Fish Audio: S2.1 Pro Free (free)

S2.1 Pro Free 是 Fish Audio 面向開發者的 S2.1 文字轉語音模型版本。它與 S2.1 Pro 共享底層模型及核心合成能力，包括富有表現力的多語言語音、自然語言表現指示，以及原生多說話者對話。其用途涵蓋測試、原型製作、開發，以及規模較小的應用程式流程。

製作語音助理原型時，先以完整範例回覆評估聲音效果，再測試陸續到達的文字。製作學習產品時，準備簡短解說，包含聽眾需要的確切術語與數字讀法。製作對話原型時，先定義說話者及其聲音參考，再加入表現指示。這些步驟會建立音訊成果與周邊應用流程，而不是讓一次合成請求負責整段對話。

先寫下實際要說出的內容，再把指示放在需要改變表現方式的段落正前方。方括號指示可表達耳語、停頓、反應、強調，或開放式的說話風格。若需在句中改變表現，就把指示放在對應位置，並在描述性指示後接上實際台詞。實用的解說簡報應將事實內容，與希望聽眾感受到的親切感、語速或重點區分開來。

單一說話者可選擇已儲存的聲音識別碼，或提供參考錄音及其逐字稿。開發商的語音指南建議使用乾淨的 10–30 秒樣本進行即時聲音條件設定。選擇語氣與錄音品質適合腳本的參考，並在相關段落中沿用同一份參考。聲音參考提供說話者的音色；文字與行內指示則提供內容及其表現方式。

原生多說話者合成使用 <|speaker:0|> 與 <|speaker:1|> 等標記，搭配依序排列的聲音識別碼陣列，或各自獨立的參考群組。數字說話者標籤必須與排列順序一致。製作教學對話時，先寫下各說話者的台詞，再把表現指示放在對應的說話者標記之後。這可在一次請求中產生對話；其流程不同於 S1 先產生各個單一說話者片段、再行組合的做法。

開發商的流程提供 MP3、WAV、原始 PCM 與 Opus 輸出，預設為 MP3。MP3 支援 64、128 與 192 kbps；WAV 與 PCM 使用文件所述的 16 位元單聲道取樣格式，Opus 則使用 48 kHz。依照要保存的旁白檔、串流播放，或下游音訊處理流程選擇格式。將完整腳本與聲音選擇一併保留，後續才能修改某一句，而不失去原先的表現意圖。

語速可在 0.5 至 2.0 之間調整，並提供音量控制。文字正規化會展開英文與中文數字，使朗讀更自然。輸出響度正規化預設為 true，且適用於 S2 系列；同一欄位對 S1 沒有效果。S1 的 repetition_penalty 不會改變 S2.1 Pro 音訊，因此不能把舊設定當成此模型有效的控制項。應直接檢查重複的聲音與文字，不要依賴沿用的參數來判定結果。

較長腳本會分塊處理。文件所列的區塊長度範圍為 100–300，max_new_tokens 是每個區塊的音訊 token 預算，不是總時長保證。以前一區塊作為條件，可將聲音上下文延續下去。開發商的交付流程涵蓋完整音訊、逐步輸出的音訊區塊，以及腳本陸續到達時的即時文字串流。依應用程式需求選擇接收方式，並保留足夠的腳本上下文，維持下一段的發音與語氣。

要取得實用的最終成果，應聆聽是否有漏字、重複字詞、數字發音問題、說話者切換、停頓，以及指示表現過強或過弱的情況。不同聲音參考可能以不同強度詮釋同一提示，因此應先從簡單的定向台詞開始，再加入可能互相衝突的標籤。處理多語言內容時，提供目標語言腳本，而非要求語音模型自行創作或翻譯內容。針對性修訂應修改造成落差的台詞、提示或參考，同時保留已符合簡報的表現。