Fish Audio: S2.1 Pro

Fish Audio: S2.1 Pro är en text-till-tal-modell från Fish Audio, listad på api14 under kategorin speech. Den beskrivs av sin leverantör som produktionsinriktad, vilket placerar den i den del av Fish Audios sortiment som riktar sig mot driftsatta röstapplikationer snarare än experiment. Om du redan dirigerar andra modeller genom api14 finns denna sida vid sida med dem som ett alternativ för röstgenerering från samma leverantör.

Modellen tar text som enda indata och returnerar tal som enda utdata. Den är byggd för flerspråkiga röstapplikationer, uttrycksfull uppläsning och dialogsyntes, och den exponerar öppna naturligt språk-styrningar för talsstil. Det innebär att du kan beskriva den leverans du vill ha i vanligt språk i stället för att välja från en fast uppsättning förval. Ingen siffra för kontextfönster publiceras för denna modell, och maximal utdata anges som noll i modellens metadata, så behandla den praktiska längden för varje enskild generering som något du bekräftar mot det aktiva API:et i stället för att anta utifrån listningen.

Användningsfallen följer direkt av dessa egenskaper. Flerspråkiga röstapplikationer passar bäst, eftersom modellen är avsedd för mer än ett språk. Uttrycksfull uppläsning passar ljudböcker, förklarande videor och allt innehåll där en platt uppläsning skulle låta fel. Dialogsyntes täcker manus med flera talare, konversationsagenter och interaktiva karaktärer. Styrningarna för naturligt språk-stil är användbara när du vill styra ton eller leverans per begäran utan att underhålla ett bibliotek av förvalda röster.

Du anropar den via api14:s OpenAI-kompatibla API med modell-id:t "fish-audio/s2.1-pro". Eftersom gränssnittet följer OpenAI-formatet fungerar befintliga klienter och SDK:er i allmänhet med en ändring av bas-URL och modell-id. Modellens metadata listar inga parametrar som stöds, så anta inte att samplingsstyrningar som temperature eller top_p accepteras; kontrollera den aktiva slutpunkten innan du förlitar dig på dem. Utdata är ljud, så din klient behöver hantera ett talsvar i stället för text.

Det finns ingen publicerad kontextlängd, och maximal utdata registreras som noll, så mycket långa manus kan behöva delas upp i mindre begäranden. Om din uppgift är textgenerering snarare än tal passar en textmodell bättre. Om du behöver en talmodell med dokumenterade parameterstyrningar, jämför med andra talmodeller på api14 innan du bestämmer dig.