Fish Audio: Drama 3

Fish Audio: Drama 3, Fish Audio का एक text to speech मॉडल है, जो api14 पर speech श्रेणी के अंतर्गत सूचीबद्ध है। यह निर्देशित वॉयस परफॉर्मेंस के लिए बनाया गया है, जिसका अर्थ है कि मॉडल इस विचार के आसपास डिज़ाइन किया गया है कि आप बताते हैं कि किसी पंक्ति को कैसे प्रस्तुत किया जाना चाहिए, न कि केवल शब्द प्रदान करते हैं। Fish Audio मॉडल के पीछे का प्रदाता है, और प्रदाता की रिलीज़ तिथि 13 October 2026 है।

मॉडल अपने एकमात्र इनपुट के रूप में text लेता है और अपने एकमात्र आउटपुट के रूप में speech लौटाता है। इसकी विशिष्ट क्षमता direction handling है: आप किसी पंक्ति से पहले वर्गाकार कोष्ठकों के भीतर सरल भाषा में निर्देश लिखते हैं, उदाहरण के लिए उस वाक्य से पहले एक कोष्ठकबद्ध नोट जैसे nervous जिसे घबराहट के साथ बोला जाना चाहिए। यह आपको अलग नियंत्रणों पर निर्भर रहने के बजाय prompt से ही परफॉर्मेंस को आकार देने देता है। इस मॉडल के लिए कोई context length प्रकाशित नहीं है, और विवरण में अधिकतम आउटपुट शून्य सूचीबद्ध है, इसलिए योजना बनाने के लिए कोई प्रलेखित token window या आउटपुट token बजट नहीं है। यह एक speech generation मॉडल है, text या multimodal मॉडल नहीं, इसलिए यह audio या image इनपुट स्वीकार नहीं करता और text नहीं लौटाता।

व्यावहारिक उपयोग उस डिज़ाइन से अनुसरण करते हैं। चूंकि direction सरल भाषा में लिखा जाता है, Drama 3 उन कार्यों के लिए उपयुक्त है जहां प्रस्तुति शब्दों जितनी ही महत्वपूर्ण है: गेम, एनिमेशन या audio drama के लिए पात्र संवाद और voice acting; कहानियों और podcasts के लिए narration जहां पंक्तियों के बीच tone बदलता है; और advertising या explainer voiceovers जहां एक ही script को कई भावनात्मक readings की आवश्यकता होती है। यह prototyping के लिए भी उपयुक्त है, क्योंकि आप किसी मानव voice actor को फिर से record करने के बजाय कोष्ठकबद्ध direction संपादित करके परफॉर्मेंस पर पुनरावृत्ति कर सकते हैं। कोई भी workflow जो एक script से शुरू होता है और प्रति पंक्ति नियंत्रण के साथ spoken आउटपुट चाहता है, एक उचित उम्मीदवार है।

आप मॉडल को model id "fish-audio/drama-3" का उपयोग करके api14 के OpenAI compatible API के माध्यम से कॉल करते हैं। चूंकि इंटरफ़ेस OpenAI प्रारूप का अनुसरण करता है, आप उस id और अपने text इनपुट के साथ speech endpoint पर एक request भेजते हैं, और आपको response में generated speech प्राप्त होता है। मॉडल कोई supported parameters सूचीबद्ध नहीं करता, इसलिए model id और इनपुट के अलावा सेट करने के लिए कोई प्रलेखित sampling या generation विकल्प नहीं हैं; request को model id plus आपके directed text के रूप में मानें। यदि आपको सटीक request और response फ़ील्ड की पुष्टि करनी है, तो मॉडल पृष्ठ पर endpoint schema देखें।

प्रतिबद्ध होने से पहले जानने योग्य सीमाएं हैं। कोई context length प्रकाशित नहीं है, और अधिकतम आउटपुट शून्य के रूप में सूचीबद्ध है, इसलिए इस बात की कोई घोषित सीमा नहीं है कि आप एक कॉल में कितना text भेज सकते हैं या कितनी speech वापस पा सकते हैं। Supported parameters खाली हैं, इसलिए यदि आपकी pipeline generation settings को ट्यून करने पर निर्भर करती है, तो यह मॉडल उन्हें उजागर नहीं करता। यदि आपका कार्य text generation, transcription या text से speech उत्पन्न करने के अलावा कुछ और है, तो catalogue में एक अलग मॉडल बेहतर फिट होगा।