Sesame: CSM 1B

Sesame: CSM 1B, Sesame का एक conversational speech model है। यह speech श्रेणी में आता है और api14 पर model id sesame/csm-1b से पहचाना जाता है। provider इसे 1B parameter model बताता है, जिससे यह लिखित text से spoken audio बनाने के लिए अपेक्षाकृत छोटा विकल्प बनता है।

यह model input के रूप में केवल text लेता है और output के रूप में केवल speech देता है, विशेष रूप से English speech। इसकी context length 4096 tokens है और maximum output 3686 tokens है। Voice selection इस model की पेशकश का हिस्सा है: उपलब्ध voices हैं conversational_a, conversational_b, read_speech_a, read_speech_b, read_speech_c, read_speech_d, और none। conversational और read speech styles के बीच का यह अंतर मतलब है कि आप चुनी गई voice के अनुसार back and forth tone या अधिक formal narration tone का लक्ष्य रख सकते हैं।

ये capabilities एक काफी स्पष्ट उपयोगों के समूह की ओर संकेत करती हैं। चूंकि input text है और output audio, CSM 1B उन कामों के लिए उपयुक्त है जहां आपके पास पहले से script या copy का एक हिस्सा हो और उसे जोर से बोला जाना चाहिए। conversational voices dialogue style content, जवाब देने वाले assistants, या ऐसे interactive अनुभवों के लिए उपयुक्त हैं जहां natural speaking tone मायने रखता है। read speech voices narration, articles या documents को जोर से पढ़ने, और ऐसे किसी भी मामले के लिए उपयुक्त हैं जहां steady, presentational delivery चाहिए। none विकल्प तब उपलब्ध है जब आप output को किसी नामित voice से बांधना नहीं चाहते। चूंकि model 1B parameters पर छोटा है, यह तब उचित विकल्प है जब आप बड़े model के बिना speech generation चाहते हैं।

आप इसे api14 के OpenAI-compatible API के माध्यम से model id sesame/csm-1b का उपयोग करके call करते हैं। चूंकि API OpenAI format का पालन करता है, आप सामान्य तरीके से request भेजते हैं और model field को उस id पर set करते हैं, तथा आपका text input होता है। model की supported parameters सूची खाली है, इसलिए request format की अपनी आवश्यकताओं से अलग कोई अतिरिक्त tuning parameters पास करने के लिए नहीं हैं। Voice choice ऊपर सूचीबद्ध voices के माध्यम से उपलब्ध है, इसलिए यदि आपको कोई विशिष्ट delivery style चाहिए, तो sampling settings पर निर्भर रहने के बजाय मेल खाती voice चुनें।

प्रतिबद्ध होने से पहले जानने योग्य कुछ सीमाएं हैं। context window 4096 tokens है और maximum output 3686 tokens है, इसलिए बहुत लंबे scripts को requests में विभाजित करना होगा। Output केवल English speech है, और input केवल text है, इसलिए model audio input या non English output को संभालता नहीं है। यदि आपके काम को अलग output modality, लंबा context, या tunable generation parameters चाहिए, तो api14 पर कोई अन्य model बेहतर उपयुक्त हो सकता है।