Fish Audio: S2.1 Pro

Fish Audio: S2.1 Pro は Fish Audio のテキスト読み上げモデルで、api14 の speech カテゴリに掲載されています。プロバイダーはこれを本番向けと説明しており、実験ではなく実際に運用される音声アプリケーションを対象とした Fish Audio ラインナップの一部に位置づけられます。すでに他のモデルを api14 経由でルーティングしている場合、これは同じプロバイダーの音声生成オプションとしてそれらと並ぶものです。

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返します。多言語音声アプリケーション、表現力豊かなナレーション、対話合成向けに作られており、話し方のスタイルに対して自由形式の自然言語コントロールを提供します。つまり、固定のプリセットから選ぶのではなく、望む話し方を平易な言葉で記述できます。このモデルにはコンテキストウィンドウの数値が公開されておらず、最大出力はモデルメタデータでゼロと記載されているため、1 回の生成の実用的な長さは掲載情報から推測するのではなく、実際の API で確認すべきものと考えてください。

ユースケースはこれらの特性から直接導かれます。多言語音声アプリケーションは最も明確に適合します。このモデルは複数の言語を想定しているためです。表現力豊かなナレーションは、オーディオブック、解説動画、および単調な読み上げでは不自然に聞こえるあらゆるコンテンツに適しています。対話合成は、複数話者のスクリプト、会話エージェント、インタラクティブなキャラクターをカバーします。自然言語によるスタイルコントロールは、プリセット音声のライブラリを維持することなく、リクエストごとにトーンや話し方を指示したい場合に役立ちます。

これはモデル id "fish-audio/s2.1-pro" を使用して、api14 の OpenAI 互換 API を通じて呼び出します。インターフェースは OpenAI 形式に従っているため、既存のクライアントや SDK は通常、ベース URL とモデル id の変更で動作します。モデルメタデータには対応パラメータが記載されていないため、temperature や top_p などのサンプリング制御が受け入れられると想定しないでください。それらに依存する前に、実際のエンドポイントを確認してください。出力は音声であるため、クライアントはテキストではなく音声レスポンスを処理する必要があります。

公開されているコンテキスト長はなく、最大出力はゼロとして記録されているため、非常に長いスクリプトはより小さなリクエストに分割する必要があるかもしれません。タスクが音声ではなくテキスト生成である場合、テキストモデルの方が適しています。パラメータ制御が文書化された音声モデルが必要な場合は、確定する前に api14 上の他の音声モデルと比較してください。