Sesame: CSM 1B

Sesame: CSM 1B adalah model ucapan percakapan dari Sesame. Model ini berada dalam kategori ucapan dan diidentifikasi di api14 dengan id model sesame/csm-1b. Penyedia mendeskripsikannya sebagai model dengan 1B parameter, yang membuatnya menjadi pilihan yang relatif kecil untuk menghasilkan audio lisan dari teks tertulis.

Model ini menerima teks sebagai satu-satunya input dan menghasilkan ucapan sebagai satu-satunya output, khususnya ucapan bahasa Inggris. Model ini memiliki panjang konteks 4096 token dan output maksimum 3686 token. Pemilihan suara adalah bagian dari apa yang ditawarkan model ini: suara yang tersedia adalah conversational_a, conversational_b, read_speech_a, read_speech_b, read_speech_c, read_speech_d, dan none. Pemisahan antara gaya ucapan percakapan dan bacaan berarti Anda dapat mengarahkan ke nada timbal balik atau nada narasi yang lebih formal tergantung pada suara yang Anda pilih.

Kemampuan tersebut menunjukkan serangkaian penggunaan yang cukup jelas. Karena inputnya adalah teks dan outputnya adalah audio, CSM 1B cocok untuk pekerjaan di mana Anda sudah memiliki skrip atau blok teks dan perlu dibacakan dengan lantang. Suara percakapan cocok untuk konten bergaya dialog, asisten yang membalas bicara, atau pengalaman interaktif di mana nada bicara yang alami menjadi penting. Suara bacaan cocok untuk narasi, membacakan artikel atau dokumen dengan lantang, dan segala kasus di mana penyampaian presentasional yang stabil diinginkan. Opsi none tersedia ketika Anda tidak ingin menyematkan output ke suara bernama tertentu. Karena model ini kecil dengan 1B parameter, model ini menjadi kandidat yang wajar ketika Anda menginginkan pembuatan ucapan tanpa model besar di belakangnya.

Anda memanggilnya melalui API yang kompatibel dengan OpenAI dari api14 menggunakan id model sesame/csm-1b. Karena API mengikuti format OpenAI, Anda mengirim permintaan dengan cara biasa dan menetapkan field model ke id tersebut, dengan teks Anda sebagai input. Daftar parameter yang didukung model ini kosong, jadi tidak ada parameter penyetelan tambahan yang perlu dikirim di luar apa yang dibutuhkan oleh format permintaan itu sendiri. Pilihan suara diekspos melalui suara yang tercantum di atas, jadi jika Anda memerlukan gaya penyampaian tertentu, pilih suara yang sesuai daripada mengandalkan pengaturan sampling.

Ada batasan yang perlu diketahui sebelum Anda berkomitmen. Jendela konteksnya adalah 4096 token dan output maksimumnya adalah 3686 token, jadi skrip yang sangat panjang perlu dipecah ke beberapa permintaan. Outputnya hanya ucapan bahasa Inggris, dan inputnya hanya teks, jadi model ini tidak menangani input audio atau output non bahasa Inggris. Jika tugas Anda memerlukan modalitas output yang berbeda, konteks yang lebih panjang, atau parameter generasi yang dapat disetel, model lain di api14 mungkin lebih cocok.