Fish Audio: S2 Pro

Fish Audio: S2 Pro は、Fish Audio によるテキスト読み上げモデルです。これは speech カテゴリに属し、プロバイダーでのリリース日は 2026 年 7 月 29 日です。書き起こされたテキストを音声に変換する必要があるものを作っているなら、これがまず検討する種類のモデルであり、その背後にある企業が Fish Audio です。

このモデルはテキストのみを入力として受け取り、音声のみを出力として生成します。多言語対応なので、同じモデルで複数の言語を扱うことができ、単一言語の音声を選ぶ必要はありません。Fish Audio は、表現力豊かなナレーションや複数話者の対話に適していると説明しており、話し方のスタイルと感情を自然言語で制御する機能を提供しています。つまり、固定されたプリセットから選ぶだけでなく、望む話し方を記述することで読み上げ方を誘導できます。このモデルにはコンテキスト長が記載されていないため、送信するテキストを実質的な制約として扱い、最新の詳細はライブのモデルページで確認してください。

これらの機能は、かなり明確な用途を示しています。表現力豊かなナレーションは、オーディオブック、ナレーション付き記事、解説動画、そして平坦なロボットのような読み上げでは不自然に聞こえるあらゆる製品に適しています。複数話者の対話は、ポッドキャスト形式のコンテンツ、オーディオドラマ、トレーニングシナリオ、2 人以上の声が台詞をやり取りする会話デモの候補になります。自然言語によるスタイルと感情の制御は、同じスクリプトを異なるトーンで届けたい場合、たとえば穏やかなバージョンと興奮したバージョンを作りたい場合に、パイプラインを再構築せずに役立ちます。モデルが多言語対応であるため、複数言語でコンテンツを提供するチームは、言語ごとに別々のシステムをつなぎ合わせるのではなく、1 つの統合を維持できます。

モデル id「fish-audio/s2-pro」を使用して、api14 の OpenAI 互換 API を通じて呼び出します。インターフェイスが OpenAI 形式に従っているため、既存の OpenAI クライアントを api14 に向け、そのモデル id を含むリクエストを、入力としてテキストを指定して送信し、音声を受け取ることができます。このモデルには対応パラメータが記載されていないため、temperature、top_p、max tokens などのサンプリング制御を渡せると想定しないでください。モデル id と入力を送信し、出力を形作るにはテキスト自体に含める自然言語のスタイルと感情の指示に頼ってください。記録されている最大出力値は 0 で、計画に使える出力上限が示されていないため、採用を決める前に実際の動作をライブエンドポイントで確認してください。

ここで指定されている情報が非常に少ないことを踏まえると、このモデルは、テキストを入力して音声を出力する作業、特に表現力豊かな用途や複数話者の作業に適した妥当な選択です。音声や画像も入力として受け入れるモデル、テキストを返すモデル、または調整可能なサンプリングパラメータを公開するモデルが必要な場合は、api14 の別の場所を探すことになります。