Skip to main content
Fish Audio TTS te da control directo sobre cómo suena el habla mediante etiquetas en línea escritas en el propio texto. Esta guía cubre todas las categorías de etiquetas que entiende el modelo, dónde colocarlas y cómo combinarlas. Las etiquetas siguientes se aplican a s2.1-pro y s1. Drama 3 usa instrucciones en lenguaje natural y etiquetas de palabras emparejadas en su lugar, descritas en la página Fish Audio Drama 3. Los ejemplos siguientes funcionan en el nodo Fish Audio Text to Speech. Escríbelos directamente en el campo text, reemplazando el guion de ejemplo por el tuyo. Para configurar el nodo, las plantillas de flujo de trabajo y los precios, consulta Fish Audio: Texto a voz, clonación de voz y voz a texto.

​
Cómo funcionan las etiquetas

Los modelos Fish Audio S2 interpretan indicaciones en lenguaje natural escritas entre corchetes dentro de tu texto:
Tres propiedades hacen que este sistema sea flexible:
  • La posición determina el significado. Una etiqueta actúa desde donde aparece hasta la siguiente etiqueta o el final de la oración. [whispering] I didn't want to go inside susurra toda la línea. I didn't want to go [whispering] inside empieza a susurrar en «inside».
  • Las descripciones de forma libre funcionan. No estás limitado a un conjunto fijo de etiquetas. Si puedes describírselo a un actor de voz, escríbelo entre corchetes: [tired, end of a long shift], [voice rough from crying, trying to sound normal], [professional broadcast tone].
  • Las etiquetas funcionan en tu idioma. Escribe las indicaciones en el mismo idioma que tu guion: [低声说] 不要让他们听见, [ため息をついて] もう一度やり直そう.
El modelo clásico s1 usa los mismos nombres de emociones, pero los encierra entre paréntesis con un conjunto fijo de etiquetas: (happy) What a beautiful day! El modelo actual s2.1-pro acepta indicaciones entre corchetes y descripciones de forma libre.

​
Etiquetas de emoción

​
Emociones básicas

​
Emociones avanzadas

​
Marcadores de tono

Los marcadores de tono controlan el volumen, la intensidad y el énfasis. Coloca [emphasis] justo antes de la palabra o frase que quieras enfatizar:

​
Efectos de audio

Las etiquetas de efectos de audio añaden sonidos humanos naturales. A continuación de la etiqueta, incluye el texto correspondiente cuando se sugiera:

​
Pausas y efectos especiales

Las palabras de pausa normales también marcan el ritmo sin necesidad de etiquetas: “um”, “uh”, “嗯”, “啊”.

​
Combinar etiquetas

Combina una etiqueta física con una etiqueta de emoción. Las etiquetas físicas como [panting] o [whispering] funcionan por sí solas, pero combinarlas con una emoción produce resultados más consistentes y naturales:
Combina emociones en capas para expresiones complejas. Limita las combinaciones a tres etiquetas o menos por oración:
Escribe transiciones de emoción como una progresión natural entre oraciones:
Añade efectos de fondo para dar atmósfera:
Modula la intensidad con modificadores descriptivos:

​
Mejores prácticas

Qué hacer:
  • Usa una emoción principal por oración
  • Ajusta las emociones al contexto de forma lógica
  • Agrega texto después de los efectos de sonido, por ejemplo “Ha ha” después de [laughing]
  • Espacia los cambios emocionales para que suenen realistas
  • Prueba distintas combinaciones con la misma voz
Qué evitar:
  • No abuses de las etiquetas en textos cortos
  • No mezcles emociones en conflicto en una misma oración
  • No escribas descripciones entre corchetes tan largas que interrumpan el flujo
  • No dejes una etiqueta descriptiva sin texto después de ella
  • No coloques las indicaciones de emoción de una oración lejos de la oración que controlan
Si el resultado suena poco natural, espacia los cambios emocionales, baja la intensidad o prueba con otra voz: la misma etiqueta funciona distinto en cada voz.

​
Diálogo con varios hablantes

Conecta dos o más voces al nodo Fish Audio Text to Speech y luego marca los cambios de hablante en el texto con @Voice1, @Voice2 y así sucesivamente. Cada voz conectada debe aparecer al menos una vez en el texto, o el nodo genera un error. Las conexiones de voz se explican en Fish Audio: texto a voz, clonación de voz y voz a texto.

​
Control de fonemas

Las etiquetas de fonemas especifican pronunciaciones exactas para nombres, homógrafos, siglas y términos técnicos. Envuelve la pronunciación de reemplazo entre las etiquetas <|phoneme_start|> y <|phoneme_end|>. Las etiquetas de fonemas se conservan durante la normalización del texto, así que mantén normalize activado. Inglés (CMU Arpabet, reemplaza una palabra):
Chino (pinyin con número de tono, reemplaza un carácter o una sílaba; útil para caracteres polifónicos y nombres):
Japonés (romaji estilo OpenJTalk con dígitos de acento tonal):
El control de fonemas se combina con otras etiquetas en el mismo texto:

​
Ajuste de parámetros

Los valores predeterminados están bien calibrados. Ajusta solo cuando lo necesites: La seed controla si el nodo se vuelve a ejecutar; los resultados no son deterministas independientemente del valor de la semilla.

​
Calidad de la clonación de voz

Para el nodo Fish Audio Instant Voice Clone, la calidad de la grabación de referencia determina el resultado. Consulta los límites de grabación en Fish Audio: texto a voz, clonación de voz y voz a texto:
  • Graba de 2 a 3 clips de 15 a 20 segundos cada uno, con menos de 270 segundos en total
  • Un solo hablante, volumen constante, tono y emoción consistentes
  • Pausas pequeñas entre frases, de aproximadamente medio segundo
  • Habitación silenciosa, micrófono a una mano de distancia de la boca
  • Una grabadora de teléfono o un micrófono de auriculares son suficientes; evita la música de fondo, la televisión y el eco
Si la voz clonada suena robótica, graba más material, de 30 a 60 segundos en total, y habla con naturalidad, con pausas. Clona solo las voces que tengas permiso de usar: tu propia voz o la de alguien que te haya dado permiso explícito.

​
Referencias