Sesame: CSM 1B

Sesame: CSM 1B är en konversationsmodell för tal från Sesame. Den tillhör kategorin tal och identifieras på api14 med modell-id:t sesame/csm-1b. Leverantören beskriver den som en modell med 1B parametrar, vilket gör den till ett relativt litet alternativ för att generera talat ljud från skriven text.

Modellen tar text som enda indata och producerar tal som enda utdata, närmare bestämt engelskt tal. Den har en kontextlängd på 4096 tokens och en maximal utdata på 3686 tokens. Röstval är en del av vad modellen erbjuder: de tillgängliga rösterna är conversational_a, conversational_b, read_speech_a, read_speech_b, read_speech_c, read_speech_d och none. Uppdelningen mellan konversationsstilar och uppläsningsstilar innebär att du kan sikta på en samtalsliknande ton eller en mer formell berättarton beroende på vilken röst du väljer.

Dessa egenskaper pekar mot en ganska tydlig uppsättning användningsområden. Eftersom indata är text och utdata är ljud passar CSM 1B för arbete där du redan har ett manus eller ett textstycke och behöver få det uppläst. Konversationsrösterna passar dialogliknande innehåll, assistenter som svarar tillbaka eller interaktiva upplevelser där en naturlig talt ton spelar roll. Uppläsningsrösterna passar berättande, uppläsning av artiklar eller dokument och alla fall där en stadig, presenterande framförande stil önskas. Alternativet none är tillgängligt när du inte vill låsa utdata till en namngiven röst. Eftersom modellen är liten med 1B parametrar är den en rimlig kandidat när du vill ha talgenerering utan en stor modell bakom.

Du anropar den via api14:s OpenAI-kompatibla API med modell-id:t sesame/csm-1b. Eftersom API:et följer OpenAI-formatet skickar du en begäran på vanligt sätt och ställer in fältet model till det id:t, med din text som indata. Modellens lista över stödda parametrar är tom, så det finns inga extra justeringsparametrar att skicka utöver vad begäransformatet i sig kräver. Röstvalet exponeras genom rösterna som listas ovan, så om du behöver en specifik framförande stil bör du välja matchande röst i stället för att förlita dig på samplingsinställningar.

Det finns begränsningar värda att känna till innan du satsar. Kontextfönstret är 4096 tokens och den maximala utdata är 3686 tokens, så mycket långa manus behöver delas upp över flera begäranden. Utdata är endast engelskt tal, och indata är endast text, så modellen hanterar inte ljudindata eller utdata på andra språk än engelska. Om din uppgift behöver en annan utdatamodalitet, en längre kontext eller justerbara genereringsparametrar kan en annan modell på api14 passa bättre.