Fish Audio: S2.1 Pro

Fish Audio: S2.1 Pro ist ein Text-to-Speech-Modell von Fish Audio, das auf api14 unter der Kategorie speech gelistet ist. Der Anbieter beschreibt es als produktionsorientiert, was es in den Teil der Fish Audio Produktpalette einordnet, der auf eingesetzte Sprachanwendungen statt auf Experimente ausgerichtet ist. Wenn Sie bereits andere Modelle über api14 leiten, steht es neben ihnen als Option zur Sprachgenerierung vom selben Anbieter.

Das Modell nimmt Text als einzige Eingabe und gibt Sprache als einzige Ausgabe zurück. Es ist für mehrsprachige Sprachanwendungen, ausdrucksstarke Narration und Dialogsynthese gebaut und bietet offene Steuerungen in natürlicher Sprache für den Sprechstil. Das bedeutet, Sie können die gewünschte Vortragsweise in einfacher Sprache beschreiben, statt aus einer festen Auswahl an Voreinstellungen zu wählen. Für dieses Modell wird keine Kontextfenstergröße veröffentlicht, und die maximale Ausgabe ist in den Modellmetadaten als null angegeben, daher sollten Sie die praktische Länge einer einzelnen Generierung gegen die Live-API prüfen, statt sie aus dem Listing anzunehmen.

Die Anwendungsfälle ergeben sich direkt aus diesen Eigenschaften. Mehrsprachige Sprachanwendungen passen am offensichtlichsten, da das Modell für mehr als eine Sprache gedacht ist. Ausdrucksstarke Narration eignet sich für Hörbücher, Erklärvideos und alle Inhalte, bei denen eine monotone Lesung falsch klingen würde. Dialogsynthese deckt Skripte mit mehreren Sprechern, konversationelle Agenten und interaktive Charaktere ab. Die Stilsteuerungen in natürlicher Sprache sind nützlich, wenn Sie Ton oder Vortrag pro Anfrage steuern möchten, ohne eine Bibliothek mit voreingestellten Stimmen zu pflegen.

Sie rufen es über die OpenAI-kompatible API von api14 mit der Modell-ID "fish-audio/s2.1-pro" auf. Da die Schnittstelle dem OpenAI-Format folgt, funktionieren bestehende Clients und SDKs im Allgemeinen mit einer Änderung der Basis-URL und der Modell-ID. Die Modellmetadaten listen keine unterstützten Parameter auf, gehen Sie also nicht davon aus, dass Sampling-Steuerungen wie temperature oder top_p akzeptiert werden; prüfen Sie den Live-Endpunkt, bevor Sie sich darauf verlassen. Die Ausgabe ist Audio, daher muss Ihr Client eine Sprachantwort statt Text verarbeiten.

Es gibt keine veröffentlichte Kontextlänge, und die maximale Ausgabe ist als null vermerkt, daher müssen sehr lange Skripte möglicherweise in kleinere Anfragen aufgeteilt werden. Wenn Ihre Aufgabe Textgenerierung statt Sprache ist, passt ein Textmodell besser. Wenn Sie ein Sprachmodell mit dokumentierten Parametersteuerungen benötigen, vergleichen Sie es mit anderen Sprachmodellen auf api14, bevor Sie sich festlegen.