Sesame: CSM 1B

Sesame: CSM 1B es un modelo de habla conversacional de Sesame. Se encuentra en la categoría de habla y se identifica en api14 mediante el id de modelo sesame/csm-1b. El proveedor lo describe como un modelo de 1B parámetros, lo que lo convierte en una opción relativamente pequeña para generar audio hablado a partir de texto escrito.

El modelo toma texto como su única entrada y produce habla como su única salida, específicamente habla en inglés. Tiene una longitud de contexto de 4096 tokens y una salida máxima de 3686 tokens. La selección de voz es parte de lo que ofrece el modelo: las voces disponibles son conversational_a, conversational_b, read_speech_a, read_speech_b, read_speech_c, read_speech_d y none. La división entre estilos de habla conversacional y de lectura significa que puedes apuntar a un tono de ida y vuelta o a un tono de narración más formal según la voz que elijas.

Esas capacidades apuntan a un conjunto de usos bastante claro. Como la entrada es texto y la salida es audio, CSM 1B encaja en trabajos donde ya tienes un guion o un bloque de texto y necesitas que se lea en voz alta. Las voces conversacionales se adaptan a contenido de estilo diálogo, asistentes que responden, o experiencias interactivas donde importa un tono de habla natural. Las voces de lectura se adaptan a narración, lectura de artículos o documentos en voz alta, y cualquier caso donde se desee una entrega estable y presentacional. La opción none está disponible cuando no quieres fijar la salida a una voz con nombre. Como el modelo es pequeño, con 1B parámetros, es un candidato razonable cuando quieres generación de habla sin un modelo grande detrás.

Lo llamas a través de la API compatible con OpenAI de api14 usando el id de modelo sesame/csm-1b. Como la API sigue el formato de OpenAI, envías una solicitud de la manera habitual y estableces el campo model a ese id, con tu texto como entrada. La lista de parámetros admitidos del modelo está vacía, así que no hay parámetros de ajuste adicionales que pasar más allá de lo que requiere el propio formato de la solicitud. La elección de voz se expone mediante las voces listadas arriba, así que si necesitas un estilo de entrega específico, selecciona la voz correspondiente en lugar de depender de ajustes de muestreo.

Hay límites que conviene conocer antes de comprometerte. La ventana de contexto es de 4096 tokens y la salida máxima es de 3686 tokens, así que los guiones muy largos tendrán que dividirse en varias solicitudes. La salida es solo habla en inglés, y la entrada es solo texto, así que el modelo no maneja entrada de audio ni salida en idiomas distintos del inglés. Si tu tarea necesita una modalidad de salida diferente, un contexto más largo o parámetros de generación ajustables, otro modelo en api14 puede encajar mejor.