Fish Audio: Fish Audio S2-Pro

Name: Fish Audio S2-Pro
Author: Fish Audio

fish/s2-pro

提供中 tts 1プロバイダー

Playground

Fish Audio S2-Pro text-to-speech model with multi-speaker support and natural-language expression control.

作成者Fish Audio

言語1言語

ボイス読み込み中...

レスポンス形式MP3 · WAV · PCM · Opus

ステータス提供中

クイックスタート

Fish Audio S2-Pro

APIキーを作成する

AllModelsに登録してAPIキーを作成し、ALLMODELS_API_KEYとして設定します。

APIキーを作成

リクエストを送る

SDK、リクエストモード、言語を選びます。モデルとプロバイダールートは入力済みです。

ElevenLabs SDKでのストリーミングTTS

ElevenLabs SDKをAllModels経由でルーティングし、音声レスポンスをストリーミングします。

import { ElevenLabsClient } from "elevenlabs";

const client = new ElevenLabsClient({
  apiKey: process.env.ALLMODELS_API_KEY,
  baseUrl: "https://api.allmodels.io/el"
});

const stream = await client.textToSpeech.stream("voice_id", {
  text: "I'm sorry, Dave. I'm afraid I can't do that.",
  modelId: "fish/s2-pro",
  outputFormat: "mp3_44100_128"
}, {
  queryParams: {
    provider: {
      "only": [
        "fish"
      ]
    }
  }
});

const reader = stream.getReader();
for (;;) {
  const { done, value } = await reader.read();
  if (done) break;
  // Write value to your response, file, or audio playback pipeline.
}

プロバイダーパラメーターを渡す

ルートを特定のプロバイダーに固定したい場合は、互換SDKのリクエストオプションでproviderの設定を渡します。

{
  queryParams: {
    provider: {
      only: ["fish"]
    }
  }
}

プロバイダー

同じモデルを複数のプロバイダーがホストしている場合があります。バックエンドを固定したい場合は1つのプロバイダーを選び、そうでなければルーティングに選択を任せられます。

プロバイダーSlug1,000文字あたりレイテンシiモード稼働率

Fish Audio 19個のパラメーター

fish

$0.015

—

同期 · ストリーミング

Fish Audio

このルートには19個のプロバイダーパラメーターが記載されています。

料金

モード言語1,000文字あたり

Text To Speech すべて $0.015 ($15.00 usd Per 1m Utf8 Bytes)

パラメーター

model header · string · 必須

Specify which TTS model to use. We recommend `s2-pro`.

デフォルト "s2-pro"2個の列挙値

値

s1s2-pro

text body · string · 必須

Text to convert to speech.

chunk_length body · integer · 任意

Text segment size for processing.

デフォルト 300最小 100最大 300

condition_on_previous_chunks body · boolean · 任意

Use previous audio as context for voice consistency.

デフォルト true

early_stop_threshold body · number · 任意

Early stopping threshold for batch processing.

デフォルト 1最小 0最大 1

format body · string · 任意

Output audio format.

デフォルト "mp3"4個の列挙値

値

wavpcmmp3opus

latency body · string · 任意

Latency-quality trade-off. normal: best quality, balanced: reduced latency, low: lowest latency.

デフォルト "normal"3個の列挙値

値

lownormalbalanced

max_new_tokens body · integer · 任意

Maximum audio tokens to generate per text chunk.

デフォルト 1024

min_chunk_length body · integer · 任意

Minimum characters before splitting into a new chunk.

デフォルト 50最小 0最大 100

mp3_bitrate body · integer · 任意

MP3 bitrate in kbps. Only applies when format is mp3.

デフォルト 1283個の列挙値

値

64128192

normalize body · boolean · 任意

Normalizes text for English and Chinese, improving stability for numbers.

デフォルト true

opus_bitrate body · integer · 任意

Opus bitrate in bps. -1000 for automatic. Only applies when format is opus.

デフォルト -10005個の列挙値

値

-100024000320004800064000

prosody body · object | null · 任意

Speed and volume adjustments for the output.

デフォルト null

reference_id body · string | array | null · 任意

Voice model ID(s) from Fish Audio library or your custom models. For single-speaker synthesis, provide a string. For multi-speaker synthesis (dialogue), provide an array of model IDs. **Multi-speaker is only available with the S2-Pro model.** When using multiple speakers, use speaker tags in your text like `<|speaker:0|>` and `<|speaker:1|>` to indicate speaker changes. Example: `<|speaker:0|>Hello!<|speaker:1|>Hi there!<|speaker:0|>How are you?` with `reference_id: ["speaker-a-id", "speaker-b-id"]`.

デフォルト null

references body · array | array | null · 任意

Inline voice references for zero-shot cloning. Requires MessagePack (not JSON). For single speaker, provide an array of ReferenceAudio objects. For multiple speakers, provide an array of arrays where each inner array contains references for one speaker. **Multi-speaker is only available with the S2-Pro model.** The speaker index corresponds to the index in reference_id array. Example for multi-speaker: [[{audio, text}], [{audio, text}, {audio, text}]] for 2 speakers where speaker 1 has 2 reference samples.

repetition_penalty body · number · 任意

Penalty for repeating audio patterns. Values above 1.0 reduce repetition.

デフォルト 1.2

sample_rate body · integer | null · 任意

Audio sample rate in Hz. When null, uses the format's default (44100 Hz for most formats, 48000 Hz for opus).

デフォルト null

temperature body · number · 任意

Controls expressiveness. Higher is more varied, lower is more consistent.

デフォルト 0.7最小 0最大 1

top_p body · number · 任意

Controls diversity via nucleus sampling.

デフォルト 0.7最小 0最大 1

対応言語

1言語

English en

ボイス

機能

Text to speech

Generates spoken audio from text input.

text_to_speech

Streaming

Supports streaming audio output (HTTP + WebSocket) with optional timestamps.

streaming

Synchronous

Synthesizes speech from fully-submitted text in a single synchronous request.

synchronous

Multilingual

Supports 80+ languages.

multilingual

Voice cloning

Supports instant (reference audio) and persistent (reference_id) voice cloning.

voice_cloning

Emotion / expression control

Natural-language and bracket expression control; multi-speaker.

emotion_control

コード

ElevenLabs SDKでのストリーミングTTS

ElevenLabs SDKをAllModels経由でルーティングし、音声レスポンスをストリーミングします。

import { ElevenLabsClient } from "elevenlabs";

const client = new ElevenLabsClient({
  apiKey: process.env.ALLMODELS_API_KEY,
  baseUrl: "https://api.allmodels.io/el"
});

const stream = await client.textToSpeech.stream("voice_id", {
  text: "I'm sorry, Dave. I'm afraid I can't do that.",
  modelId: "fish/s2-pro",
  outputFormat: "mp3_44100_128"
}, {
  queryParams: {
    provider: {
      "only": [
        "fish"
      ]
    }
  }
});

const reader = stream.getReader();
for (;;) {
  const { done, value } = await reader.read();
  if (done) break;
  // Write value to your response, file, or audio playback pipeline.
}