Fish Audio: S2.1 Pro

Fish Audio: S2.1 Pro é um modelo de conversão de texto em fala da Fish Audio, listado em api14 na categoria de fala. É descrito pelo fornecedor como orientado para produção, o que o coloca na parte da linha Fish Audio destinada a aplicações de voz implementadas, em vez de experimentação. Se já encaminha outros modelos através de api14, este fica ao lado deles como uma opção de geração de fala do mesmo fornecedor.

O modelo recebe texto como única entrada e devolve fala como única saída. Foi concebido para aplicações de voz multilingues, narração expressiva e síntese de diálogo, e expõe controlos de estilo de fala em linguagem natural e de formato aberto. Isto significa que pode descrever a entrega pretendida em linguagem simples, em vez de escolher a partir de um conjunto fixo de predefinições. Não é publicada qualquer valor de janela de contexto para este modelo, e a saída máxima está listada como zero nos metadados do modelo, pelo que deve tratar o comprimento prático de qualquer geração individual como algo a confirmar junto da API em direto, em vez de assumir a partir da listagem.

Os casos de uso decorrem diretamente dessas características. Aplicações de voz multilingues são o encaixe mais claro, uma vez que o modelo se destina a mais do que uma língua. A narração expressiva adequa-se a audiolivros, vídeos explicativos e qualquer conteúdo em que uma leitura monótona soaria mal. A síntese de diálogo abrange guiões com vários falantes, agentes conversacionais e personagens interativas. Os controlos de estilo em linguagem natural são úteis quando quer orientar o tom ou a entrega por pedido, sem manter uma biblioteca de vozes predefinidas.

Chama-o através da API compatível com OpenAI do api14, usando o id de modelo "fish-audio/s2.1-pro". Como a interface segue o formato OpenAI, os clientes e SDKs existentes geralmente funcionam com uma alteração do URL base e do id de modelo. Os metadados do modelo não listam parâmetros suportados, pelo que não assuma que controlos de amostragem como temperature ou top_p serão aceites; verifique o endpoint em direto antes de depender deles. A saída é áudio, pelo que o seu cliente tem de lidar com uma resposta de fala em vez de texto.

Não existe comprimento de contexto publicado, e a saída máxima está registada como zero, pelo que guiões muito longos podem ter de ser divididos em pedidos mais pequenos. Se a sua tarefa for geração de texto em vez de fala, um modelo de texto encaixará melhor. Se precisar de um modelo de fala com controlos de parâmetros documentados, compare com outros modelos de fala em api14 antes de decidir.