Sesame: CSM 1B

Sesame: CSM 1B é um modelo de fala conversacional da Sesame. Ele fica na categoria de fala e é identificado na api14 pelo id de modelo sesame/csm-1b. O provedor o descreve como um modelo de 1B parâmetros, o que o torna uma opção relativamente pequena para gerar áudio falado a partir de texto escrito.

O modelo recebe texto como sua única entrada e produz fala como sua única saída, especificamente fala em inglês. Ele tem um comprimento de contexto de 4096 tokens e uma saída máxima de 3686 tokens. A seleção de voz faz parte do que o modelo oferece: as vozes disponíveis são conversational_a, conversational_b, read_speech_a, read_speech_b, read_speech_c, read_speech_d e none. A divisão entre estilos de fala conversacional e de leitura significa que você pode buscar um tom de ida e volta ou um tom de narração mais formal, dependendo da voz que escolher.

Essas capacidades apontam para um conjunto bastante claro de usos. Como a entrada é texto e a saída é áudio, o CSM 1B se encaixa em trabalhos nos quais você já tem um roteiro ou um bloco de texto e precisa que ele seja falado em voz alta. As vozes conversacionais servem para conteúdo em estilo de diálogo, assistentes que respondem, ou experiências interativas nas quais um tom de fala natural importa. As vozes de leitura servem para narração, leitura de artigos ou documentos em voz alta, e qualquer caso em que se deseje uma entrega estável e apresentacional. A opção none está disponível quando você não quer fixar a saída em uma voz nomeada. Como o modelo é pequeno, com 1B parâmetros, ele é um candidato razoável quando você quer geração de fala sem um modelo grande por trás.

Você o chama através da API compatível com OpenAI da api14 usando o id de modelo sesame/csm-1b. Como a API segue o formato OpenAI, você envia uma requisição da maneira usual e define o campo model para esse id, com seu texto como entrada. A lista de parâmetros suportados pelo modelo está vazia, então não há parâmetros extras de ajuste a passar além do que o próprio formato da requisição exige. A escolha de voz é exposta através das vozes listadas acima, então, se você precisar de um estilo específico de entrega, selecione a voz correspondente em vez de depender de configurações de amostragem.

Há limites que vale a pena conhecer antes de se comprometer. A janela de contexto é de 4096 tokens e a saída máxima é de 3686 tokens, então roteiros muito longos precisarão ser divididos entre requisições. A saída é apenas fala em inglês, e a entrada é apenas texto, então o modelo não lida com entrada de áudio ou saída em outro idioma. Se sua tarefa precisa de uma modalidade de saída diferente, um contexto mais longo, ou parâmetros de geração ajustáveis, outro modelo na api14 pode se encaixar melhor.