Fish Audio: S1

फिश ऑडियो: S1, फिश ऑडियो से एक बहुभाषी टेक्स्ट-टू-स्पीच मॉडल है। फिश ऑडियो इस मॉडल के पीछे का प्रोवाइडर है, और S1 api14 पर स्पीच श्रेणी में आता है। इसे उन वॉइस एप्लिकेशन के लिए डिज़ाइन किया गया है जिन्हें व्यापक भावनात्मक अभिव्यक्ति की जरूरत होती है, और यह अपनी समर्थित भाषाओं में बोलने की शैली को निर्देशित करने के लिए कोष्ठक में दिए गए नियंत्रणों का उपयोग करता है। अगर आप ऐसा कुछ बना रहे हैं जहां बोले गए शब्दों का अंदाज़ उतना ही मायने रखता है जितने शब्द खुद, तो यह पेज उसी तरह के मॉडल का वर्णन कर रहा है।

मॉडल अपने इनपुट के रूप में केवल टेक्स्ट लेता है और अपने आउटपुट के रूप में केवल स्पीच देता है। इसके लिए कोई कॉन्टेक्स्ट विंडो आंकड़ा सूचीबद्ध नहीं है, और कोई समर्थित रिक्वेस्ट पैरामीटर भी सूचीबद्ध नहीं है। डिटेल्स ब्लॉक में maxOutput मान शून्य दर्ज है, जिसका मतलब है कि इस पेज पर योजना बनाने के लिए कोई प्रकाशित आउटपुट टोकन सीमा नहीं है। व्यावहारिक रूप से, आपको S1 को एक सामान्य चैट मॉडल के बजाय एक समर्पित सिंथेसिस एंडपॉइंट मानना चाहिए: आप टेक्स्ट भेजते हैं, आपको ऑडियो वापस मिलता है, और अभिव्यक्ति की सीमा इस बात से आती है कि आप इनपुट टेक्स्ट कैसे लिखते हैं, न कि सैंपलिंग पैरामीटर के किसी सेट को ट्यून करने से।

मॉडल का यह स्वरूप काफी विशिष्ट प्रकार के कामों में फिट बैठता है। वीडियो या ऑडियो कंटेंट के लिए नैरेशन और वॉइसओवर इसका स्पष्ट उदाहरण है, क्योंकि आप स्क्रिप्ट लिख सकते हैं और दोबारा टेक रिकॉर्ड करने के बजाय कोष्ठक में दिए गए नियंत्रणों से डिलीवरी को चिह्नित कर सकते हैं। यह संवादात्मक एजेंट और IVR शैली की प्रणालियों के लिए भी उपयुक्त है, जहां आप चाहते हैं कि एजेंट सपाट के बजाय जुड़ा हुआ लगे, और एक्सेसिबिलिटी के काम जैसे लेख या दस्तावेज़ों को एक से ज़्यादा भाषाओं में जोर से पढ़ना भी इसी में आता है। कोई भी पाइपलाइन जो टेक्स्ट से बड़े पैमाने पर स्पीच बनाती है, और लगातार भावनात्मक रंग चाहती है, एक उचित उम्मीदवार है।

आप इसे api14 के OpenAI-संगत API के जरिए मॉडल id "fish-audio/s1" का उपयोग करके कॉल करते हैं। चूंकि गेटवे OpenAI रिक्वेस्ट स्वरूप का पालन करता है, आप अपने मौजूदा क्लाइंट को api14 बेस URL पर इंगित करते हैं और उस id को model फ़ील्ड में पास करते हैं। ध्यान दें कि इस मॉडल के लिए कोई समर्थित पैरामीटर सूचीबद्ध नहीं है, इसलिए यह न मानें कि temperature, top_p, वॉइस चयन या इसी तरह के नॉब स्वीकार किए जाते हैं; जो टेक्स्ट आप बोलवाना चाहते हैं वह भेजें और सिंथेसिस मॉडल को संभालने दें। इसे प्रोडक्शन में जोड़ने से पहले वर्तमान पैरामीटर और एंडपॉइंट विवरण के लिए लाइव मॉडल पेज देखें।

सीमाओं पर, दिए गए तथ्यों से ईमानदार जवाब यह है कि यह पेज उन्हें बताता ही नहीं। न कोई कॉन्टेक्स्ट लंबाई है, न शून्य से ऊपर कोई maxOutput आंकड़ा, और न कोई पैरामीटर सूची, इसलिए क्षमता और ट्यूनिंग व्यवहार यहां बस प्रलेखित नहीं हैं। अगर आपका वर्कलोड किसी ज्ञात इनपुट आकार या आउटपुट लंबाई को सटीक रूप से नियंत्रित करने पर निर्भर करता है, तो पहले उन्हें प्रोवाइडर के अपने दस्तावेज़ों के खिलाफ सत्यापित करें। ऐसे कामों के लिए जो स्पीच बिल्कुल नहीं हैं, api14 पर कोई टेक्स्ट या मल्टीमॉडल मॉडल बेहतर फिट बैठेगा, क्योंकि S1 केवल टेक्स्ट स्वीकार करता है और केवल स्पीच लौटाता है।