MiniMax: Speech 01 HD

MiniMax Speech 01 HD převádí dodaný text na mluvený zvuk. Jeho přesné ID modelu Ailoot je minimax/speech-01-hd a dokumentovaný selektor syntézy je speech-01-hd. Metodu audio_speech použijte pro hlasový komentář, mluvenou lekci, vysvětlení produktu nebo pracovní komentář, jehož znění už máte. Vstupem je pasáž k přečtení a výsledkem syntetizovaná řeč ve vybraném zvukovém formátu.

Text připravte jako slova určená k vyslovení s interpunkcí odpovídající frázování. U pracovního komentáře dodejte konečné pořadí vět a zápis jmen ještě před volbou nastavení hlasu. Režijní pokyny ponechte oddělené od mluvené pasáže, pokud tato slova nemají zaznít v nahrávce. Ve výsledku si poslechněte důležitá jména, čísla a přechody a porovnejte je se zdrojovým textem.

Text musí být kratší než 10 000 znaků. Zveřejněný kontrakt syntézy vyžaduje model a text. U delšího materiálu připravte pasáže v tomto limitu a zachovejte jejich pořadí pro střih. Synchronní profil používá úplnou odpověď s dokumentovanou výchozí hodnotou stream=false. Obecné API popisuje také možnosti streamování, avšak vybranou metodou této karty je synchronní postup řeči.

voice_setting vybírá dostupný voice_id a ovládá speed, vol a pitch. Dokumentovaný rozsah speed je 0,5–2 s výchozí hodnotou 1. vol musí být větší než 0 a nejvýše 10 s výchozí hodnotou 1; pitch je celé číslo od -12 do 12 s výchozí hodnotou 0. Každé nastavení má sloužit dané pasáži: porovnávejte tempo čtení a slyšitelnost skutečné nahrávky, místo abyste předpokládali, že číselná změna vytvoří určité podání.

Dokumentované hodnoty emotion jsou happy, sad, angry, fearful, disgusted, surprised, calm a fluent. Emoce modelu může vést i text. text_normalization je samostatný booleovský ovládací prvek pro přípravu čtení čísel v čínštině a angličtině a latex_read ovládá čtení vzorců LaTeX; oba mají výchozí hodnotu false. pronunciation_dict.tone může obsahovat dokumentovaná pravidla náhrad výslovnosti. Jméno nebo odborný výraz zkontrolujte ve výsledném zvuku před použitím v delším komentáři.

audio_setting.format přijímá mp3, pcm, flac nebo wav s výchozí hodnotou mp3. sample_rate přijímá 8000, 16000, 22050, 24000, 32000 nebo 44100 a má výchozí hodnotu 32000. bitrate přijímá 32000, 64000, 128000 nebo 256000, má výchozí hodnotu 128000 a vztahuje se na MP3. channel vybírá 1 pro mono nebo 2 pro stereo s výchozí hodnotou 1. Tyto volby uchovejte se zdrojovou pasáží, aby bylo možné vrácený soubor zkontrolovat pro zamýšlené použití při úpravách nebo přehrávání.

Mezi další dokumentované ovládací prvky patří language_boost, jehož přesné pojmenované volby zahrnují English, Russian, Chinese a Chinese,Yue; pro pasáž zvolte skutečnou uvedenou hodnotu. timber_weights může kombinovat existující položky voice_id s celočíselnými hodnotami weight od 1 do 100. Zveřejněné hodnoty sound_effects jsou spacious_echo, auditorium_echo, lofi_telephone a robotic. Jde o volitelné ovládací prvky pro tvarování zvoleného hlasu; při porovnávání čtení zaznamenejte jejich skutečná nastavení.

Synchronní výsledek obsahuje generovanou řeč. output_format vybírá url nebo hex a ve schématu syntézy má výchozí hodnotu hex. Stáhněte soubor, na který odkazuje výsledek URL, nebo před přehráním dekódujte výsledek hex na zvukové bajty. Vrácená zvuková metadata včetně formátu, vzorkovací frekvence, počtu kanálů a velikosti uchovejte s nahrávkou. subtitle_enable má výchozí hodnotu false a při zapnutí se vztahuje pouze na nestreamovaný výstup; zdroj pro tento profil nestanovuje formát souboru titulků.

Zdrojovou pasáž, přesné ID modelu, výběr hlasu a dokončenou nahrávku uložte společně. Před vložením do videa, lekce nebo mluveného průvodce zkontrolujte celé čtení z hlediska zamýšleného znění, pauz a zvoleného nastavení podání. Pokud je odpověď neúplná, uchovejte její původní identitu požadavku a vrácené informace pro odsouhlasení výsledku, než požádáte o další nahrávku. Pozdější úprava může změnit konkrétní frázi nebo nastavení hlasu a zbytek scénáře zachovat pro jasné porovnání.