วิธีใช้ Fish Audio S2 API ฉบับสมบูรณ์ พร้อม Apidog

Fish Audio S2 API เป็น REST API แบบ Text-to-Speech ระดับ Production ที่ขับเคลื่อนโดยโมเดล 4 พันล้านพารามิเตอร์ ซึ่งได้รับการฝึกฝนด้วยเสียงกว่า 10 ล้านชั่วโมง รองรับการโคลนเสียง การสตรีม และมากกว่า 50 ภาษา หากต้องการใช้ Fish Audio S2 API ได้อย่างมีประสิทธิภาพ รวมถึงการส่งคำขอ การจัดการข้อมูลอ้างอิง และการรัน Unit Test นั้น Apidog เป็นวิธีที่เร็วที่สุดในการสำรวจ จัดทำเอกสาร และตรวจสอบความถูกต้องของทุกเอนด์พอยต์

บทนำ

เสียงที่สร้างโดย AI ได้ก้าวข้ามขีดจำกัดไปแล้ว โมเดล TTS สมัยใหม่ไม่ฟังดูเหมือนหุ่นยนต์อีกต่อไป พวกมันสามารถกระซิบ หัวเราะ และเปลี่ยนโทนเสียงกลางประโยคได้ Fish Audio S2 API เป็นผู้บุกเบิกการเปลี่ยนแปลงนี้: เป็นโมเดล 4 พันล้านพารามิเตอร์ที่ได้รับการฝึกฝนด้วยเสียงหลายภาษามากกว่า 10 ล้านชั่วโมง สามารถสร้างเสียงพูดที่แยกไม่ออกจากการบันทึกของมนุษย์

ไม่ว่าคุณกำลังสร้างเครื่องมืออัตโนมัติสำหรับพอดแคสต์ ผู้ช่วยเสียงแบบโต้ตอบ หรือไปป์ไลน์การพากย์เสียงแบบเรียลไทม์ การรวม Fish Audio S2 API เข้ากับระบบของคุณนั้นต้องการมากกว่าแค่การส่งคำขอ POST เพียงครั้งเดียว คุณต้องทำความเข้าใจเกี่ยวกับการรับรองความถูกต้อง การจัดการเสียงอ้างอิง พฤติกรรมการสตรีม และที่สำคัญที่สุดคือวิธีการเขียน Unit Test ที่เชื่อถือได้ เพื่อให้การรวมระบบของคุณไม่เสียหายโดยไม่รู้ตัวในการใช้งานจริง

Fish Audio S2 API คืออะไร?

Fish Audio S2 API เป็นอินเทอร์เฟซ HTTP สำหรับ Fish Speech S2-Pro ซึ่งเป็นระบบ TTS แบบโอเพนซอร์สที่สร้างขึ้นจากสถาปัตยกรรม Dual-Autoregressive (Dual-AR) โมเดลนี้แยกการสร้างความหมาย (4 พันล้านพารามิเตอร์, AR ช้าตามแกนเวลา) ออกจากการสร้าง Codebook ส่วนที่เหลือ (400 ล้านพารามิเตอร์, AR เร็วตามแกนความลึก) ทำให้สามารถสังเคราะห์เสียงคุณภาพสูงได้ด้วยปัจจัยเวลาจริงที่ 0.195 บน NVIDIA H200 เพียงเครื่องเดียว

ความสามารถหลักของ Fish Audio S2 API:

URL พื้นฐานของ Fish Audio S2 API หลังจากติดตั้งในเครื่องคือ http://127.0.0.1:8080 เอนด์พอยต์ทั้งหมดอยู่ภายใต้เนมสเปซ /v1/

เริ่มต้นใช้งาน Fish Audio S2 API และ Apidog

ข้อกำหนดเบื้องต้นสำหรับ Fish Audio S2 API

ก่อนที่จะเรียกใช้ Fish Audio S2 API ครั้งแรก คุณต้องมีสองสิ่งนี้ทำงานอยู่: เซิร์ฟเวอร์ Fish Speech S2-Pro ที่ติดตั้งแล้ว และไคลเอนต์ API ที่สามารถจัดการการตอบกลับเสียงแบบไบนารีได้

เริ่มต้นเซิร์ฟเวอร์ Fish Audio S2 API:

python tools/api_server.py \
  --llama-checkpoint-path checkpoints/s2-pro \
  --decoder-checkpoint-path checkpoints/s2-pro/codec.pth \
  --listen 0.0.0.0:8080 \
  --compile \
  --half \
  --api-key YOUR_API_KEY \
  --workers 4

แฟล็ก --compile จะเปิดใช้งานการเพิ่มประสิทธิภาพ torch.compile ซึ่งช่วยลดความหน่วงของการอนุมานได้ประมาณ 10 เท่า แต่จะเพิ่มค่าใช้จ่ายในการวอร์มอัพเพียงครั้งเดียวในการเปิดใช้งานครั้งแรก แฟล็ก --half เปิดใช้งาน FP16 เพื่อลดการใช้หน่วยความจำ GPU

เมื่อเซิร์ฟเวอร์เริ่มทำงาน ให้ตรวจสอบสถานะด้วย Health Check:

curl http://127.0.0.1:8080/v1/health
# {"status":"ok"}

การตั้งค่า Fish Audio S2 API ใน Apidog

ดาวน์โหลด Apidog ฟรี และสร้างโปรเจกต์ HTTP ใหม่ เพิ่ม URL พื้นฐาน http://127.0.0.1:8080 ภายใต้ Environments (สภาพแวดล้อม) จากนั้นตั้งค่า Global Header:

Authorization: Bearer YOUR_API_KEY

Apidog จัดเก็บสิ่งนี้ในระดับสภาพแวดล้อม ดังนั้นคำขอ Fish Audio S2 API ทุกครั้งที่คุณส่งจะสืบทอดโทเค็นโดยอัตโนมัติ โดยไม่ต้องวาง Header ด้วยตนเองในแต่ละคำขอ สิ่งนี้มีประโยชน์อย่างยิ่งเมื่อคุณมีสภาพแวดล้อม Fish Audio S2 API หลายรายการ (การพัฒนาในเครื่อง, Staging, Production) เพื่อสลับใช้งาน

การส่งคำขอ Fish Audio S2 API ครั้งแรกใน Apidog

การทดสอบเอนด์พอยต์ Text-to-Speech ของ Fish Audio S2 API

เอนด์พอยต์หลักของ Fish Audio S2 API คือ POST /v1/tts ใน Apidog ให้สร้างคำขอใหม่ด้วย URL นี้ ตั้งค่าเมธอดเป็น POST และใช้ JSON body ต่อไปนี้:

{
  "text": "Hello! This is a test of the Fish Audio S2 API.",
  "format": "wav",
  "streaming": false,
  "temperature": 0.8,
  "top_p": 0.8,
  "repetition_penalty": 1.1,
  "max_new_tokens": 1024
}

สคีมาคำขอ TTS ของ Fish Audio S2 API แบบเต็ม:

คลิก Send (ส่ง) ใน Apidog Fish Audio S2 API จะส่งคืนข้อมูลเสียงดิบในรูปแบบไบต์ Apidog จะตรวจจับการตอบกลับ audio/wav โดยอัตโนมัติ และแสดงเครื่องเล่นเสียงแบบอินไลน์ ซึ่งคุณสามารถฟังเสียงที่สร้างขึ้นได้โดยตรงในอินเทอร์เฟซ โดยไม่ต้องเขียนโค้ดไคลเอนต์แม้แต่บรรทัดเดียว

การโคลนเสียงด้วย Fish Audio S2 API

การอัปโหลดเสียงอ้างอิงไปยัง Fish Audio S2 API ผ่าน Apidog

Fish Audio S2 API รองรับการโคลนเสียงแบบ Zero-shot ผ่านฟิลด์ references ในคำขอ TTS คุณส่งคลิปเสียงที่เข้ารหัส base64 พร้อมกับข้อความถอดเสียง และโมเดลจะโคลนเสียงนั้นสำหรับเอาต์พุต

ขั้นแรก ให้อัปโหลดข้อมูลอ้างอิงที่มีชื่อโดยใช้ POST /v1/references/add:

{
  "id": "my-voice-clone",
  "text": "This is the reference transcription matching the audio.",
  "audio": "<base64-encoded-wav-bytes>"
}

ใน Apidog ให้ใช้ประเภทบอดี้ Binary (ไบนารี) เพื่ออัปโหลดไฟล์เสียงโดยตรง หรือเปลี่ยนไปใช้ Form Data (ข้อมูลฟอร์ม) เพื่อส่งไฟล์และฟิลด์ข้อความพร้อมกัน Fish Audio S2 API จะส่งคืน:

{
  "success": true,
  "message": "Reference added successfully",
  "reference_id": "my-voice-clone"
}

ตอนนี้ให้อ้างอิงใน TTS Calls ของคุณโดยใช้ reference_id:

{
  "text": "This sentence will be spoken in the cloned voice.",
  "reference_id": "my-voice-clone",
  "format": "mp3"
}

แผง Reference Management (การจัดการข้อมูลอ้างอิง) ของ Apidog (ภายใต้ Collections) ช่วยให้คุณสามารถบันทึกคำขอนี้เป็นเทมเพลตที่นำกลับมาใช้ใหม่ได้ ดังนั้นคุณจึงสามารถสลับเสียงได้ง่ายๆ โดยการเปลี่ยนค่า reference_id ซึ่งมีประโยชน์เมื่อทดสอบเสียงที่โคลนมาหลายเสียงกับสคริปต์เดียวกัน

วิธีการ Unit Test การรวม Fish Audio S2 API

ทำไม Unit Test จึงมีความสำคัญต่อ Fish Audio S2 API

การรวม Fish Audio S2 API มีโหมดความล้มเหลวหลายอย่างที่มองไม่เห็นหากไม่มี Unit Test อัตโนมัติ: เช่น ID อ้างอิงที่ไม่มีอยู่อีกต่อไป ค่า temperature ที่อยู่นอกช่วง การตอบสนองการสตรีมที่ถูกใช้ไม่ถูกต้อง หรือรูปแบบเสียงที่ไม่ตรงกัน Unit Test จะจับข้อผิดพลาดเหล่านี้ก่อนที่จะถึงมือผู้ใช้

การเขียน Unit Test สำหรับ Fish Audio S2 API ด้วย Python

นี่คือชุด Unit Test ของ Python ที่ครอบคลุมขั้นตอนการทำงานหลักของ Fish Audio S2 API โดยใช้ pytest และ httpx:

import pytest
import httpx
import base64

BASE_URL = "http://127.0.0.1:8080"
API_KEY = "YOUR_API_KEY"
HEADERS = {"Authorization": f"Bearer {API_KEY}"}


class TestFishAudioS2API:
    """Unit tests for Fish Audio S2 API endpoints."""

    def test_health_check(self):
        """Unit test: Fish Audio S2 API health endpoint returns ok."""
        response = httpx.get(f"{BASE_URL}/v1/health", headers=HEADERS)
        assert response.status_code == 200
        assert response.json()["status"] == "ok"

    def test_tts_basic_request(self):
        """Unit test: Fish Audio S2 API TTS returns binary audio."""
        payload = {
            "text": "Unit test: verifying Fish Audio S2 API TTS output.",
            "format": "wav",
            "seed": 42,  # Fixed seed for deterministic unit test output
        }
        response = httpx.post(
            f"{BASE_URL}/v1/tts",
            json=payload,
            headers=HEADERS,
            timeout=60,
        )
        assert response.status_code == 200
        assert response.headers["content-type"] == "audio/wav"
        assert len(response.content) > 1000  # Minimum viable audio size

    def test_tts_invalid_temperature_raises_error(self):
        """Unit test: Fish Audio S2 API rejects out-of-range temperature."""
        payload = {"text": "test", "temperature": 99.0}
        response = httpx.post(
            f"{BASE_URL}/v1/tts",
            json=payload,
            headers=HEADERS,
            timeout=30,
        )
        assert response.status_code == 422  # Validation error expected

    def test_reference_add_and_list(self):
        """Unit test: Fish Audio S2 API reference management endpoints."""
        # Add a reference
        with open("test_reference.wav", "rb") as f:
            audio_b64 = base64.b64encode(f.read()).decode()

        add_response = httpx.post(
            f"{BASE_URL}/v1/references/add",
            json={
                "id": "unit-test-voice",
                "text": "This is a unit test reference audio.",
                "audio": audio_b64,
            },
            headers=HEADERS,
        )
        assert add_response.json()["success"] is True

        # Verify reference appears in list
        list_response = httpx.get(
            f"{BASE_URL}/v1/references/list", headers=HEADERS
        )
        assert "unit-test-voice" in list_response.json()["reference_ids"]

        # Cleanup: delete reference after unit test
        httpx.request(
            "DELETE",
            f"{BASE_URL}/v1/references/delete",
            json={"reference_id": "unit-test-voice"},
            headers=HEADERS,
        )

เรียกใช้ชุด Unit Test ด้วย:

pytest test_fish_audio_s2_api.py -v

การรัน Unit Test ของ Fish Audio S2 API ด้วย Apidog

นอกเหนือจาก Unit Test ของ Python แล้ว Apidog ยังมีคุณสมบัติ Test Scenarios (สถานการณ์ทดสอบ) (การทดสอบอัตโนมัติ) ในตัวที่ทำการตรวจสอบ Fish Audio S2 API แบบเดียวกันโดยไม่ต้องมีสภาพแวดล้อม Python ในเครื่อง ใน Apidog:

1. เปิดคอลเลกชัน Fish Audio S2 API ของคุณ
2. คลิก Test Scenarios (สถานการณ์ทดสอบ) → New Scenario (สถานการณ์ใหม่)
3. เพิ่มคำขอ: ตรวจสอบสถานะ (health check) → คำขอ TTS → เพิ่มข้อมูลอ้างอิง → รายการข้อมูลอ้างอิง
4. ในแท็บ Assertions (การยืนยัน) สำหรับคำขอ TTS ให้เพิ่ม:

• สถานะการตอบกลับ = 200
• Response Header content-type มี audio
• เวลาตอบกลับ < 30000ms

1. คลิก Run (รัน) เพื่อเรียกใช้ลำดับ Unit Test ทั้งหมด

Apidog สร้างรายงานผ่าน/ไม่ผ่านสำหรับการยืนยัน Fish Audio S2 API แต่ละรายการ พร้อมด้วยเวลาตอบกลับและมุมมองความแตกต่าง คุณสามารถส่งออกรายงานนี้ หรือกำหนดเวลาให้รันบน CI trigger ทำให้ Apidog เป็น Unit Test Runner สำหรับ Fish Audio S2 API ของคุณโดยไม่ต้องเขียนโค้ด Framework ของการทดสอบใดๆ

คุณสมบัติขั้นสูงของ Fish Audio S2 API

การสตรีมเสียงจาก Fish Audio S2 API

สำหรับแอปพลิเคชันเล่นเสียงแบบเรียลไทม์ Fish Audio S2 API รองรับการสตรีมแบบแบ่งส่วน ตั้งค่า "streaming": true ในบอดี้คำขอของคุณ:

import httpx

with httpx.stream(
    "POST",
    "http://127.0.0.1:8080/v1/tts",
    json={
        "text": "Streaming audio from the Fish Audio S2 API in real time.",
        "format": "wav",
        "streaming": True,
    },
    headers={"Authorization": "Bearer YOUR_API_KEY"},
    timeout=None,
) as response:
    with open("streamed_output.wav", "wb") as audio_file:
        for chunk in response.iter_bytes(chunk_size=4096):
            audio_file.write(chunk)

Fish Audio S2 API เริ่มส่งคืนข้อมูลเสียงในรูปแบบไบต์ก่อนที่การสังเคราะห์จะเสร็จสมบูรณ์ โดยใช้เวลาประมาณ 100 มิลลิวินาทีสำหรับเสียงแรก สิ่งนี้ทำให้สามารถใช้งานได้กับแอปพลิเคชันเสียงสดที่ผู้ใช้ต้องการการตอบสนองทันที

การควบคุมอารมณ์แบบอินไลน์ผ่าน Fish Audio S2 API

Fish Audio S2 API ส่งผ่านแท็กอารมณ์ภาษาธรรมชาติโดยตรงในฟิลด์ text:

{
  "text": "[whispers] The secret is hidden here. [super happy] I found it!",
  "format": "wav"
}

ไม่จำเป็นต้องใช้พารามิเตอร์พิเศษใดๆ โมเดลจะตีความแท็กในวงเล็บเป็นคำสั่งด้านการออกเสียง ตัวอย่างแท็กที่ถูกต้องจากแหล่งที่มาของ Fish Speech: [laugh] (หัวเราะ), [cough] (ไอ), [pitch up] (เสียงสูงขึ้น), [professional broadcast tone] (โทนเสียงการออกอากาศแบบมืออาชีพ), [whisper in small voice] (กระซิบด้วยเสียงเบา)

บทสรุป

Fish Audio S2 API นำเสนอเอ็นจิ้น TTS ระดับ Production อย่างแท้จริงผ่านอินเทอร์เฟซ REST ที่สะอาดตา ตั้งแต่การสังเคราะห์พื้นฐานไปจนถึงการโคลนเสียงแบบ Zero-shot และการสตรีมแบบเรียลไทม์ เอนด์พอยต์ทั้งหกครอบคลุมการทำงานทั้งหมดของการสร้างเสียงที่นักพัฒนาต้องการ กุญแจสำคัญในการผสานรวมที่เชื่อถือได้คือ: การตั้งค่าพารามิเตอร์การสุ่มตัวอย่างที่เหมาะสม (temperature, top_p, repetition_penalty), การจัดการวงจรชีวิตของเสียงอ้างอิงอย่างถูกต้อง และการดูแลชุด Unit Test ที่ตรวจสอบความถูกต้องของสัญญาของแต่ละเอนด์พอยต์

Apidog ช่วยลดระยะเวลาการเรียนรู้ได้อย่างมาก ใช้เพื่อส่งคำขอ Fish Audio S2 API ครั้งแรกของคุณภายในเวลาไม่ถึงสองนาที ฟังการตอบกลับเสียงไบนารีได้ทันที สร้างโค้ดไคลเอนต์แบบคัดลอกวาง และรัน Unit Test อัตโนมัติกับทุกเอนด์พอยต์ของ Fish Audio S2 API โดยไม่ต้องตั้งค่า Test Framework ใดๆ เมื่อคุณพร้อมที่จะแบ่งปันสเปก API กับทีมของคุณ หรือจัดทำเอกสารการผสานรวม Fish Audio S2 API สำหรับผู้มีส่วนได้ส่วนเสีย เอกสารที่สร้างโดยอัตโนมัติของ Apidog จะช่วยให้ทุกอย่างสอดคล้องกัน

ดาวน์โหลด Apidog ฟรี และนำเข้าคอลเลกชัน Fish Audio S2 API เพื่อเริ่มต้นการทดสอบได้แล้ววันนี้

คำถามที่พบบ่อย

Fish Audio S2 API คืออะไร? Fish Audio S2 API เป็นอินเทอร์เฟซ REST สำหรับ Fish Speech S2-Pro ซึ่งเป็นโมเดล Text-to-Speech ขนาด 4 พันล้านพารามิเตอร์ที่ได้รับการฝึกฝนด้วยเสียงกว่า 10 ล้านชั่วโมง รองรับการโคลนเสียง การสตรีม การควบคุมอารมณ์ และมากกว่า 50 ภาษาผ่านเอนด์พอยต์ HTTP ภายใต้ /v1/

ฉันจะยืนยันตัวตนกับ Fish Audio S2 API ได้อย่างไร? ส่งโทเค็น Bearer ใน Header ของคำขอทุกครั้ง: Authorization: Bearer YOUR_API_KEY คีย์ API ถูกกำหนดค่าเมื่อเริ่มต้นเซิร์ฟเวอร์ผ่านแฟล็ก --api-key Apidog ช่วยให้คุณจัดเก็บโทเค็นนี้ในระดับสภาพแวดล้อม ดังนั้นจึงถูกนำไปใช้กับคำขอ Fish Audio S2 API ทั้งหมดโดยอัตโนมัติ

ฉันสามารถ Unit Test การรวม Fish Audio S2 API โดยไม่ต้องเขียนโค้ดได้หรือไม่? ได้ คุณสมบัติ Test Scenarios ของ Apidog ช่วยให้คุณสร้างและรัน Unit Test กับเอนด์พอยต์ Fish Audio S2 API ใดๆ ผ่านอินเทอร์เฟซแบบภาพ คุณกำหนดการยืนยัน (รหัสสถานะ, เวลาตอบกลับ, ค่า Header) และ Apidog จะดำเนินการตามความต้องการหรือตามกำหนดการ CI โดยไม่จำเป็นต้องตั้งค่า Test Framework ใดๆ

Fish Audio S2 API รองรับรูปแบบเสียงใดบ้าง? Fish Audio S2 API ส่งคืนเสียงในรูปแบบ WAV, MP3 หรือ PCM ระบุรูปแบบด้วยฟิลด์ "format" ในบอดี้คำขอ TTS ของคุณ WAV เป็นค่าเริ่มต้น

การโคลนเสียงใน Fish Audio S2 API ทำงานอย่างไร? อัปโหลดคลิปเสียงอ้างอิงความยาว 10-30 วินาทีพร้อมข้อความถอดเสียงไปยัง POST /v1/references/add จากนั้นส่ง ID อ้างอิงไปยังคำขอ TTS ใดๆ ผ่าน "reference_id" Fish Audio S2 API จะโคลนเสียงนั้นโดยไม่ต้องมีการปรับแต่งเพิ่มเติมหรือฝึกอบรมโมเดลเพิ่มเติม

ปัจจัยเวลาจริงของ Fish Audio S2 API คืออะไร? บน NVIDIA H200 เครื่องเดียว Fish Audio S2 API สามารถทำ RTF (ปัจจัยเวลาจริง) ได้ 0.195 เมื่อเปิดใช้งานการสตรีม ซึ่งหมายความว่าสามารถสร้างเสียงได้ประมาณ 5 วินาทีต่อวินาทีของการประมวลผล เวลาสำหรับเสียงแรกคือประมาณ 100 มิลลิวินาที

ฉันจะทดสอบการตอบกลับของ Fish Audio S2 API ใน Apidog ได้อย่างไร? เมื่อ Fish Audio S2 API ส่งคืนเสียงไบนารี Apidog จะแสดงเครื่องเล่นเสียงแบบอินไลน์โดยอัตโนมัติ คุณไม่จำเป็นต้องบันทึกไฟล์ลงในเครื่องเพื่อตรวจสอบเอาต์พุต คุณสามารถฟัง ตรวจสอบ Header การตอบกลับ และเพิ่มการยืนยันได้ทั้งหมดจากแผงคำขอ Apidog เดียวกัน