{ "aboutHtml": "

S2 Pro เป็นโมเดลแปลงข้อความเป็นเสียงพูดเจเนอเรชันสองของ Fish Audio สำหรับเสียงบรรยายที่ถ่ายทอดอารมณ์ บทสนทนาตัวละคร และเสียงตอบสนทนา แปลงบทเขียนเป็นเสียงและรองรับคำกำกับภาษาธรรมชาติระดับคำหรือวลี เจเนอเรชัน S1 ก่อนหน้าใช้คำกำกับในวงเล็บกลม ส่วน S2 Pro ใช้วงเล็บเหลี่ยมโดยตรงและรองรับหลายผู้พูดในคำขอสังเคราะห์เดียว ผู้ผลิตเผยแพร่ค่าน้ำหนัก S2 Pro และโค้ดปรับแต่งโมเดลสำหรับงานปรับเฉพาะแยกต่างหาก คำขอเสียงทั่วไปใช้โมเดลที่เลือก ไม่ใช่ฝึกโมเดลใหม่

เขียนเนื้อหาที่จะพูดก่อน แล้ววางคำกำกับวิธีพูดทันทีก่อนคำหรือวลีที่จะได้รับผล คำกำกับอาจบรรยายการกระซิบ ปฏิกิริยา การหยุด การเปลี่ยนอารมณ์ หรือรูปแบบการพูดอย่างเปิดกว้าง สำหรับคำอธิบายสินค้าสั้น ให้ประโยคข้อเท็จจริงชัดเจนและเน้นเฉพาะจุดที่ผู้ฟังควรสังเกตความแตกต่าง สำหรับบทตัวละคร ให้บรรยายการเปลี่ยนอารมณ์ตรงจังหวะที่เกิด แทนการกำหนดอารมณ์เดียวตลอดข้อความ

แท็กในวงเล็บเหลี่ยมเป็นคำบรรยายแบบเปิด ไม่ใช่เมนูจำกัด ตัวอย่างได้แก่ [whispering], [sigh], [long pause] และวลีอย่าง [speaking slowly, almost hesitant] แท็กอยู่กลางประโยคได้และส่งผลต่อคำพูดถัดไป แท็กบรรยายต้องมีข้อความจริงตามหลัง คำสั่งที่อยู่โดด ๆ อาจให้ผลคาดเดาไม่ได้ เริ่มจากคำกำกับที่มีประโยชน์หนึ่งหรือสองรายการก่อนเพิ่มหลายชั้น เพราะแท็กที่ขัดกันอาจบดบังวิธีพูดที่ตั้งใจ เสียงอ้างอิงต่างกันอาจตอบสนองต่อคำกำกับเดียวกันด้วยความเข้มต่างกัน

ข้อมูลเผยแพร่ S2 ระบุประมาณ 80 ภาษา และให้ตัวอย่างคำกำกับวิธีพูดในภาษาเดียวกับบท เตรียมถ้อยคำในภาษาที่ต้องพูดและรักษาชื่อ หน่วย กับตัวย่อที่ต้องอ่านแบบเฉพาะ เสียงบรรยายหลายภาษาสามารถรักษาเสียงที่ตั้งใจขณะเปลี่ยนภาษาบท แต่ชิ้นงานสุดท้ายยังต้องฟังตรวจการออกเสียงและความต่อเนื่อง การสังเคราะห์ทำให้เนื้อหาที่ส่งเป็นเสียงพูด ไม่ได้ตัดสินว่าแอปพลิเคชันควรให้ข้อมูลใด

สำหรับผู้พูดคนเดียว เลือกรหัสเสียงที่บันทึกไว้หรือส่งเสียงอ้างอิงพร้อมบทถอดเสียงที่ตรงกัน ผู้ผลิตแนะนำตัวอย่างสะอาดยาว 10–30 วินาทีสำหรับกำหนดเสียงทันที สำหรับบทสนทนา ใช้เครื่องหมายผู้พูด เช่น <|speaker:0|> และ <|speaker:1|> พร้อมรายการรหัสเสียงตามลำดับหรือกลุ่มอ้างอิงแยกสำหรับแต่ละคน หมายเลขเลือกเสียงรายการที่ตรงกัน รักษาลำดับไว้ขณะสนทนาต่อ คำกำกับการพูดด้วยภาษาธรรมชาติกับการเลือกผู้พูดมีบทบาทต่างกันในบท

ผลลัพธ์เสียงเป็น MP3, WAV, PCM ดิบ หรือ Opus ได้ MP3 มีค่าเริ่มต้น 128 kbps และมีตัวเลือก 64 หรือ 192 kbps ส่วน Opus ใช้ 48 kHz ขณะที่ WAV และ PCM รองรับตัวเลือกอัตราสุ่มตามเอกสารเป็นโมโน 16 บิต เลือกรูปแบบตามปลายทางจริง เช่น ไฟล์เก็บสำหรับเสียงบรรยาย หรือชิ้นเสียงที่เหมาะสำหรับเล่น เวิร์กโฟลว์เสียงผู้ผลิตยังอธิบายการสตรีมข้อความสดเมื่อบททยอยมาถึง ผลลัพธ์ที่สร้างควรผูกกับบทเต็มและเสียงที่เลือกเสมอ

ปรับความเร็วได้ระหว่าง 0.5 ถึง 2.0 พร้อมตัวควบคุมระดับเสียงและการปรับความดังผลลัพธ์ให้เป็นมาตรฐาน การปรับข้อความช่วยให้อ่านตัวเลขอังกฤษและจีนได้ดีขึ้น การประมวลผลแบ่งส่วนในช่วง 100–300 และมีงบโทเคนเสียงต่อส่วน จึงไม่ควรอ่านค่าพวกนี้เป็นความยาวสูงสุดตายตัวของเสียงบรรยายทั้งเรื่อง การอิงส่วนก่อนหน้าช่วยส่งบริบทเสียงไปยังช่วงถัดไป ตัวควบคุมการสุ่ม เช่น temperature และ top-p มีผลต่อความหลากหลาย แม้เป็นบรรทัดที่กำกับอย่างตั้งใจ ก็ยังต้องมีข้อความกับบริบทพอจะถ่ายทอดเสียงที่ต้องการ

บรีฟผลิตงานที่มีประโยชน์แยกเสียงบรรยาย บทสนทนา และคำกำกับวิธีพูด แล้วระบุเสียงกับรูปแบบชิ้นงาน ฟังตรวจคำตกหล่น เสียงซ้ำ การอ่านตัวเลข การเปลี่ยนผู้พูด และจังหวะปฏิกิริยา แก้บรรทัดหรือเสียงอ้างอิงที่ทำให้ไม่ตรง แทนการสมมติว่าเพิ่มแท็กจะทำให้ทุกช่วงดีขึ้น S2 Pro ยังคงเป็นโมเดล S2 เจเนอเรชันก่อนหน้าที่แยกต่างหาก ส่วน S2.1 Pro เป็นรุ่นหลังที่มีการปรับปรุงและพฤติกรรมการตั้งค่าเฉพาะโมเดล

", "aboutText": "S2 Pro เป็นโมเดลแปลงข้อความเป็นเสียงพูดเจเนอเรชันสองของ Fish Audio สำหรับเสียงบรรยายที่ถ่ายทอดอารมณ์ บทสนทนาตัวละคร และเสียงตอบสนทนา แปลงบทเขียนเป็นเสียงและรองรับคำกำกับภาษาธรรมชาติระดับคำหรือวลี เจเนอเรชัน S1 ก่อนหน้าใช้คำกำกับในวงเล็บกลม ส่วน S2 Pro ใช้วงเล็บเหลี่ยมโดยตรงและรองรับหลายผู้พูดในคำขอสังเคราะห์เดียว ผู้ผลิตเผยแพร่ค่าน้ำหนัก S2 Pro และโค้ดปรับแต่งโมเดลสำหรับงานปรับเฉพาะแยกต่างหาก คำขอเสียงทั่วไปใช้โมเดลที่เลือก ไม่ใช่ฝึกโมเดลใหม่\n\nเขียนเนื้อหาที่จะพูดก่อน แล้ววางคำกำกับวิธีพูดทันทีก่อนคำหรือวลีที่จะได้รับผล คำกำกับอาจบรรยายการกระซิบ ปฏิกิริยา การหยุด การเปลี่ยนอารมณ์ หรือรูปแบบการพูดอย่างเปิดกว้าง สำหรับคำอธิบายสินค้าสั้น ให้ประโยคข้อเท็จจริงชัดเจนและเน้นเฉพาะจุดที่ผู้ฟังควรสังเกตความแตกต่าง สำหรับบทตัวละคร ให้บรรยายการเปลี่ยนอารมณ์ตรงจังหวะที่เกิด แทนการกำหนดอารมณ์เดียวตลอดข้อความ\n\nแท็กในวงเล็บเหลี่ยมเป็นคำบรรยายแบบเปิด ไม่ใช่เมนูจำกัด ตัวอย่างได้แก่ [whispering], [sigh], [long pause] และวลีอย่าง [speaking slowly, almost hesitant] แท็กอยู่กลางประโยคได้และส่งผลต่อคำพูดถัดไป แท็กบรรยายต้องมีข้อความจริงตามหลัง คำสั่งที่อยู่โดด ๆ อาจให้ผลคาดเดาไม่ได้ เริ่มจากคำกำกับที่มีประโยชน์หนึ่งหรือสองรายการก่อนเพิ่มหลายชั้น เพราะแท็กที่ขัดกันอาจบดบังวิธีพูดที่ตั้งใจ เสียงอ้างอิงต่างกันอาจตอบสนองต่อคำกำกับเดียวกันด้วยความเข้มต่างกัน\n\nข้อมูลเผยแพร่ S2 ระบุประมาณ 80 ภาษา และให้ตัวอย่างคำกำกับวิธีพูดในภาษาเดียวกับบท เตรียมถ้อยคำในภาษาที่ต้องพูดและรักษาชื่อ หน่วย กับตัวย่อที่ต้องอ่านแบบเฉพาะ เสียงบรรยายหลายภาษาสามารถรักษาเสียงที่ตั้งใจขณะเปลี่ยนภาษาบท แต่ชิ้นงานสุดท้ายยังต้องฟังตรวจการออกเสียงและความต่อเนื่อง การสังเคราะห์ทำให้เนื้อหาที่ส่งเป็นเสียงพูด ไม่ได้ตัดสินว่าแอปพลิเคชันควรให้ข้อมูลใด\n\nสำหรับผู้พูดคนเดียว เลือกรหัสเสียงที่บันทึกไว้หรือส่งเสียงอ้างอิงพร้อมบทถอดเสียงที่ตรงกัน ผู้ผลิตแนะนำตัวอย่างสะอาดยาว 10–30 วินาทีสำหรับกำหนดเสียงทันที สำหรับบทสนทนา ใช้เครื่องหมายผู้พูด เช่น <|speaker:0|> และ <|speaker:1|> พร้อมรายการรหัสเสียงตามลำดับหรือกลุ่มอ้างอิงแยกสำหรับแต่ละคน หมายเลขเลือกเสียงรายการที่ตรงกัน รักษาลำดับไว้ขณะสนทนาต่อ คำกำกับการพูดด้วยภาษาธรรมชาติกับการเลือกผู้พูดมีบทบาทต่างกันในบท\n\nผลลัพธ์เสียงเป็น MP3, WAV, PCM ดิบ หรือ Opus ได้ MP3 มีค่าเริ่มต้น 128 kbps และมีตัวเลือก 64 หรือ 192 kbps ส่วน Opus ใช้ 48 kHz ขณะที่ WAV และ PCM รองรับตัวเลือกอัตราสุ่มตามเอกสารเป็นโมโน 16 บิต เลือกรูปแบบตามปลายทางจริง เช่น ไฟล์เก็บสำหรับเสียงบรรยาย หรือชิ้นเสียงที่เหมาะสำหรับเล่น เวิร์กโฟลว์เสียงผู้ผลิตยังอธิบายการสตรีมข้อความสดเมื่อบททยอยมาถึง ผลลัพธ์ที่สร้างควรผูกกับบทเต็มและเสียงที่เลือกเสมอ\n\nปรับความเร็วได้ระหว่าง 0.5 ถึง 2.0 พร้อมตัวควบคุมระดับเสียงและการปรับความดังผลลัพธ์ให้เป็นมาตรฐาน การปรับข้อความช่วยให้อ่านตัวเลขอังกฤษและจีนได้ดีขึ้น การประมวลผลแบ่งส่วนในช่วง 100–300 และมีงบโทเคนเสียงต่อส่วน จึงไม่ควรอ่านค่าพวกนี้เป็นความยาวสูงสุดตายตัวของเสียงบรรยายทั้งเรื่อง การอิงส่วนก่อนหน้าช่วยส่งบริบทเสียงไปยังช่วงถัดไป ตัวควบคุมการสุ่ม เช่น temperature และ top-p มีผลต่อความหลากหลาย แม้เป็นบรรทัดที่กำกับอย่างตั้งใจ ก็ยังต้องมีข้อความกับบริบทพอจะถ่ายทอดเสียงที่ต้องการ\n\nบรีฟผลิตงานที่มีประโยชน์แยกเสียงบรรยาย บทสนทนา และคำกำกับวิธีพูด แล้วระบุเสียงกับรูปแบบชิ้นงาน ฟังตรวจคำตกหล่น เสียงซ้ำ การอ่านตัวเลข การเปลี่ยนผู้พูด และจังหวะปฏิกิริยา แก้บรรทัดหรือเสียงอ้างอิงที่ทำให้ไม่ตรง แทนการสมมติว่าเพิ่มแท็กจะทำให้ทุกช่วงดีขึ้น S2 Pro ยังคงเป็นโมเดล S2 เจเนอเรชันก่อนหน้าที่แยกต่างหาก ส่วน S2.1 Pro เป็นรุ่นหลังที่มีการปรับปรุงและพฤติกรรมการตั้งค่าเฉพาะโมเดล", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "a1aabb2221aa4a37da90745b40cdae429535c6234806aea82229e419928d4d1c", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "th", "methods": [ { "html": "
•

Fish Audio: S2 Pro

Fish Audio /fish-audio/s2-pro

เริ่มต้น

Fish Audio S2 Pro สร้างเสียงพูดหลายภาษาที่ถ่ายทอดอารมณ์ พร้อมคำกำกับระดับคำและบทสนทนาหลายผู้พูดโดยตรง คำสั่งในวงเล็บเหลี่ยมควบคุมวิธีพูดในบท ขณะที่เสียงอ้างอิงระบุผู้พูดและการตั้งค่าผลลัพธ์กำหนดชิ้นงานเสียง

อินพุตที่รองรับ
ข้อความ
ผลลัพธ์
เสียง
เกี่ยวกับโมเดล

คำอธิบายนี้ครอบคลุมความสามารถของโมเดล อินพุต เอาต์พุต และตัวเลือกที่ใช้ได้ใน Ailoot แสดงด้านล่างตามเมธอดที่เลือก

S2 Pro เป็นโมเดลแปลงข้อความเป็นเสียงพูดเจเนอเรชันสองของ Fish Audio สำหรับเสียงบรรยายที่ถ่ายทอดอารมณ์ บทสนทนาตัวละคร และเสียงตอบสนทนา แปลงบทเขียนเป็นเสียงและรองรับคำกำกับภาษาธรรมชาติระดับคำหรือวลี เจเนอเรชัน S1 ก่อนหน้าใช้คำกำกับในวงเล็บกลม ส่วน S2 Pro ใช้วงเล็บเหลี่ยมโดยตรงและรองรับหลายผู้พูดในคำขอสังเคราะห์เดียว ผู้ผลิตเผยแพร่ค่าน้ำหนัก S2 Pro และโค้ดปรับแต่งโมเดลสำหรับงานปรับเฉพาะแยกต่างหาก คำขอเสียงทั่วไปใช้โมเดลที่เลือก ไม่ใช่ฝึกโมเดลใหม่

เขียนเนื้อหาที่จะพูดก่อน แล้ววางคำกำกับวิธีพูดทันทีก่อนคำหรือวลีที่จะได้รับผล คำกำกับอาจบรรยายการกระซิบ ปฏิกิริยา การหยุด การเปลี่ยนอารมณ์ หรือรูปแบบการพูดอย่างเปิดกว้าง สำหรับคำอธิบายสินค้าสั้น ให้ประโยคข้อเท็จจริงชัดเจนและเน้นเฉพาะจุดที่ผู้ฟังควรสังเกตความแตกต่าง สำหรับบทตัวละคร ให้บรรยายการเปลี่ยนอารมณ์ตรงจังหวะที่เกิด แทนการกำหนดอารมณ์เดียวตลอดข้อความ

แท็กในวงเล็บเหลี่ยมเป็นคำบรรยายแบบเปิด ไม่ใช่เมนูจำกัด ตัวอย่างได้แก่ [whispering], [sigh], [long pause] และวลีอย่าง [speaking slowly, almost hesitant] แท็กอยู่กลางประโยคได้และส่งผลต่อคำพูดถัดไป แท็กบรรยายต้องมีข้อความจริงตามหลัง คำสั่งที่อยู่โดด ๆ อาจให้ผลคาดเดาไม่ได้ เริ่มจากคำกำกับที่มีประโยชน์หนึ่งหรือสองรายการก่อนเพิ่มหลายชั้น เพราะแท็กที่ขัดกันอาจบดบังวิธีพูดที่ตั้งใจ เสียงอ้างอิงต่างกันอาจตอบสนองต่อคำกำกับเดียวกันด้วยความเข้มต่างกัน

ข้อมูลเผยแพร่ S2 ระบุประมาณ 80 ภาษา และให้ตัวอย่างคำกำกับวิธีพูดในภาษาเดียวกับบท เตรียมถ้อยคำในภาษาที่ต้องพูดและรักษาชื่อ หน่วย กับตัวย่อที่ต้องอ่านแบบเฉพาะ เสียงบรรยายหลายภาษาสามารถรักษาเสียงที่ตั้งใจขณะเปลี่ยนภาษาบท แต่ชิ้นงานสุดท้ายยังต้องฟังตรวจการออกเสียงและความต่อเนื่อง การสังเคราะห์ทำให้เนื้อหาที่ส่งเป็นเสียงพูด ไม่ได้ตัดสินว่าแอปพลิเคชันควรให้ข้อมูลใด

สำหรับผู้พูดคนเดียว เลือกรหัสเสียงที่บันทึกไว้หรือส่งเสียงอ้างอิงพร้อมบทถอดเสียงที่ตรงกัน ผู้ผลิตแนะนำตัวอย่างสะอาดยาว 10–30 วินาทีสำหรับกำหนดเสียงทันที สำหรับบทสนทนา ใช้เครื่องหมายผู้พูด เช่น <|speaker:0|> และ <|speaker:1|> พร้อมรายการรหัสเสียงตามลำดับหรือกลุ่มอ้างอิงแยกสำหรับแต่ละคน หมายเลขเลือกเสียงรายการที่ตรงกัน รักษาลำดับไว้ขณะสนทนาต่อ คำกำกับการพูดด้วยภาษาธรรมชาติกับการเลือกผู้พูดมีบทบาทต่างกันในบท

ผลลัพธ์เสียงเป็น MP3, WAV, PCM ดิบ หรือ Opus ได้ MP3 มีค่าเริ่มต้น 128 kbps และมีตัวเลือก 64 หรือ 192 kbps ส่วน Opus ใช้ 48 kHz ขณะที่ WAV และ PCM รองรับตัวเลือกอัตราสุ่มตามเอกสารเป็นโมโน 16 บิต เลือกรูปแบบตามปลายทางจริง เช่น ไฟล์เก็บสำหรับเสียงบรรยาย หรือชิ้นเสียงที่เหมาะสำหรับเล่น เวิร์กโฟลว์เสียงผู้ผลิตยังอธิบายการสตรีมข้อความสดเมื่อบททยอยมาถึง ผลลัพธ์ที่สร้างควรผูกกับบทเต็มและเสียงที่เลือกเสมอ

ปรับความเร็วได้ระหว่าง 0.5 ถึง 2.0 พร้อมตัวควบคุมระดับเสียงและการปรับความดังผลลัพธ์ให้เป็นมาตรฐาน การปรับข้อความช่วยให้อ่านตัวเลขอังกฤษและจีนได้ดีขึ้น การประมวลผลแบ่งส่วนในช่วง 100–300 และมีงบโทเคนเสียงต่อส่วน จึงไม่ควรอ่านค่าพวกนี้เป็นความยาวสูงสุดตายตัวของเสียงบรรยายทั้งเรื่อง การอิงส่วนก่อนหน้าช่วยส่งบริบทเสียงไปยังช่วงถัดไป ตัวควบคุมการสุ่ม เช่น temperature และ top-p มีผลต่อความหลากหลาย แม้เป็นบรรทัดที่กำกับอย่างตั้งใจ ก็ยังต้องมีข้อความกับบริบทพอจะถ่ายทอดเสียงที่ต้องการ

บรีฟผลิตงานที่มีประโยชน์แยกเสียงบรรยาย บทสนทนา และคำกำกับวิธีพูด แล้วระบุเสียงกับรูปแบบชิ้นงาน ฟังตรวจคำตกหล่น เสียงซ้ำ การอ่านตัวเลข การเปลี่ยนผู้พูด และจังหวะปฏิกิริยา แก้บรรทัดหรือเสียงอ้างอิงที่ทำให้ไม่ตรง แทนการสมมติว่าเพิ่มแท็กจะทำให้ทุกช่วงดีขึ้น S2 Pro ยังคงเป็นโมเดล S2 เจเนอเรชันก่อนหน้าที่แยกต่างหาก ส่วน S2.1 Pro เป็นรุ่นหลังที่มีการปรับปรุงและพฤติกรรมการตั้งค่าเฉพาะโมเดล

ใช้งานได้ใน Ailoot · อินพุตและเมธอด

Ailoot Ultra · เสียงพูด POST /v1/audio/speech
ขาเข้า
text
ขาออก
audio
ฟิลด์ประเภทข้อกำหนดค่าและข้อจำกัดค่าเริ่มต้น
ฟิลด์modelประเภทstringข้อกำหนดจำเป็นค่าและข้อจำกัด
fish-audio/s2-pro
ค่าเริ่มต้น—
ฟิลด์inputประเภทstringข้อกำหนดจำเป็นค่าและข้อจำกัด
ความยาวขั้นต่ำ: 1
ค่าเริ่มต้น—
ฟิลด์voiceประเภทstringข้อกำหนดจำเป็นค่าและข้อจำกัด
b347db033a6549378b48d00acb0d06cd
ความยาวขั้นต่ำ: 1
ค่าเริ่มต้น—
ฟิลด์response_formatประเภทstringข้อกำหนดไม่บังคับค่าและข้อจำกัด
mp3, pcm
ค่าเริ่มต้นpcm
ฟิลด์providerประเภทobjectข้อกำหนดไม่บังคับค่าและข้อจำกัดค่าเริ่มต้น—
พารามิเตอร์และวงจรการทำงานของเมธอด
พารามิเตอร์ข้อกำหนด
พารามิเตอร์content_typeข้อกำหนดapplication/json
พารามิเตอร์requiredข้อกำหนดmodel, input, voice
พารามิเตอร์material_typesข้อกำหนดtext

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

การตั้งค่าตารางอัตราค่าบริการหน่วยคิดค่าบริการค่าบริการ
การตั้งค่าอัตราค่าบริการโทเคนพื้นฐานตารางอัตราค่าบริการอัตราพื้นฐานหน่วยคิดค่าบริการ—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 ขาเข้าตารางอัตราค่าบริการ—หน่วยคิดค่าบริการต่อไบต์ UTF-8 ของอินพุตค่าบริการ
ขาเข้า · ไบต์ UTF-8 ขาเข้า $0.00003 ต่อไบต์ UTF-8 ของอินพุต

Ailoot กันยอดเงินประมาณการไว้ก่อนส่งคำขอ หลังได้ผลลัพธ์ จะคิดค่าบริการสุดท้ายตามการใช้งานที่วัดได้ การคิดค่าบริการแบบสตรีมใช้บันทึกการใช้งานสุดท้าย วิธีกันยอดเงินและคิดค่าบริการสุดท้าย →

ตัวอย่างคำขอ

Ailoot Ultra · เสียงพูด

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-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.\n

รับและบันทึกผลลัพธ์

Ailoot Ultra · เสียงพูด

เสียงไบนารีทั้งหมดหรือการตอบกลับ audio_url เดิม ส่วนหัว และแอสเซ็ตทุกชิ้นที่เป็นของคุณ

การอ่านเนื้อหาแบบอื่น
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.\n
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-pro

ชื่อพาธเมธอดอื่น

ใช้พาธเมธอดที่แสดงด้านบน

ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล

fish-audio/s2-pro

", "method_identity": { "effective_request_model_id": "fish-audio/s2-pro", "fmt": "speech", "http": "POST", "path": "/v1/audio/speech", "request_model_id": "fish-audio/s2-pro", "route_label": "Ultra" }, "method_key": "Ultra|speech|/v1/audio/speech|fish-audio%2Fs2-pro", "ordinal": 0, "rawMethod": { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.", "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets" }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "content": [ { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "exact returned signed URL; never construct token" } ], "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "status": [ { "http": "GET", "id_source": "actual returned task_id or media library record", "path": "/v1/media/tasks/{task_id}" } ], "unknown": "เก็บ X-Client-Request-ID ที่ส่งกลับมาไว้เพื่อกระทบยอด อ่านเฉพาะค่า task_id/asset_id ที่ส่งกลับมาจริง หรืออ่านจากคลังสื่อที่เป็นของตนเอง ห้ามสร้าง URL ของงานจาก ID การดำเนินการ และห้ามส่งคำขอสร้างซ้ำเด็ดขาด" }, "outputs": { "all_results": "เก็บการตอบกลับและส่วนหัวให้ครบถ้วน เก็บผลลัพธ์จริงทุกรายการ ตัวระบุที่ส่งกลับมาแต่เดิม และฟิลด์ข้อมูลการใช้งานทั้งหมด กู้คืนการดำเนินการเดิมโดยไม่ส่งคำขอสร้างซ้ำ", "family": "audio", "formats": [ "mp3", "pcm" ], "result": "เสียงไบนารีทั้งหมดหรือการตอบกลับ audio_url เดิม ส่วนหัว และแอสเซ็ตทุกชิ้นที่เป็นของคุณ" }, "parameters": [ { "enum": [ "fish-audio/s2-pro" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "min_length": 1, "name": "input", "required": true, "type": "string" }, { "enum": [ "b347db033a6549378b48d00acb0d06cd" ], "enum_known": true, "min_length": 1, "name": "voice", "required": true, "type": "string" }, { "default": "pcm", "default_known": true, "enum": [ "mp3", "pcm" ], "enum_known": true, "name": "response_format", "required": false, "type": "string" }, { "name": "provider", "required": false, "type": "object" } ], "request_schema": { "properties": { "input": { "minLength": 1, "type": "string" }, "model": { "enum": [ "fish-audio/s2-pro" ], "type": "string" }, "provider": { "description": "Documented speech data policy and provider-specific options.", "properties": { "data_collection": { "enum": [ "allow", "deny", null ], "type": [ "string", "null" ] }, "options": { "type": "object" }, "zdr": { "type": [ "boolean", "null" ] } }, "type": "object" }, "response_format": { "default": "pcm", "enum": [ "mp3", "pcm" ], "type": "string" }, "voice": { "enum": [ "b347db033a6549378b48d00acb0d06cd" ], "minLength": 1, "type": "string" } }, "required": [ "model", "input", "voice" ], "type": "object" }, "schema_template": { "actual_file_preparation_required": false, "body": { "input": "${ACTUAL_INPUT_TEXT}", "model": "fish-audio/s2-pro", "response_format": "mp3", "voice": "b347db033a6549378b48d00acb0d06cd" }, "content_type": "application/json" } }, "input": { "content_type": "application/json", "material_types": [ "text" ], "required": [ "model", "input", "voice" ] }, "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets" }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "content": [ { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "exact returned signed URL; never construct token" } ], "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "status": [ { "http": "GET", "id_source": "ค่า task_id ที่ส่งกลับมาจริง หรือระเบียนในคลังสื่อ", "path": "/v1/media/tasks/{task_id}" } ], "unknown": "Keep the returned X-Client-Request-ID for reconciliation. Read only actual returned task_id/asset_id values or the owned media library; never build a task URL from the operation ID and never resubmit creation." }, "method": { "http": "POST", "path": "/v1/audio/speech" }, "output": { "all_results": "Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.", "family": "audio", "formats": [ "mp3", "pcm" ], "result": "Complete binary audio or original audio_url response, headers and every owned asset." } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input UTF-8 byte" }, "label": "input UTF-8 byte", "units": [ { "amount": "0.00003", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_utf8_byte", "label": "input UTF-8 byte", "native_amount_usd_per_unit": "0.00003", "native_quantity": 1, "public_unit_label": "per input UTF-8 byte", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_utf8_byte" } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\n: \"${AILOOT_INPUT_TEXT:?Set the actual documented input value}\"\nexport AILOOT_INPUT_TEXT\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nrequest={'model': 'fish-audio/s2-pro', 'input': '${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 $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.\n", "label": "Use actual input and retain the complete result", "language": "bash" }, { "code": "set -eu\n: \"${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.\n", "label": "Read existing owned assets", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "speech", "hints": [ "Use the exact caller model ID and documented input representation.", "Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again." ], "http": "POST", "in": null, "input": [ "text" ], "label": "เสียงพูด", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "native_endpoint": "audio_speech", "out": null, "output": [ "audio" ], "path": "/v1/audio/speech", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "per_request", "image_input_price": null, "image_output_price": null, "per_request_price": null, "unit_prices": { "audio_input_utf8_byte": 3e-05 } }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input UTF-8 byte" }, "label": "input UTF-8 byte", "units": [ { "amount": "0.00003", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_utf8_byte", "label": "input UTF-8 byte", "native_amount_usd_per_unit": "0.00003", "native_quantity": 1, "public_unit_label": "per input UTF-8 byte", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_utf8_byte" } ] } ], "request_model_id": "fish-audio/s2-pro", "route_label": "Ultra", "status_reads": [ "GET /v1/media/tasks/{task_id}" ], "tiers": [], "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" }, { "amount": "0.00003", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_utf8_byte", "label": "input UTF-8 byte", "native_amount_usd_per_unit": "0.00003", "native_quantity": 1, "public_unit_label": "per input UTF-8 byte", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_utf8_byte" } ] } } ], "model_id": "fish-audio/s2-pro", "nativeProvenance": { "input_facts_canonical_sha256": "07b936ec2e5cb495923d479056f882a5292f3b6ea0b997c2b57b6ba6e7af152a", "input_html_sha256": "b34087e98735ee81183b13ad0b3d00528d3b96c4aabd270e72c8c30fe0e59c9a", "private_audit_sha256": "a8cd93c74fb98df3e14a1b07a883192fc25f959c101384310d88d40dab03fadb", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/th/fish-audio-s2-pro/", "description": "Fish Audio S2 Pro สร้างเสียงพูดหลายภาษาที่ถ่ายทอดอารมณ์ พร้อมคำกำกับระดับคำและบทสนทนาหลายผู้พูดโดยตรง คำสั่งในวงเล็บเหลี่ยมควบคุมวิธีพูดในบท ขณะที่เสียงอ้างอิงระบุผู้พูดและการตั้งค่าผลลัพธ์กำหนดชิ้นงานเสียง", "locale": "th", "md_url": "https://ailoot.ai/models/th/fish-audio-s2-pro/index.md", "title": "Fish Audio: S2 Pro — Ailoot", "url": "https://ailoot.ai/models/th/fish-audio-s2-pro/" }, "rawModel": { "about": "S2 Pro เป็นโมเดลแปลงข้อความเป็นเสียงพูดเจเนอเรชันสองของ Fish Audio สำหรับเสียงบรรยายที่ถ่ายทอดอารมณ์ บทสนทนาตัวละคร และเสียงตอบสนทนา แปลงบทเขียนเป็นเสียงและรองรับคำกำกับภาษาธรรมชาติระดับคำหรือวลี เจเนอเรชัน S1 ก่อนหน้าใช้คำกำกับในวงเล็บกลม ส่วน S2 Pro ใช้วงเล็บเหลี่ยมโดยตรงและรองรับหลายผู้พูดในคำขอสังเคราะห์เดียว ผู้ผลิตเผยแพร่ค่าน้ำหนัก S2 Pro และโค้ดปรับแต่งโมเดลสำหรับงานปรับเฉพาะแยกต่างหาก คำขอเสียงทั่วไปใช้โมเดลที่เลือก ไม่ใช่ฝึกโมเดลใหม่\n\nเขียนเนื้อหาที่จะพูดก่อน แล้ววางคำกำกับวิธีพูดทันทีก่อนคำหรือวลีที่จะได้รับผล คำกำกับอาจบรรยายการกระซิบ ปฏิกิริยา การหยุด การเปลี่ยนอารมณ์ หรือรูปแบบการพูดอย่างเปิดกว้าง สำหรับคำอธิบายสินค้าสั้น ให้ประโยคข้อเท็จจริงชัดเจนและเน้นเฉพาะจุดที่ผู้ฟังควรสังเกตความแตกต่าง สำหรับบทตัวละคร ให้บรรยายการเปลี่ยนอารมณ์ตรงจังหวะที่เกิด แทนการกำหนดอารมณ์เดียวตลอดข้อความ\n\nแท็กในวงเล็บเหลี่ยมเป็นคำบรรยายแบบเปิด ไม่ใช่เมนูจำกัด ตัวอย่างได้แก่ [whispering], [sigh], [long pause] และวลีอย่าง [speaking slowly, almost hesitant] แท็กอยู่กลางประโยคได้และส่งผลต่อคำพูดถัดไป แท็กบรรยายต้องมีข้อความจริงตามหลัง คำสั่งที่อยู่โดด ๆ อาจให้ผลคาดเดาไม่ได้ เริ่มจากคำกำกับที่มีประโยชน์หนึ่งหรือสองรายการก่อนเพิ่มหลายชั้น เพราะแท็กที่ขัดกันอาจบดบังวิธีพูดที่ตั้งใจ เสียงอ้างอิงต่างกันอาจตอบสนองต่อคำกำกับเดียวกันด้วยความเข้มต่างกัน\n\nข้อมูลเผยแพร่ S2 ระบุประมาณ 80 ภาษา และให้ตัวอย่างคำกำกับวิธีพูดในภาษาเดียวกับบท เตรียมถ้อยคำในภาษาที่ต้องพูดและรักษาชื่อ หน่วย กับตัวย่อที่ต้องอ่านแบบเฉพาะ เสียงบรรยายหลายภาษาสามารถรักษาเสียงที่ตั้งใจขณะเปลี่ยนภาษาบท แต่ชิ้นงานสุดท้ายยังต้องฟังตรวจการออกเสียงและความต่อเนื่อง การสังเคราะห์ทำให้เนื้อหาที่ส่งเป็นเสียงพูด ไม่ได้ตัดสินว่าแอปพลิเคชันควรให้ข้อมูลใด\n\nสำหรับผู้พูดคนเดียว เลือกรหัสเสียงที่บันทึกไว้หรือส่งเสียงอ้างอิงพร้อมบทถอดเสียงที่ตรงกัน ผู้ผลิตแนะนำตัวอย่างสะอาดยาว 10–30 วินาทีสำหรับกำหนดเสียงทันที สำหรับบทสนทนา ใช้เครื่องหมายผู้พูด เช่น <|speaker:0|> และ <|speaker:1|> พร้อมรายการรหัสเสียงตามลำดับหรือกลุ่มอ้างอิงแยกสำหรับแต่ละคน หมายเลขเลือกเสียงรายการที่ตรงกัน รักษาลำดับไว้ขณะสนทนาต่อ คำกำกับการพูดด้วยภาษาธรรมชาติกับการเลือกผู้พูดมีบทบาทต่างกันในบท\n\nผลลัพธ์เสียงเป็น MP3, WAV, PCM ดิบ หรือ Opus ได้ MP3 มีค่าเริ่มต้น 128 kbps และมีตัวเลือก 64 หรือ 192 kbps ส่วน Opus ใช้ 48 kHz ขณะที่ WAV และ PCM รองรับตัวเลือกอัตราสุ่มตามเอกสารเป็นโมโน 16 บิต เลือกรูปแบบตามปลายทางจริง เช่น ไฟล์เก็บสำหรับเสียงบรรยาย หรือชิ้นเสียงที่เหมาะสำหรับเล่น เวิร์กโฟลว์เสียงผู้ผลิตยังอธิบายการสตรีมข้อความสดเมื่อบททยอยมาถึง ผลลัพธ์ที่สร้างควรผูกกับบทเต็มและเสียงที่เลือกเสมอ\n\nปรับความเร็วได้ระหว่าง 0.5 ถึง 2.0 พร้อมตัวควบคุมระดับเสียงและการปรับความดังผลลัพธ์ให้เป็นมาตรฐาน การปรับข้อความช่วยให้อ่านตัวเลขอังกฤษและจีนได้ดีขึ้น การประมวลผลแบ่งส่วนในช่วง 100–300 และมีงบโทเคนเสียงต่อส่วน จึงไม่ควรอ่านค่าพวกนี้เป็นความยาวสูงสุดตายตัวของเสียงบรรยายทั้งเรื่อง การอิงส่วนก่อนหน้าช่วยส่งบริบทเสียงไปยังช่วงถัดไป ตัวควบคุมการสุ่ม เช่น temperature และ top-p มีผลต่อความหลากหลาย แม้เป็นบรรทัดที่กำกับอย่างตั้งใจ ก็ยังต้องมีข้อความกับบริบทพอจะถ่ายทอดเสียงที่ต้องการ\n\nบรีฟผลิตงานที่มีประโยชน์แยกเสียงบรรยาย บทสนทนา และคำกำกับวิธีพูด แล้วระบุเสียงกับรูปแบบชิ้นงาน ฟังตรวจคำตกหล่น เสียงซ้ำ การอ่านตัวเลข การเปลี่ยนผู้พูด และจังหวะปฏิกิริยา แก้บรรทัดหรือเสียงอ้างอิงที่ทำให้ไม่ตรง แทนการสมมติว่าเพิ่มแท็กจะทำให้ทุกช่วงดีขึ้น S2 Pro ยังคงเป็นโมเดล S2 เจเนอเรชันก่อนหน้าที่แยกต่างหาก ส่วน S2.1 Pro เป็นรุ่นหลังที่มีการปรับปรุงและพฤติกรรมการตั้งค่าเฉพาะโมเดล", "alias_of": null, "aliases": [], "author": "Fish Audio", "capabilities": { "context_length": 0, "manufacturer_input": [ "text" ], "manufacturer_output": [ "speech" ] }, "card_routes": [ { "label": "Ultra", "rates": [ { "amount": "0.00003", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_utf8_byte", "label": "input UTF-8 byte", "native_amount_usd_per_unit": "0.00003", "native_quantity": 1, "public_unit_label": "per input UTF-8 byte", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_utf8_byte" } ], "summary": "ดูราคาตามการกำหนดค่าแบบครบถ้วนในรายละเอียด" } ], "ctx": null, "formats": [ "speech" ], "id": "fish-audio/s2-pro", "input": [ "text" ], "kind": "audio", "max_out": null, "methods": [ { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.", "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets" }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "content": [ { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "exact returned signed URL; never construct token" } ], "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "status": [ { "http": "GET", "id_source": "actual returned task_id or media library record", "path": "/v1/media/tasks/{task_id}" } ], "unknown": "เก็บ X-Client-Request-ID ที่ส่งกลับมาไว้เพื่อกระทบยอด อ่านเฉพาะค่า task_id/asset_id ที่ส่งกลับมาจริง หรืออ่านจากคลังสื่อที่เป็นของตนเอง ห้ามสร้าง URL ของงานจาก ID การดำเนินการ และห้ามส่งคำขอสร้างซ้ำเด็ดขาด" }, "outputs": { "all_results": "เก็บการตอบกลับและส่วนหัวให้ครบถ้วน เก็บผลลัพธ์จริงทุกรายการ ตัวระบุที่ส่งกลับมาแต่เดิม และฟิลด์ข้อมูลการใช้งานทั้งหมด กู้คืนการดำเนินการเดิมโดยไม่ส่งคำขอสร้างซ้ำ", "family": "audio", "formats": [ "mp3", "pcm" ], "result": "เสียงไบนารีทั้งหมดหรือการตอบกลับ audio_url เดิม ส่วนหัว และแอสเซ็ตทุกชิ้นที่เป็นของคุณ" }, "parameters": [ { "enum": [ "fish-audio/s2-pro" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "min_length": 1, "name": "input", "required": true, "type": "string" }, { "enum": [ "b347db033a6549378b48d00acb0d06cd" ], "enum_known": true, "min_length": 1, "name": "voice", "required": true, "type": "string" }, { "default": "pcm", "default_known": true, "enum": [ "mp3", "pcm" ], "enum_known": true, "name": "response_format", "required": false, "type": "string" }, { "name": "provider", "required": false, "type": "object" } ], "request_schema": { "properties": { "input": { "minLength": 1, "type": "string" }, "model": { "enum": [ "fish-audio/s2-pro" ], "type": "string" }, "provider": { "description": "Documented speech data policy and provider-specific options.", "properties": { "data_collection": { "enum": [ "allow", "deny", null ], "type": [ "string", "null" ] }, "options": { "type": "object" }, "zdr": { "type": [ "boolean", "null" ] } }, "type": "object" }, "response_format": { "default": "pcm", "enum": [ "mp3", "pcm" ], "type": "string" }, "voice": { "enum": [ "b347db033a6549378b48d00acb0d06cd" ], "minLength": 1, "type": "string" } }, "required": [ "model", "input", "voice" ], "type": "object" }, "schema_template": { "actual_file_preparation_required": false, "body": { "input": "${ACTUAL_INPUT_TEXT}", "model": "fish-audio/s2-pro", "response_format": "mp3", "voice": "b347db033a6549378b48d00acb0d06cd" }, "content_type": "application/json" } }, "input": { "content_type": "application/json", "material_types": [ "text" ], "required": [ "model", "input", "voice" ] }, "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets" }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "content": [ { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "exact returned signed URL; never construct token" } ], "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "status": [ { "http": "GET", "id_source": "ค่า task_id ที่ส่งกลับมาจริง หรือระเบียนในคลังสื่อ", "path": "/v1/media/tasks/{task_id}" } ], "unknown": "Keep the returned X-Client-Request-ID for reconciliation. Read only actual returned task_id/asset_id values or the owned media library; never build a task URL from the operation ID and never resubmit creation." }, "method": { "http": "POST", "path": "/v1/audio/speech" }, "output": { "all_results": "Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.", "family": "audio", "formats": [ "mp3", "pcm" ], "result": "Complete binary audio or original audio_url response, headers and every owned asset." } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input UTF-8 byte" }, "label": "input UTF-8 byte", "units": [ { "amount": "0.00003", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_utf8_byte", "label": "input UTF-8 byte", "native_amount_usd_per_unit": "0.00003", "native_quantity": 1, "public_unit_label": "per input UTF-8 byte", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_utf8_byte" } ] } ], "examples": [ { "code": "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-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 $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.\n", "label": "Use actual input and retain the complete result", "language": "bash" }, { "code": "set -eu\n: \"${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.\n", "label": "Read existing owned assets", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "speech", "hints": [ "Use the exact caller model ID and documented input representation.", "Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again." ], "http": "POST", "in": null, "input": [ "text" ], "label": "เสียงพูด", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "native_endpoint": "audio_speech", "out": null, "output": [ "audio" ], "path": "/v1/audio/speech", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "per_request", "image_input_price": null, "image_output_price": null, "per_request_price": null, "unit_prices": { "audio_input_utf8_byte": 3e-05 } }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input UTF-8 byte" }, "label": "input UTF-8 byte", "units": [ { "amount": "0.00003", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_utf8_byte", "label": "input UTF-8 byte", "native_amount_usd_per_unit": "0.00003", "native_quantity": 1, "public_unit_label": "per input UTF-8 byte", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_utf8_byte" } ] } ], "request_model_id": "fish-audio/s2-pro", "route_label": "Ultra", "status_reads": [ "GET /v1/media/tasks/{task_id}" ], "tiers": [], "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" }, { "amount": "0.00003", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_utf8_byte", "label": "input UTF-8 byte", "native_amount_usd_per_unit": "0.00003", "native_quantity": 1, "public_unit_label": "per input UTF-8 byte", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_utf8_byte" } ] } ], "model_aliases": [ { "canonical_model_id": "fish-audio/s2-pro", "request_model_id": "fish-audio/s2-pro", "route_label": "Ultra" } ], "name": "Fish Audio: S2 Pro", "price": { "in": null, "in_label": null, "out": null, "out_label": null, "sort_in": null, "sort_out": null, "varies": true }, "short": "Fish Audio S2 Pro สร้างเสียงพูดหลายภาษาที่ถ่ายทอดอารมณ์ พร้อมคำกำกับระดับคำและบทสนทนาหลายผู้พูดโดยตรง คำสั่งในวงเล็บเหลี่ยมควบคุมวิธีพูดในบท ขณะที่เสียงอ้างอิงระบุผู้พูดและการตั้งค่าผลลัพธ์กำหนดชิ้นงานเสียง" }, "renderer_schema": { "method_order": "Original DTO methods order; every exact route/format/path/caller survives.", "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers." }, "representation": "exact-public-dto-and-native-renderer-html", "representationNotes": { "current_reference": { "about_json_pointer": "/aboutHtml", "methods": [ { "contract_json_pointer": "/methods/0/rawMethod/contract", "html_json_pointer": "/methods/0/html", "method_ordinal": 0 } ], "role": "current-semantic-reference" }, "raw_input": { "examples_role": "historical-input-not-current-ready-examples", "json_pointers": [ "/rawModel", "/methods/0/rawMethod" ], "role": "historical-owner-input" }, "schema": "ailoot-native-model-representations-v1" }, "schema": "ailoot-static-model-facts-v1", "schema_version": 1, "shortText": "Fish Audio S2 Pro สร้างเสียงพูดหลายภาษาที่ถ่ายทอดอารมณ์ พร้อมคำกำกับระดับคำและบทสนทนาหลายผู้พูดโดยตรง คำสั่งในวงเล็บเหลี่ยมควบคุมวิธีพูดในบท ขณะที่เสียงอ้างอิงระบุผู้พูดและการตั้งค่าผลลัพธ์กำหนดชิ้นงานเสียง", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "ce3359f708775184cf5e5f827f741315dc98e8aa165777925dbd505378d27728", "renderer_sha256": "890edb706fafafdd4f598bb324acf65fada58918b0911b97eb80e68be2ef65d9" }, "sourceRevision": "47bc5dce2cf6128fcfa0e245f7ec4e5349c1954ea3daadc5324fa81ec6ba3313" }