Fish Audio: S1
Fish Audio S1 ovoz namunalari va qavs ichidagi hissiyot ko‘rsatmalari yordamida ko‘p tilli ssenariylarni ifodali, bir so‘zlovchili audioga aylantiradi. Uni hikoya o‘qish, qisqa ovozli ko‘rsatmalar yoki qahramon gaplari uchun, tayyor audio formati va prosodiyasini boshqarish bilan ishlating.
Model haqida
Bu tavsif model imkoniyatlarini yoritadi. Ailoot da tanlangan usul uchun mavjud kirish, chiqish va parametrlar quyida keltirilgan.
S1 — Fish Audio’ning ifodali hikoya o‘qish va bitta so‘zlovchi ovozini yaratish uchun oldingi avlod matndan nutqqa modeli. U berilgan ssenariyni o‘qib, tanlangan yoki namuna bilan shartlangan ovozda audio qaytaradi. To‘liq S1 kichikroq distillangan S1-mini modelidan alohida; ishlab chiqaruvchi ularni mos ravishda 4 milliard va 0.5 milliard parametrli variantlar sifatida tanishtiradi. Bu profil aynan S1 modelini qamrab oladi.
Hikoya o‘qish uchun amalda aytilishi kerak bo‘lgan so‘zlarni tayyorlang va ijro o‘zgarishi kerak bo‘lgan joylarni belgilang. Foydali tushuntirish ssenariyi asosiy fikrni avval aytadi, bir vaqtning o‘zida bitta g‘oyani rivojlantiradi va tabiiy pauza kerak bo‘lgan iboralarni tinish belgilari bilan ajratadi. Qisqa ko‘rsatmada so‘zlar ekransiz eshitilganda ham aniq bo‘lsin. Ismlar, qisqartmalar va birliklarning ko‘zlangan o‘qilishini saqlang; ko‘z bilan o‘qiladigan satr faqat bitta talaffuzga ega deb taxmin qilmay, raqamlarni audio natijada tekshiring.
S1 (angry), (sad), (in a hurry) yoki (chuckling) kabi qavs ichidagi hissiyot va aytish uslubi ko‘rsatmalaridan foydalanadi. Ko‘rsatmani ta’sir qilishi kerak bo‘lgan gap yoki iboradan oldin qo‘ying, undan keyin esa haqiqiy nutq bo‘lsin. Ijro ko‘rsatmadan keyingi matnga tegishli, shuning uchun kayfiyat o‘zgarishi ijro o‘zgarishi kerak bo‘lgan joyda paydo bo‘lsin. Bu S2 ning kvadrat qavsli ko‘rsatmalaridan boshqa sintaksis; ikki belgilash shaklini o‘zaro almashtirish mumkin deb hisoblamay, ssenariyni tanlangan avlod uchun yozing.
Ovozni saqlangan ovoz identifikatori orqali tanlash yoki namuna yozuvi va uning transkripti bilan shartlash mumkin. Tezkor namuna jarayoni uchun umumiy nutq qo‘llanmasi toza 10–30 soniyalik namunani tavsiya qiladi. Gapirish uslubi va yozuv sifati ko‘zlangan natijaga mos namunani tanlang, transkriptni esa undagi so‘zlarga moslang. Takrorlanuvchi hikoyachi uchun bir xil ovoz namunasini parchalar bo‘ylab qayta ishlating, shunda mavzu almashishi beixtiyor qahramon almashishiga aylanmaydi.
S1 relizi qo‘llab-quvvatlanadigan tillar orasida ingliz, xitoy, yapon, nemis, fransuz, ispan, koreys, arab, rus, niderland, italyan, polyak va portugal tillarini nomlaydi hamda ssenariy ichida tillarni aralashtirishni ta’riflaydi. Nutq sintezini tarjima bosqichi deb ko‘rmay, maqsad tilidagi so‘zlarni bering. O‘zlashma ism yoki til almashishi bor parchada yozilish va atrofdagi gap kontekstini aniq saqlang, tanlangan ovoz shu o‘tishni qanday bajarayotganini tekshiring.
S1 ning ishlab chiqaruvchi interfeysi har bir sintez so‘rovida bitta so‘zlovchini qo‘llab-quvvatlaydi. Dialogni o‘z ovoz namunalariga ega alohida segmentlar sifatida tayyorlab, keyin ilovada yig‘ish mumkin; S2 oilasining ichki ko‘p so‘zlovchili sintezi alohida imkoniyatdir. Qahramon gaplarini tayyorlashda har bir segmentning roli, ovozi va matnini birga saqlang. Sintez natijasi ssenariyning audio ijrosi bo‘ladi; suhbat vaqtini moslash yoki uni musiqa va video bilan birlashtirish keyingi tahrirlash bosqichidir.
Chiqish variantlariga MP3, WAV, xom PCM va Opus kiradi; MP3 standart tanlovdir. Hujjatlashtirilgan chiqish mono; WAV va PCM 16-bit namunalar ishlatadi, formatga xos diskretlash chastotasi tanlovlari esa farq qiladi. MP3 64, 128 va 192 kbps ni qo‘llab-quvvatlaydi, Opus esa 48 kHz dan foydalanadi. Tezlikni 0.5 dan 2.0 gacha, ovoz balandligini ham boshqarish mumkin. Kadr orti audio fayli uchun kodlangan faylni yoki ijro uchun mos oqimni tanlang va tanlangan ovoz hamda ssenariyni natija bilan saqlang.
Ishlab chiqaruvchi uzun matnni bo‘laklarda qayta ishlaydi; hujjatlashtirilgan bo‘lak uzunligi oralig‘i 100–300, audio token budjeti esa umumiy yozuv davomiyligi kafolati o‘rniga har bir bo‘lak uchun belgilanadi. Matnni me’yorlashtirish ingliz va xitoy tillaridagi raqamlarni tabiiy o‘qishga yoyishi mumkin, S1 takrorlash jarimasi esa takroriy audio naqshlarini kamaytirishi mumkin. Chiqish ovoz balandligini me’yorlashtirish boshqa sozlama bo‘lib, S1 ga ta’sir qilmaydi. Tayyor parchani yig‘ishdan oldin talaffuz, ibora chegaralari, takrorlangan tovushlar va ko‘zlangan hissiy o‘zgarishni tekshiring, so‘ng e’tibor kerak bo‘lgan aniq gap yoki namunani tuzating.
Ailoot Ultra · Ovozlashtirish POST /v1/audio/speech fish-audio/s1
fish-audio/s1Boshlash
Fish Audio S1 ovoz namunalari va qavs ichidagi hissiyot ko‘rsatmalari yordamida ko‘p tilli ssenariylarni ifodali, bir so‘zlovchili audioga aylantiradi. Uni hikoya o‘qish, qisqa ovozli ko‘rsatmalar yoki qahramon gaplari uchun, tayyor audio formati va prosodiyasini boshqarish bilan ishlating.
- Qabul qilinadigan kirish ma’lumotlari
- Matn
- Natijalar
- Audio
Ailoot da mavjud · kirish ma’lumotlari va usullar
Ailoot Ultra · Ovozlashtirish POST /v1/audio/speech
- Kirish
text- Chiqish
audio- Chiqish formati
- haqiqatda e’lon qilingan ikkilik audio
| Maydon | Tur | Talab | Qiymatlar va cheklovlar | Standart |
|---|---|---|---|---|
Maydonmodel | Turstring | TalabMajburiy | Qiymatlar va cheklovlar fish-audio/s1 | Standart— |
Maydoninput | Turstring | TalabMajburiy | Qiymatlar va cheklovlar Eng kam uzunlik: 1 | Standart— |
Maydonvoice | Turstring | TalabMajburiy | Qiymatlar va cheklovlar Namunalar: b347db033a6549378b48d00acb0d06cd | Standart— |
Maydonresponse_format | Turstring | TalabIxtiyoriy | Qiymatlar va cheklovlar mp3, pcm | Standartpcm |
Kirish materiallari birikmalari
text_to_speech · Majburiy: actual UTF-8 script, exact supported voice
Usul parametrlari va hayot sikli
| Parametr | Parametr talablari |
|---|---|
Parametrcontent_type | Parametr talablariapplication/json |
Parametrrequired | Parametr talablarimodel, input, voice |
Parametrmaterial_types | Parametr talablaritext |
Parametrvoice_ids | Parametr talablarib347db033a6549378b48d00acb0d06cd |
Parametrvoice_list_exhaustive | Parametr talablarifalse |
Parametrresponse_format | Parametr talablarimp3, pcm |
Parametrdefault_response_format | Parametr talablaripcm |
Parametrquantity | Parametr talablariYagona dekodlangan kirish satrining UTF-8 baytlari; boshidagi va oxiridagi bo‘shliq belgilarini olib tashlamasdan va normallashtirmasdan |
Parametrnative_byte_quote_controls | Parametr talablariQo‘shimcha hisoblanadigan matn e’lon qilinmaguncha, bo‘sh bo‘lmagan instructions va bir nechta so‘zlovchi navbatlaridan iborat kirish aynan shu bayt asosidagi narx hisoblash yo‘lida rad etiladi. |
Hayot sikli: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · Amalda qaytarilgan task_id yoki media kutubxonasidagi yozuv
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Aniq model va hujjatdagi kirish maydonlaridan foydalaning.
To‘liq javobni, har bir haqiqiy chiqish natijasini va dastlab qaytarilgan ID larni saqlang.
Tariflar
Tarif ma’lumotlari so‘rov imkoniyatlarini qo‘shmaydi. Qo‘llab-quvvatlanadigan parametrlar tanlangan usulda ko‘rsatilgan.
- Tezkor rejim
- Ko‘rsatilmagan Tezkor rejim tanlanganda
- Flex rejimi
- Ko‘rsatilmagan flex rejimi tanlanganda
- Maksimal fikrlash darajasi
- Ko‘rsatilmagan Maksimal fikrlash darajasi uchun standart (default) tuzatish qo‘llanganda
Ailoot tariflari
Sozlamalar bo‘yicha narxlar
Har bir to‘lovni ko‘rsatilgan shartlarga moslang. Har bir muqobil sozlamalar to‘plami uchun bitta tarifdan foydalaning.
| Sozlama | Tariflar jadvali | Hisob birligi | To‘lov |
|---|---|---|---|
| SozlamaTokenlar uchun bazaviy tariflar | Tariflar jadvaliAsosiy tarif | Hisob birligi— | To‘lov Kirish · Kirish tokenlari — / 1K token Chiqish · Chiqish tokenlari — / 1K token Kirish · Keshdan o‘qish — / 1K token Kirish · Keshga yozish — / 1K token Kirish · Keshga yozish, 1 soat — / 1K token |
| SozlamaUltra | Tariflar jadvali— | Hisob birligiutf8 kirish audiosining bayti uchun | To‘lov Kirish · Kirish audiosining utf8 bayti $0.00003 utf8 kirish audiosining bayti uchun |
Ailoot so‘rovdan oldin taxminiy summani band qiladi. Natijadan keyin o‘lchangan sarf asosidagi yakuniy to‘lovni yechadi. Oqimli javob bo‘yicha yakuniy hisob-kitob yakuniy sarf yozuviga asoslanadi. Summani band qilish va to‘lovni hisoblash tartibi →
Ma’lumot uchun tarif tafsilotlari
Modelning ma’lumot jadvallari usul tanlash, narx hisobi yoki to‘lovlarni o‘zgartirmaydi. Amaldagi to‘lovlar tanlangan Ailoot usuli tariflari bo‘yicha hisoblanadi.
Fish Audio: S1
Sozlamalar bo‘yicha narxlar
| Sozlama | To‘lovni hisoblash shartlari | To‘lov |
|---|---|---|
| SozlamaFish Audio: S1 · Standart sozlama | To‘lovni hisoblash shartlariStandart konfiguratsiya | To‘lov Kirish · Kirish UTF-8 baytlari 0,00003 US$ UTF-8 kirish bayti uchun |
So‘rov namunalari
Ailoot Ultra · Ovozlashtirish
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.
Natijalarni olish va saqlash
Ailoot Ultra · Ovozlashtirish
haqiqatda e’lon qilingan ikkilik audio
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Barcha tayyor natijalarni saqlash
Qaytarilgan har bir to‘liq javob, fayl va kontent qismini saqlang.
Barcha to‘liq ikkilik baytlar va dastlabki sarlavhalarni saqlang; JSON qaytarilsa, uni to‘liq saqlang. Haqiqiy operatsiya/aktiv ID lari saqlanadi.
Asl javobni tekshirish kerak bo‘lsa
Dastlabki operation_id/X-Client-Request-ID va dastlabki javobni saqlang. Qayta yubormasdan haqiqiy, egalik qilinadigan vazifa/aktiv yozuvlarini o‘qing; audio holatini so‘rash uchun maxsus URL tuzilmaydi.
Javob maydonlari
| Maydon | Tur |
|---|---|
Maydonbinary audio | Turbytes |
Maydonresponse headers | Turheaders |
Taxalluslar
Model taxalluslari
Ailoot Ultra fish-audio/s1
Usul yo‘llari taxalluslari
Yuqorida ko‘rsatilgan usul yo‘llaridan foydalaning.
Chaqirish uchun tegishli ID lar
FAQ · Fish Audio: S1
- Qanday kirish ma’lumotlari va natijalar mavjud?
POST /v1/audio/speech·fish-audio/s1:text→audio- So‘rov qaysi maydonlardan foydalanadi?
POST /v1/audio/speech·fish-audio/s1:model,input,voice,response_format