นที่ต้องการให้ผู้ฟังได้รับ
สำหรับผู้พูดคนเดียว เลือกรหัสเสียงที่บันทึกไว้หรือส่งเสียงอ้างอิงพร้อมบทถอดเสียง คู่มือเสียงพูดของผู้ผลิตแนะนำตัวอย่างสะอาดยาว 10–30 วินาทีเพื่อกำหนดเสียงทันที เลือกตัวอย่างที่มีน้ำเสียงและคุณภาพบันทึกเหมาะกับบท และใช้ตัวอย่างเดิมในข้อความที่เกี่ยวข้อง เสียงอ้างอิงกำหนดลักษณะเสียงผู้พูด ส่วนข้อความกับคำกำกับในบทกำหนดเนื้อหาและการถ่ายทอด
การสังเคราะห์หลายผู้พูดโดยตรงใช้เครื่องหมาย เช่น <|speaker:0|> และ <|speaker:1|> ร่วมกับอาร์เรย์รหัสเสียงตามลำดับหรือกลุ่มอ้างอิงแยกกัน ให้หมายเลขผู้พูดตรงกับลำดับนั้น สำหรับบทโต้ตอบเพื่อสอน ให้เขียนแต่ละบทพูดและวางคำกำกับวิธีพูดหลังเครื่องหมายผู้พูดในตำแหน่งที่เหมาะสม วิธีนี้สร้างบทสนทนาภายในคำขอเดียว ต่างจากเวิร์กโฟลว์ของ S1 ที่สร้างช่วงผู้พูดเดี่ยวแยกกันแล้วประกอบภายหลัง
เวิร์กโฟลว์ผู้ผลิตให้ผลลัพธ์ MP3, WAV, PCM ดิบ และ Opus โดย MP3 เป็นค่าเริ่มต้น MP3 รองรับ 64, 128 และ 192 kbps ส่วน WAV และ PCM ใช้รูปแบบตัวอย่างโมโน 16 บิตตามเอกสาร ขณะที่ Opus ใช้ 48 kHz เลือกรูปแบบตามการเก็บไฟล์บรรยาย การเล่นแบบสตรีม หรือไปป์ไลน์เสียงถัดไป เก็บบทเต็มและเสียงที่เลือกไว้กับไฟล์เสียง เพื่อให้แก้ไขหนึ่งบรรทัดภายหลังโดยยังรักษาการถ่ายทอดที่ตั้งใจ
ปรับความเร็วได้จาก 0.5 ถึง 2.0 พร้อมตัวควบคุมระดับเสียง การปรับข้อความให้อยู่ในรูปอ่านได้ขยายตัวเลขอังกฤษและจีนเพื่อให้อ่านเป็นธรรมชาติ การปรับความดังผลลัพธ์ให้เป็นมาตรฐานมีค่าเริ่มต้น true และใช้กับตระกูล S2 ฟิลด์เดียวกันไม่มีผลกับ S1 ส่วน repetition_penalty ของ S1 ไม่เปลี่ยนเสียง S2.1 Pro จึงไม่ควรถือว่าค่าที่สืบทอดมาเป็นตัวควบคุมที่มีผลกับโมเดลนี้ ตรวจเสียงและถ้อยคำที่ซ้ำโดยตรงแทนการพึ่งพารามิเตอร์จากรุ่นก่อนเพื่อยืนยันผล
บทที่ยาวจะประมวลผลเป็นส่วน ช่วงความยาวส่วนตามเอกสารคือ 100–300 และ max_new_tokens เป็นงบโทเคนเสียงต่อส่วน ไม่ใช่การรับประกันระยะเวลารวม การอิงส่วนก่อนหน้าช่วยส่งต่อบริบทเสียง เวิร์กโฟลว์การส่งของผู้ผลิตอธิบายเสียงสมบูรณ์ ชิ้นเสียงที่ทยอยส่ง และการสตรีมข้อความสดเมื่อบททยอยมาถึง เลือกวิธีรับผลที่เหมาะกับแอปพลิเคชัน และรักษาบริบทบทให้เพียงพอสำหรับการออกเสียงกับน้ำเสียงของข้อความถัดไป
เพื่อให้ได้ชิ้นงานที่มีประโยชน์ ให้ฟังคำที่ตกหล่นหรือซ้ำ การอ่านตัวเลข การเปลี่ยนผู้พูด จังหวะหยุด และความเข้มของคำกำกับ เสียงอ้างอิงต่างกันอาจตีความคำกำกับแรงเบาต่างกัน จึงควรเริ่มจากบรรทัดที่กำกับเรียบง่ายก่อนเพิ่มแท็กที่แข่งขันกัน สำหรับหลายภาษา ให้ส่งบทในภาษาเป้าหมายแทนการขอให้โมเดลเสียงแต่งหรือแปลเนื้อหา การแก้ไขเฉพาะจุดเปลี่ยนบรรทัด คำกำกับ หรือเสียงอ้างอิงที่ทำให้ไม่ตรงโจทย์ โดยรักษาส่วนการถ่ายทอดที่เข้ากับบรีฟอยู่แล้ว
Ailoot Ultra · เสียงพูด POST /v1/audio/speech fish-audio/s2.1-pro
fish-audio/s2.1-proเริ่มต้น
Fish Audio S2.1 Pro สร้างเสียงพูดหลายภาษาที่ถ่ายทอดอารมณ์และบทสนทนาหลายผู้พูดโดยตรง พร้อมปรับปรุงคุณภาพ เวลาแฝง และปริมาณประมวลผลจาก S2 Pro กำกับการพูดในบทและใช้เสียงอ้างอิงเพื่อสร้างเสียงบรรยายหรือเสียงสนทนา
- อินพุตที่รองรับ
- ข้อความ
- ผลลัพธ์
- เสียง
ใช้งานได้ใน Ailoot · อินพุตและเมธอด
Ailoot Ultra · เสียงพูด POST /v1/audio/speech
- ขาเข้า
text- ขาออก
audio
| ฟิลด์ | ประเภท | ข้อกำหนด | ค่าและข้อจำกัด | ค่าเริ่มต้น |
|---|---|---|---|---|
ฟิลด์model | ประเภทstring | ข้อกำหนดจำเป็น | ค่าและข้อจำกัด fish-audio/s2.1-pro | ค่าเริ่มต้น— |
ฟิลด์input | ประเภทstring | ข้อกำหนดจำเป็น | ค่าและข้อจำกัด ความยาวขั้นต่ำ: 1 | ค่าเริ่มต้น— |
ฟิลด์voice | ประเภทstring | ข้อกำหนดจำเป็น | ค่าและข้อจำกัด b347db033a6549378b48d00acb0d06cd ความยาวขั้นต่ำ: 1 | ค่าเริ่มต้น— |
ฟิลด์response_format | ประเภทstring | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด mp3, pcm | ค่าเริ่มต้นpcm |
ฟิลด์provider | ประเภทobject | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด | ค่าเริ่มต้น— |
พารามิเตอร์และวงจรการทำงานของเมธอด
| พารามิเตอร์ | ข้อกำหนด |
|---|---|
พารามิเตอร์content_type | ข้อกำหนดapplication/json |
พารามิเตอร์required | ข้อกำหนดmodel, input, voice |
พารามิเตอร์material_types | ข้อกำหนดtext |
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}
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 |
| การตั้งค่าไบต์ UTF-8 ขาเข้า | ตารางอัตราค่าบริการ— | หน่วยคิดค่าบริการต่อไบต์ UTF-8 ของอินพุต | ค่าบริการ ขาเข้า · ไบต์ UTF-8 ขาเข้า $0.00003 ต่อไบต์ UTF-8 ของอินพุต |
Ailoot กันยอดเงินประมาณการไว้ก่อนส่งคำขอ หลังได้ผลลัพธ์ จะคิดค่าบริการสุดท้ายตามการใช้งานที่วัดได้ การคิดค่าบริการแบบสตรีมใช้บันทึกการใช้งานสุดท้าย วิธีกันยอดเงินและคิดค่าบริการสุดท้าย →
ตัวอย่างคำขอ
Ailoot Ultra · เสียงพูด
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_INPUT_TEXT:?Set the actual documented input value}"
export AILOOT_INPUT_TEXT
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
request={'model': 'fish-audio/s2.1-pro', 'input': '${ACTUAL_INPUT_TEXT}', 'voice': 'b347db033a6549378b48d00acb0d06cd', 'response_format': 'mp3'}
request['input']=os.environ['AILOOT_INPUT_TEXT']
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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o response.bin
# Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.
รับและบันทึกผลลัพธ์
Ailoot Ultra · เสียงพูด
เสียงไบนารีทั้งหมดหรือการตอบกลับ audio_url เดิม ส่วนหัว และแอสเซ็ตทุกชิ้นที่เป็นของคุณ
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
การอ่านเนื้อหาแบบอื่น
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \
-H "Authorization: Bearer $AILOOT_API_KEY" -o owned-assets.json
# Preserve every returned asset and follow its exact signed content URL. Do not construct a signed token.
เก็บผลลัพธ์ที่เสร็จสมบูรณ์ทั้งหมด
เก็บทุกการตอบกลับ ไฟล์ และส่วนเนื้อหาที่ส่งกลับมาอย่างครบถ้วน
เก็บการตอบกลับและส่วนหัวให้ครบถ้วน เก็บผลลัพธ์จริงทุกรายการ ตัวระบุที่ส่งกลับมาแต่เดิม และฟิลด์ข้อมูลการใช้งานทั้งหมด กู้คืนการดำเนินการเดิมโดยไม่ส่งคำขอสร้างซ้ำ
เมื่อต้องตรวจสอบการตอบกลับต้นฉบับ
เก็บ X-Client-Request-ID ที่ส่งกลับมาไว้เพื่อกระทบยอด อ่านเฉพาะค่า task_id/asset_id ที่ส่งกลับมาจริง หรืออ่านจากคลังสื่อที่เป็นของตนเอง ห้ามสร้าง URL ของงานจาก ID การดำเนินการ และห้ามส่งคำขอสร้างซ้ำเด็ดขาด
ชื่ออื่น
ชื่ออื่นของโมเดล
Ailoot Ultra fish-audio/s2.1-pro
ชื่อพาธเมธอดอื่น
ใช้พาธเมธอดที่แสดงด้านบน
ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล
FAQ · Fish Audio: S2.1 Pro
- มีอินพุตและผลลัพธ์ใดบ้าง?
POST /v1/audio/speech·fish-audio/s2.1-pro:text→audio- คำขอใช้ฟิลด์ใดบ้าง?
POST /v1/audio/speech·fish-audio/s2.1-pro:model,input,voice,response_format,provider