Fish Audio: S1

Fish Audio: S1 は Fish Audio による多言語テキスト読み上げモデルです。Fish Audio はこのモデルの提供元であり、S1 は api14 の speech カテゴリに位置しています。幅広い感情表現を必要とする音声アプリケーション向けに設計されており、対応言語全体で話し方のスタイルを導くために括弧による制御を使用します。話されるデリバリーが言葉そのものと同じくらい重要となるものを作っているなら、これがこのページで説明されている種類のモデルです。

このモデルはテキストを唯一の入力として受け取り、音声を唯一の出力として生成します。コンテキストウィンドウの数値は記載されておらず、サポートされるリクエストパラメータも記載されていません。details ブロックには maxOutput の値がゼロと記録されており、このページ上では計画の基準となる公開された出力トークンの上限がないことを意味します。実際には、S1 は汎用チャットモデルではなく専用の合成エンドポイントとして扱うべきです。テキストを送ると音声が返り、表現の幅は一連のサンプリングパラメータを調整することからではなく、入力テキストの書き方から生まれます。

この形のモデルは、かなり特定の一連の用途に適合します。ビデオやオーディオコンテンツ向けのナレーションやボイスオーバーは明らかな用途です。台本を書き、テイクを録り直す代わりに括弧による制御でデリバリーをマークアップできるからです。また、エージェントを平板ではなく生き生きと聞こえさせたい会話エージェントや IVR スタイルのシステム、記事や文書を複数言語で読み上げるといったアクセシビリティの作業にも適しています。テキストから大量に音声を生成し、一貫した感情の色合いを求めるあらゆるパイプラインは、妥当な候補です。

これは api14 の OpenAI 互換 API を通じて、モデル id "fish-audio/s1" を使って呼び出します。ゲートウェイは OpenAI のリクエスト形式に従うため、既存のクライアントを api14 のベース URL に向け、その id を model フィールドに渡します。このモデルにはサポートされるパラメータが記載されていないことに注意してください。そのため temperature、top_p、音声選択などのつまみが受け入れられると想定しないでください。話してほしいテキストを送り、合成はモデルに任せてください。本番環境に組み込む前に、最新のパラメータとエンドポイントの詳細をライブのモデルページで確認してください。

制限について、与えられた事実から正直に言える答えは、このページにはそれらが記載されていないということです。コンテキスト長も、ゼロより大きい maxOutput の数値も、パラメータ一覧もないため、容量と調整の挙動はここでは単に文書化されていません。ワークロードが既知の入力サイズや出力長の正確な制御に依存する場合は、まず提供元自身のドキュメントに対してそれらを確認してください。音声ですらないタスクには、S1 はテキストのみを受け取り音声のみを返すため、api14 上のテキストモデルまたはマルチモーダルモデルのほうがより適しています。