S2.1 Pro: مدل صوتی بلادرنگ فیش آدیو
هوش مصنوعیClaude Opus 5خلاصهٔ کاملتر
به نوشتهٔ این مقاله، فیش آدیو مدل S2.1 Pro رو بهعنوان مدل صوتی پیشنهادیاش برای محیط پروداکشن معرفی کرده؛ مدلی که برخلاف سیستمهای قدیمی تبدیل متن به گفتار — که برای روایت متنهای از پیش نوشتهشده طراحی شده بودن — حول مکالمهٔ بلادرنگ ساخته شده. مدل همین حالا از طریق API فیش آدیو در دسترسه و شرکت اون رو توانمندترین مدل پروداکشنی خودش تا امروز میدونه.
ادعای فنی اصلی روی دو چیز سواره: تأخیر و پوشش زبانی. زمان تا اولین قطعهٔ صدا (time-to-first-audio) روی تماسهای معمولی حدود ۹۰ میلیثانیه گزارش شده که برای نوبتگیری طبیعی در گفتوگوی زنده کافیه، و ۸۳ زبان با یک هویت صوتی واحد پوشش داده میشه. کنترل لحن هم با تگهای آزاد داخل کروشه انجام میشه؛ یعنی میشه وسط متن نوشت که این جمله رو پچپچکنان یا با خندهٔ عصبی بگه، بهجای انتخاب از یه منوی ثابت از احساسات.
مدل علاوه بر گفتوگوی چندنفره، شبیهسازی صدا (voice cloning) رو هم از روی نمونههای کوتاه ۱۰ تا ۳۰ ثانیهای انجام میده و لحن و سبک حرفزدن رو بدون فاینتیون اضافه برمیداره. نسبت به S2-Pro قبلی در کیفیت، تأخیر و توان عملیاتی بهتر شده و برای تیمهایی که در مقیاس بزرگ ازش استفاده میکنن، تضمینهایی روی زمان تا اولین صدا و نحوهٔ پردازش داده هم داره.
S2.1 Pro از طریق MCP و پشتیبانی از agent skill به جریان کاری ایجنتها وصل میشه، که نشون میده مخاطب اصلیاش توسعهدهندههایی هستن که صدا رو توی ایجنتهای صوتی، سیستمهای تلفنی و خطهای تولید صوت بلند جا میدن. سابقهٔ شرکت هم به خط اوپنسورس Fish Speech برمیگرده که از ۲۰ هزار ستاره در گیتهاب گذشته؛ بعد از نسل OpenAudio S1، خانوادهٔ S2 با وزنهای باز منتشر شد و S2.1 Pro لایهٔ پروداکشن روی همون تحقیقاته.
نکات کلیدی:
- زمان تا اولین صدا حدود ۹۰ میلیثانیه، مناسب مکالمهٔ بلادرنگ
- پشتیبانی از ۸۳ زبان با یک هویت صوتی ثابت
- کنترل لحن با تگهای آزاد داخل متن، بدون منوی ثابت احساسات
- کلون صدا از روی نمونهٔ ۱۰ تا ۳۰ ثانیهای بدون فاینتیون
- لایهٔ رایگان با همون کیفیت و پوشش زبانی برای توسعه و تست
