{ "aboutHtml": "

MiniMax Speech 02 HD převádí dodaný text na mluvený zvuk. Jeho přesné ID modelu Ailoot je minimax/speech-02-hd a dokumentovaný selektor syntézy je speech-02-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.

", "aboutText": "MiniMax Speech 02 HD převádí dodaný text na mluvený zvuk. Jeho přesné ID modelu Ailoot je minimax/speech-02-hd a dokumentovaný selektor syntézy je speech-02-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.\n\nText 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.\n\nText 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.\n\nvoice_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.\n\nDokumentované 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.\n\naudio_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.\n\nMezi 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.\n\nSynchronní 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.\n\nZdrojovou 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "c30712fe877797d3852c8b8057b51975032df40f8d2ae7edc9ad5596de5264cd", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "cs", "methods": [ { "html": "
MM

MiniMax: Speech 02 HD

MiniMax /minimax/speech-02-hd

Úvod

MiniMax Speech 02 HD předčítá dodaný text jako generovanou řeč prostřednictvím synchronního požadavku audio_speech. Přijímá text kratší než 10 000 znaků a nabízí nastavení hlasu, tempa a výšky s výstupem MP3, PCM, FLAC nebo WAV.

Přijímané vstupy
Text
Výsledky
Zvuk
O modelu

Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.

MiniMax Speech 02 HD převádí dodaný text na mluvený zvuk. Jeho přesné ID modelu Ailoot je minimax/speech-02-hd a dokumentovaný selektor syntézy je speech-02-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.

Dostupné v Ailoot · vstupy a metody

Ailoot Ultra · Speech POST /v1/audio/speech
Vstup
text
Výstup
audio
Výstupní formát
mp3,pcm,flac,wav
PoleTypPožadavekHodnoty a limityVýchozí
PolemodelTypstringPožadavekPovinnéHodnoty a limity
minimax/speech-02-hd
Výchozí—
PoletextTypstringPožadavekPovinnéHodnoty a limityVýchozí—
PolestreamTypbooleanPožadavekVolitelnéHodnoty a limity
false
Výchozífalse
Polevoice_settingTypobjectPožadavekVolitelnéHodnoty a limityVýchozí—
Polevoice_setting.voice_idTypstringPožadavekVolitelnéHodnoty a limityVýchozí—
Polevoice_setting.speedTypnumberPožadavekVolitelnéHodnoty a limity
Minimum: 0,5
Maximum: 2
Výchozí1
Polevoice_setting.volTypnumberPožadavekVolitelnéHodnoty a limity
Minimum: 0
Maximum: 10
Výchozí1
Polevoice_setting.pitchTypintegerPožadavekVolitelnéHodnoty a limity
Minimum: -12
Maximum: 12
Výchozí0
Polevoice_setting.emotionTypstringPožadavekVolitelnéHodnoty a limity
happy, sad, angry, fearful, disgusted, surprised, calm, fluent
Výchozí—
Polevoice_setting.text_normalizationTypbooleanPožadavekVolitelnéHodnoty a limityVýchozífalse
Polevoice_setting.latex_readTypbooleanPožadavekVolitelnéHodnoty a limityVýchozífalse
Poleaudio_settingTypobjectPožadavekVolitelnéHodnoty a limityVýchozí—
Poleaudio_setting.sample_rateTypintegerPožadavekVolitelnéHodnoty a limity
8 000, 16 000, 22 050, 24 000, 32 000, 44 100
Výchozí32 000
Poleaudio_setting.bitrateTypintegerPožadavekVolitelnéHodnoty a limity
32 000, 64 000, 128 000, 256 000
Výchozí128 000
Poleaudio_setting.formatTypstringPožadavekVolitelnéHodnoty a limity
mp3, pcm, flac, wav
Výchozímp3
Poleaudio_setting.channelTypintegerPožadavekVolitelnéHodnoty a limity
1, 2
Výchozí1
Poleaudio_setting.force_cbrTypbooleanPožadavekVolitelnéHodnoty a limityVýchozífalse
Polepronunciation_dictTypobjectPožadavekVolitelnéHodnoty a limityVýchozí—
Polepronunciation_dict.toneTyparrayPožadavekVolitelnéHodnoty a limityVýchozí—
Poletimber_weightsTyparrayPožadavekVolitelnéHodnoty a limityVýchozí—
Polelanguage_boostTypstringPožadavekVolitelnéHodnoty a limity
Chinese, Chinese,Yue, English, Arabic, Russian, Spanish, French, Portuguese, German, Turkish, Dutch, Ukrainian, Vietnamese, Indonesian, Japanese, Italian, Korean, Thai, Polish, Romanian, Greek, Czech, Finnish, Hindi, Bulgarian, Danish, Hebrew, Malay, Persian, Slovak, Swedish, Croatian, Filipino, Hungarian, Norwegian, Slovenian, Catalan, Nynorsk, Tamil, Afrikaans, auto
Výchozí—
Polevoice_modifyTypobjectPožadavekVolitelnéHodnoty a limityVýchozí—
Polevoice_modify.pitchTypintegerPožadavekVolitelnéHodnoty a limity
-100, 100
Výchozí—
Polevoice_modify.intensityTypintegerPožadavekVolitelnéHodnoty a limity
-100, 100
Výchozí—
Polevoice_modify.timbreTypintegerPožadavekVolitelnéHodnoty a limity
-100, 100
Výchozí—
Polevoice_modify.sound_effectsTypstringPožadavekVolitelnéHodnoty a limity
spacious_echo, auditorium_echo, lofi_telephone, robotic
Výchozí—
Polesubtitle_enableTypbooleanPožadavekVolitelnéHodnoty a limityVýchozífalse
Poleoutput_formatTypstringPožadavekVolitelnéHodnoty a limity
url, hex
Výchozíhex
Poleaigc_watermarkTypbooleanPožadavekVolitelnéHodnoty a limityVýchozífalse
Parametry a životní cyklus metody
ParametrKontrakt
Parametrcontent_typeKontraktapplication/json
ParametrrequiredKontraktmodel, text
ParametroptionalKontraktstream, voice_setting, audio_setting, pronunciation_dict, timber_weights, language_boost, voice_modify, subtitle_enable, output_format, aigc_watermark
Parametrmaterial_typesKontrakttext
ParametrconditionsKontraktUse text, not input or contents. Fewer than 10000 Unicode characters; stream is false or omitted., PCM is raw audio with its returned sample geometry; do not invent a WAV header or bit depth.

Životní cyklus: synchronous_result_then_owned_library

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Tarify

Údaje o tarifech nepřidávají možnosti požadavku. Podporované parametry jsou uvedeny u vybrané metody.

Rychlý režim
Neuvedeno Při výběru rychlého režimu
Režim flex
Neuvedeno Při výběru režimu flex
Maximální intenzita uvažování
Neuvedeno Když se při maximální intenzitě uvažování použije výchozí úprava (default)

Sazby Ailoot

Ceny podle konfigurace

Přiřaďte každý poplatek k uvedeným podmínkám. Pro každou sadu alternativních konfigurací použijte jednu sazbu.

KonfiguraceTabulka sazebÚčtovací jednotkaPoplatek
KonfiguraceZákladní sazby za tokenyTabulka sazebZákladní sazbaÚčtovací jednotka—Poplatek
Vstup · Vstupní tokeny — / 1K tokenů
Výstup · Výstupní tokeny — / 1K tokenů
Vstup · Čtení z mezipaměti — / 1K tokenů
Vstup · Zápis do mezipaměti — / 1K tokenů
Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů
Konfiguracevstupní znakTabulka sazeb—Účtovací jednotkaza vstupní znakPoplatek
Vstup · vstupní znak $0.0002 za vstupní znak

Ailoot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →

Příklady požadavků

Ailoot Ultra · Speech

set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "minimax/speech-02-hd", "text": "Hello, this is a short speech example.", "stream": false, "output_format": "hex", "audio_setting": {"format": "mp3", "sample_rate": 32000, "channel": 1}}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \\\n  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n  --data-binary @request.json -D response-headers.txt -o result.json\n# Submit once. Retain the complete result, original identifiers and every response header.\n

Přijímání a ukládání výsledků

Ailoot Ultra · Speech

mp3,pcm,flac,wav

Uchovejte všechny dokončené výsledky

Uchovejte každou úplnou vrácenou odpověď, soubor i část obsahu.

Retain the full JSON. Decode every hex audio byte or use the returned owned URL. Keep the actual format, sample rate, channel count and usage_characters.

Pokud je nutné ověřit původní odpověď

Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.

Pole odpovědi
PoleTyp
Poledata.audioTypstring
Poleextra_infoTypobject
Poletrace_idTypstring

Aliasy

Aliasy modelu

Ailoot Ultra minimax/speech-02-hd

Aliasy cest metod

Použijte cesty metod uvedené výše.

Související ID modelů

minimax/speech-02-hd

", "method_identity": { "effective_request_model_id": "minimax/speech-02-hd", "fmt": "speech", "http": "POST", "path": "/v1/audio/speech", "request_model_id": "minimax/speech-02-hd", "route_label": "Ultra" }, "method_key": "Ultra|speech|/v1/audio/speech|minimax%2Fspeech-02-hd", "ordinal": 0, "rawMethod": { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Retain the complete response, all actual results, original identifiers, usage and response headers.", "authentication": { "api_key_source": "AILOOT_API_KEY", "header": "Authorization: Bearer" }, "example_body": { "audio_setting": { "channel": 1, "format": "mp3", "sample_rate": 32000 }, "model": "minimax/speech-02-hd", "output_format": "hex", "stream": false, "text": "Hello, this is a short speech example." }, "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets", "query": { "cursor": "actual returned next_cursor, when present", "family": "audio" } }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "cancel_endpoint": null, "create": { "http": "POST", "path": "/v1/audio/speech" }, "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "owned_content": { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "Use the exact returned content_url. Refresh an expired link by reading the same existing asset." }, "status": [], "unknown": "Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.", "unknown_no_replay": true }, "outputs": { "all_results": "Retain the full JSON. Decode every hex audio byte or use the returned owned URL. Keep the actual format, sample rate, channel count and usage_characters.", "family": "audio", "fields": [ { "name": "data.audio", "type": "string" }, { "name": "extra_info", "type": "object" }, { "name": "trace_id", "type": "string" } ], "format": [ "mp3", "pcm", "flac", "wav" ] }, "parameters": [ { "default_known": false, "enum": [ "minimax/speech-02-hd" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "default_known": false, "enum_known": false, "maxLength": 9999, "minLength": 1, "name": "text", "required": true, "type": "string" }, { "default": false, "default_known": true, "enum": [ false ], "enum_known": true, "name": "stream", "required": false, "type": "boolean" }, { "default_known": false, "enum_known": false, "name": "voice_setting", "properties": { "emotion": { "enum": [ "happy", "sad", "angry", "fearful", "disgusted", "surprised", "calm", "fluent" ], "type": "string" }, "latex_read": { "default": false, "type": "boolean" }, "pitch": { "default": 0, "maximum": 12, "minimum": -12, "type": "integer" }, "speed": { "default": 1, "maximum": 2, "minimum": 0.5, "type": "number" }, "text_normalization": { "default": false, "type": "boolean" }, "voice_id": { "type": "string" }, "vol": { "default": 1, "exclusiveMinimum": true, "maximum": 10, "minimum": 0, "type": "number" } }, "required": false, "type": "object" }, { "default_known": false, "enum_known": false, "name": "voice_setting.voice_id", "required": false, "type": "string" }, { "default": 1, "default_known": true, "enum_known": false, "maximum": 2, "minimum": 0.5, "name": "voice_setting.speed", "required": false, "type": "number" }, { "default": 1, "default_known": true, "enum_known": false, "exclusiveMinimum": true, "maximum": 10, "minimum": 0, "name": "voice_setting.vol", "required": false, "type": "number" }, { "default": 0, "default_known": true, "enum_known": false, "maximum": 12, "minimum": -12, "name": "voice_setting.pitch", "required": false, "type": "integer" }, { "default_known": false, "enum": [ "happy", "sad", "angry", "fearful", "disgusted", "surprised", "calm", "fluent" ], "enum_known": true, "name": "voice_setting.emotion", "required": false, "type": "string" }, { "default": false, "default_known": true, "enum_known": false, "name": "voice_setting.text_normalization", "required": false, "type": "boolean" }, { "default": false, "default_known": true, "enum_known": false, "name": "voice_setting.latex_read", "required": false, "type": "boolean" }, { "default_known": false, "enum_known": false, "name": "audio_setting", "properties": { "bitrate": { "default": 128000, "enum": [ 32000, 64000, 128000, 256000 ], "type": "integer" }, "channel": { "default": 1, "enum": [ 1, 2 ], "type": "integer" }, "force_cbr": { "default": false, "type": "boolean" }, "format": { "default": "mp3", "enum": [ "mp3", "pcm", "flac", "wav" ], "type": "string" }, "sample_rate": { "default": 32000, "enum": [ 8000, 16000, 22050, 24000, 32000, 44100 ], "type": "integer" } }, "required": false, "type": "object" }, { "default": 32000, "default_known": true, "enum": [ 8000, 16000, 22050, 24000, 32000, 44100 ], "enum_known": true, "name": "audio_setting.sample_rate", "required": false, "type": "integer" }, { "default": 128000, "default_known": true, "enum": [ 32000, 64000, 128000, 256000 ], "enum_known": true, "name": "audio_setting.bitrate", "required": false, "type": "integer" }, { "default": "mp3", "default_known": true, "enum": [ "mp3", "pcm", "flac", "wav" ], "enum_known": true, "name": "audio_setting.format", "required": false, "type": "string" }, { "default": 1, "default_known": true, "enum": [ 1, 2 ], "enum_known": true, "name": "audio_setting.channel", "required": false, "type": "integer" }, { "default": false, "default_known": true, "enum_known": false, "name": "audio_setting.force_cbr", "required": false, "type": "boolean" }, { "default_known": false, "enum_known": false, "name": "pronunciation_dict", "properties": { "tone": { "items": { "type": "string" }, "type": "array" } }, "required": false, "type": "object" }, { "default_known": false, "enum_known": false, "items": { "type": "string" }, "name": "pronunciation_dict.tone", "required": false, "type": "array" }, { "default_known": false, "enum_known": false, "items": { "properties": { "voice_id": { "type": "string" }, "weight": { "type": "integer" } }, "type": "object" }, "name": "timber_weights", "required": false, "type": "array" }, { "default_known": false, "enum": [ "Chinese", "Chinese,Yue", "English", "Arabic", "Russian", "Spanish", "French", "Portuguese", "German", "Turkish", "Dutch", "Ukrainian", "Vietnamese", "Indonesian", "Japanese", "Italian", "Korean", "Thai", "Polish", "Romanian", "Greek", "Czech", "Finnish", "Hindi", "Bulgarian", "Danish", "Hebrew", "Malay", "Persian", "Slovak", "Swedish", "Croatian", "Filipino", "Hungarian", "Norwegian", "Slovenian", "Catalan", "Nynorsk", "Tamil", "Afrikaans", "auto" ], "enum_known": true, "name": "language_boost", "required": false, "type": "string" }, { "default_known": false, "enum_known": false, "name": "voice_modify", "properties": { "intensity": { "enum": [ -100, 100 ], "type": "integer" }, "pitch": { "enum": [ -100, 100 ], "type": "integer" }, "sound_effects": { "enum": [ "spacious_echo", "auditorium_echo", "lofi_telephone", "robotic" ], "type": "string" }, "timbre": { "enum": [ -100, 100 ], "type": "integer" } }, "required": false, "type": "object" }, { "default_known": false, "enum": [ -100, 100 ], "enum_known": true, "name": "voice_modify.pitch", "required": false, "type": "integer" }, { "default_known": false, "enum": [ -100, 100 ], "enum_known": true, "name": "voice_modify.intensity", "required": false, "type": "integer" }, { "default_known": false, "enum": [ -100, 100 ], "enum_known": true, "name": "voice_modify.timbre", "required": false, "type": "integer" }, { "default_known": false, "enum": [ "spacious_echo", "auditorium_echo", "lofi_telephone", "robotic" ], "enum_known": true, "name": "voice_modify.sound_effects", "required": false, "type": "string" }, { "default": false, "default_known": true, "enum_known": false, "name": "subtitle_enable", "required": false, "type": "boolean" }, { "default": "hex", "default_known": true, "enum": [ "url", "hex" ], "enum_known": true, "name": "output_format", "required": false, "type": "string" }, { "default": false, "default_known": true, "enum_known": false, "name": "aigc_watermark", "required": false, "type": "boolean" } ], "request_schema": { "properties": { "aigc_watermark": { "default": false, "type": "boolean" }, "audio_setting": { "properties": { "bitrate": { "default": 128000, "enum": [ 32000, 64000, 128000, 256000 ], "type": "integer" }, "channel": { "default": 1, "enum": [ 1, 2 ], "type": "integer" }, "force_cbr": { "default": false, "type": "boolean" }, "format": { "default": "mp3", "enum": [ "mp3", "pcm", "flac", "wav" ], "type": "string" }, "sample_rate": { "default": 32000, "enum": [ 8000, 16000, 22050, 24000, 32000, 44100 ], "type": "integer" } }, "type": "object" }, "language_boost": { "enum": [ "Chinese", "Chinese,Yue", "English", "Arabic", "Russian", "Spanish", "French", "Portuguese", "German", "Turkish", "Dutch", "Ukrainian", "Vietnamese", "Indonesian", "Japanese", "Italian", "Korean", "Thai", "Polish", "Romanian", "Greek", "Czech", "Finnish", "Hindi", "Bulgarian", "Danish", "Hebrew", "Malay", "Persian", "Slovak", "Swedish", "Croatian", "Filipino", "Hungarian", "Norwegian", "Slovenian", "Catalan", "Nynorsk", "Tamil", "Afrikaans", "auto" ], "type": "string" }, "model": { "enum": [ "minimax/speech-02-hd" ], "type": "string" }, "output_format": { "default": "hex", "enum": [ "url", "hex" ], "type": "string" }, "pronunciation_dict": { "properties": { "tone": { "items": { "type": "string" }, "type": "array" } }, "type": "object" }, "stream": { "default": false, "enum": [ false ], "type": "boolean" }, "subtitle_enable": { "default": false, "type": "boolean" }, "text": { "maxLength": 9999, "minLength": 1, "type": "string" }, "timber_weights": { "items": { "properties": { "voice_id": { "type": "string" }, "weight": { "type": "integer" } }, "type": "object" }, "type": "array" }, "voice_modify": { "properties": { "intensity": { "enum": [ -100, 100 ], "type": "integer" }, "pitch": { "enum": [ -100, 100 ], "type": "integer" }, "sound_effects": { "enum": [ "spacious_echo", "auditorium_echo", "lofi_telephone", "robotic" ], "type": "string" }, "timbre": { "enum": [ -100, 100 ], "type": "integer" } }, "type": "object" }, "voice_setting": { "properties": { "emotion": { "enum": [ "happy", "sad", "angry", "fearful", "disgusted", "surprised", "calm", "fluent" ], "type": "string" }, "latex_read": { "default": false, "type": "boolean" }, "pitch": { "default": 0, "maximum": 12, "minimum": -12, "type": "integer" }, "speed": { "default": 1, "maximum": 2, "minimum": 0.5, "type": "number" }, "text_normalization": { "default": false, "type": "boolean" }, "voice_id": { "type": "string" }, "vol": { "default": 1, "exclusiveMinimum": true, "maximum": 10, "minimum": 0, "type": "number" } }, "type": "object" } }, "required": [ "model", "text" ], "type": "object" }, "schema_template": { "body": { "audio_setting": { "channel": 1, "format": "mp3", "sample_rate": 32000 }, "model": "minimax/speech-02-hd", "output_format": "hex", "stream": false, "text": "Hello, this is a short speech example." }, "content_type": "application/json" } }, "input": { "conditions": [ "Use text, not input or contents. Fewer than 10000 Unicode characters; stream is false or omitted.", "PCM is raw audio with its returned sample geometry; do not invent a WAV header or bit depth." ], "content_type": "application/json", "material_types": [ "text" ], "optional": [ "stream", "voice_setting", "audio_setting", "pronunciation_dict", "timber_weights", "language_boost", "voice_modify", "subtitle_enable", "output_format", "aigc_watermark" ], "required": [ "model", "text" ] }, "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets", "query": { "cursor": "actual returned next_cursor, when present", "family": "audio" } }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "cancel_endpoint": null, "create": { "http": "POST", "path": "/v1/audio/speech" }, "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "owned_content": { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "Use the exact returned content_url. Refresh an expired link by reading the same existing asset." }, "status": [], "unknown": "Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.", "unknown_no_replay": true }, "method": { "http": "POST", "path": "/v1/audio/speech" }, "method_aliases": [], "output": { "all_results": "Retain the full JSON. Decode every hex audio byte or use the returned owned URL. Keep the actual format, sample rate, channel count and usage_characters.", "family": "audio", "fields": [ { "name": "data.audio", "type": "string" }, { "name": "extra_info", "type": "object" }, { "name": "trace_id", "type": "string" } ], "format": [ "mp3", "pcm", "flac", "wav" ] } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input character" }, "label": "input character", "units": [ { "amount": "0.0002", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.0002", "native_quantity": 1, "public_unit_label": "per input character", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_character" } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"minimax/speech-02-hd\", \"text\": \"Hello, this is a short speech example.\", \"stream\": false, \"output_format\": \"hex\", \"audio_setting\": {\"format\": \"mp3\", \"sample_rate\": 32000, \"channel\": 1}}')\n\nPath(\"request.json\").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\n# Submit once. Retain the complete result, original identifiers and every response header.\n", "label": "curl · create once and retain the complete result", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "speech", "http": "POST", "img_in": null, "img_out": null, "in": null, "input": [ "text" ], "label": "Speech", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": null, "output": [ "audio" ], "path": "/v1/audio/speech", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "per_request", "cache_read_price": null, "cache_write_1h_price": null, "cache_write_price": null, "fast_multiplier": null, "flex_multiplier": null, "image_input_price": null, "image_output_price": null, "input_price": null, "intervals": null, "max_reasoning_effort_multiplier": null, "output_price": null, "per_request_price": null, "unit_prices": { "audio_input_character": "0.0002" } }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input character" }, "label": "input character", "units": [ { "amount": "0.0002", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.0002", "native_quantity": 1, "public_unit_label": "per input character", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_character" } ] } ], "request_model_id": "minimax/speech-02-hd", "route_label": "Ultra", "status_reads": [], "tiers": [], "unit": "per_request", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" }, { "amount": "0.0002", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.0002", "native_quantity": 1, "public_unit_label": "per input character", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_character" } ] } } ], "model_id": "minimax/speech-02-hd", "nativeProvenance": { "input_facts_canonical_sha256": "6ae8808ee40e3dc9b4d894ddc711980bbee5c60f711684dd68117fa79e20fa15", "input_html_sha256": "797bfd056001f02bbf27c7a38d1f7cf434bb627e9fc8561d56cd7c22ba6521de", "private_audit_sha256": "ad5738a09fe86c0a33290d5041a7f00f90a7dc2890b0037e74c11d00b463ae32", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/cs/minimax-speech-02-hd/", "description": "MiniMax Speech 02 HD předčítá dodaný text jako generovanou řeč prostřednictvím synchronního požadavku audio_speech. Přijímá text kratší než 10 000 znaků a nabízí nastavení hlasu, tempa a výšky s výstupem MP3, PCM, FLAC nebo WAV.", "locale": "cs", "md_url": "https://ailoot.ai/models/cs/minimax-speech-02-hd/index.md", "title": "MiniMax: Speech 02 HD — Ailoot", "url": "https://ailoot.ai/models/cs/minimax-speech-02-hd/" }, "rawModel": { "about": "MiniMax Speech 02 HD převádí dodaný text na mluvený zvuk. Jeho přesné ID modelu Ailoot je minimax/speech-02-hd a dokumentovaný selektor syntézy je speech-02-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.\n\nText 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.\n\nText 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.\n\nvoice_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.\n\nDokumentované 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.\n\naudio_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.\n\nMezi 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.\n\nSynchronní 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.\n\nZdrojovou 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.", "alias_of": null, "aliases": [], "author": "MiniMax", "ctx": null, "formats": [ "speech" ], "id": "minimax/speech-02-hd", "input": [ "text" ], "kind": "speech", "max_out": null, "methods": [ { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Retain the complete response, all actual results, original identifiers, usage and response headers.", "authentication": { "api_key_source": "AILOOT_API_KEY", "header": "Authorization: Bearer" }, "example_body": { "audio_setting": { "channel": 1, "format": "mp3", "sample_rate": 32000 }, "model": "minimax/speech-02-hd", "output_format": "hex", "stream": false, "text": "Hello, this is a short speech example." }, "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets", "query": { "cursor": "actual returned next_cursor, when present", "family": "audio" } }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "cancel_endpoint": null, "create": { "http": "POST", "path": "/v1/audio/speech" }, "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "owned_content": { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "Use the exact returned content_url. Refresh an expired link by reading the same existing asset." }, "status": [], "unknown": "Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.", "unknown_no_replay": true }, "outputs": { "all_results": "Retain the full JSON. Decode every hex audio byte or use the returned owned URL. Keep the actual format, sample rate, channel count and usage_characters.", "family": "audio", "fields": [ { "name": "data.audio", "type": "string" }, { "name": "extra_info", "type": "object" }, { "name": "trace_id", "type": "string" } ], "format": [ "mp3", "pcm", "flac", "wav" ] }, "parameters": [ { "default_known": false, "enum": [ "minimax/speech-02-hd" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "default_known": false, "enum_known": false, "maxLength": 9999, "minLength": 1, "name": "text", "required": true, "type": "string" }, { "default": false, "default_known": true, "enum": [ false ], "enum_known": true, "name": "stream", "required": false, "type": "boolean" }, { "default_known": false, "enum_known": false, "name": "voice_setting", "properties": { "emotion": { "enum": [ "happy", "sad", "angry", "fearful", "disgusted", "surprised", "calm", "fluent" ], "type": "string" }, "latex_read": { "default": false, "type": "boolean" }, "pitch": { "default": 0, "maximum": 12, "minimum": -12, "type": "integer" }, "speed": { "default": 1, "maximum": 2, "minimum": 0.5, "type": "number" }, "text_normalization": { "default": false, "type": "boolean" }, "voice_id": { "type": "string" }, "vol": { "default": 1, "exclusiveMinimum": true, "maximum": 10, "minimum": 0, "type": "number" } }, "required": false, "type": "object" }, { "default_known": false, "enum_known": false, "name": "voice_setting.voice_id", "required": false, "type": "string" }, { "default": 1, "default_known": true, "enum_known": false, "maximum": 2, "minimum": 0.5, "name": "voice_setting.speed", "required": false, "type": "number" }, { "default": 1, "default_known": true, "enum_known": false, "exclusiveMinimum": true, "maximum": 10, "minimum": 0, "name": "voice_setting.vol", "required": false, "type": "number" }, { "default": 0, "default_known": true, "enum_known": false, "maximum": 12, "minimum": -12, "name": "voice_setting.pitch", "required": false, "type": "integer" }, { "default_known": false, "enum": [ "happy", "sad", "angry", "fearful", "disgusted", "surprised", "calm", "fluent" ], "enum_known": true, "name": "voice_setting.emotion", "required": false, "type": "string" }, { "default": false, "default_known": true, "enum_known": false, "name": "voice_setting.text_normalization", "required": false, "type": "boolean" }, { "default": false, "default_known": true, "enum_known": false, "name": "voice_setting.latex_read", "required": false, "type": "boolean" }, { "default_known": false, "enum_known": false, "name": "audio_setting", "properties": { "bitrate": { "default": 128000, "enum": [ 32000, 64000, 128000, 256000 ], "type": "integer" }, "channel": { "default": 1, "enum": [ 1, 2 ], "type": "integer" }, "force_cbr": { "default": false, "type": "boolean" }, "format": { "default": "mp3", "enum": [ "mp3", "pcm", "flac", "wav" ], "type": "string" }, "sample_rate": { "default": 32000, "enum": [ 8000, 16000, 22050, 24000, 32000, 44100 ], "type": "integer" } }, "required": false, "type": "object" }, { "default": 32000, "default_known": true, "enum": [ 8000, 16000, 22050, 24000, 32000, 44100 ], "enum_known": true, "name": "audio_setting.sample_rate", "required": false, "type": "integer" }, { "default": 128000, "default_known": true, "enum": [ 32000, 64000, 128000, 256000 ], "enum_known": true, "name": "audio_setting.bitrate", "required": false, "type": "integer" }, { "default": "mp3", "default_known": true, "enum": [ "mp3", "pcm", "flac", "wav" ], "enum_known": true, "name": "audio_setting.format", "required": false, "type": "string" }, { "default": 1, "default_known": true, "enum": [ 1, 2 ], "enum_known": true, "name": "audio_setting.channel", "required": false, "type": "integer" }, { "default": false, "default_known": true, "enum_known": false, "name": "audio_setting.force_cbr", "required": false, "type": "boolean" }, { "default_known": false, "enum_known": false, "name": "pronunciation_dict", "properties": { "tone": { "items": { "type": "string" }, "type": "array" } }, "required": false, "type": "object" }, { "default_known": false, "enum_known": false, "items": { "type": "string" }, "name": "pronunciation_dict.tone", "required": false, "type": "array" }, { "default_known": false, "enum_known": false, "items": { "properties": { "voice_id": { "type": "string" }, "weight": { "type": "integer" } }, "type": "object" }, "name": "timber_weights", "required": false, "type": "array" }, { "default_known": false, "enum": [ "Chinese", "Chinese,Yue", "English", "Arabic", "Russian", "Spanish", "French", "Portuguese", "German", "Turkish", "Dutch", "Ukrainian", "Vietnamese", "Indonesian", "Japanese", "Italian", "Korean", "Thai", "Polish", "Romanian", "Greek", "Czech", "Finnish", "Hindi", "Bulgarian", "Danish", "Hebrew", "Malay", "Persian", "Slovak", "Swedish", "Croatian", "Filipino", "Hungarian", "Norwegian", "Slovenian", "Catalan", "Nynorsk", "Tamil", "Afrikaans", "auto" ], "enum_known": true, "name": "language_boost", "required": false, "type": "string" }, { "default_known": false, "enum_known": false, "name": "voice_modify", "properties": { "intensity": { "enum": [ -100, 100 ], "type": "integer" }, "pitch": { "enum": [ -100, 100 ], "type": "integer" }, "sound_effects": { "enum": [ "spacious_echo", "auditorium_echo", "lofi_telephone", "robotic" ], "type": "string" }, "timbre": { "enum": [ -100, 100 ], "type": "integer" } }, "required": false, "type": "object" }, { "default_known": false, "enum": [ -100, 100 ], "enum_known": true, "name": "voice_modify.pitch", "required": false, "type": "integer" }, { "default_known": false, "enum": [ -100, 100 ], "enum_known": true, "name": "voice_modify.intensity", "required": false, "type": "integer" }, { "default_known": false, "enum": [ -100, 100 ], "enum_known": true, "name": "voice_modify.timbre", "required": false, "type": "integer" }, { "default_known": false, "enum": [ "spacious_echo", "auditorium_echo", "lofi_telephone", "robotic" ], "enum_known": true, "name": "voice_modify.sound_effects", "required": false, "type": "string" }, { "default": false, "default_known": true, "enum_known": false, "name": "subtitle_enable", "required": false, "type": "boolean" }, { "default": "hex", "default_known": true, "enum": [ "url", "hex" ], "enum_known": true, "name": "output_format", "required": false, "type": "string" }, { "default": false, "default_known": true, "enum_known": false, "name": "aigc_watermark", "required": false, "type": "boolean" } ], "request_schema": { "properties": { "aigc_watermark": { "default": false, "type": "boolean" }, "audio_setting": { "properties": { "bitrate": { "default": 128000, "enum": [ 32000, 64000, 128000, 256000 ], "type": "integer" }, "channel": { "default": 1, "enum": [ 1, 2 ], "type": "integer" }, "force_cbr": { "default": false, "type": "boolean" }, "format": { "default": "mp3", "enum": [ "mp3", "pcm", "flac", "wav" ], "type": "string" }, "sample_rate": { "default": 32000, "enum": [ 8000, 16000, 22050, 24000, 32000, 44100 ], "type": "integer" } }, "type": "object" }, "language_boost": { "enum": [ "Chinese", "Chinese,Yue", "English", "Arabic", "Russian", "Spanish", "French", "Portuguese", "German", "Turkish", "Dutch", "Ukrainian", "Vietnamese", "Indonesian", "Japanese", "Italian", "Korean", "Thai", "Polish", "Romanian", "Greek", "Czech", "Finnish", "Hindi", "Bulgarian", "Danish", "Hebrew", "Malay", "Persian", "Slovak", "Swedish", "Croatian", "Filipino", "Hungarian", "Norwegian", "Slovenian", "Catalan", "Nynorsk", "Tamil", "Afrikaans", "auto" ], "type": "string" }, "model": { "enum": [ "minimax/speech-02-hd" ], "type": "string" }, "output_format": { "default": "hex", "enum": [ "url", "hex" ], "type": "string" }, "pronunciation_dict": { "properties": { "tone": { "items": { "type": "string" }, "type": "array" } }, "type": "object" }, "stream": { "default": false, "enum": [ false ], "type": "boolean" }, "subtitle_enable": { "default": false, "type": "boolean" }, "text": { "maxLength": 9999, "minLength": 1, "type": "string" }, "timber_weights": { "items": { "properties": { "voice_id": { "type": "string" }, "weight": { "type": "integer" } }, "type": "object" }, "type": "array" }, "voice_modify": { "properties": { "intensity": { "enum": [ -100, 100 ], "type": "integer" }, "pitch": { "enum": [ -100, 100 ], "type": "integer" }, "sound_effects": { "enum": [ "spacious_echo", "auditorium_echo", "lofi_telephone", "robotic" ], "type": "string" }, "timbre": { "enum": [ -100, 100 ], "type": "integer" } }, "type": "object" }, "voice_setting": { "properties": { "emotion": { "enum": [ "happy", "sad", "angry", "fearful", "disgusted", "surprised", "calm", "fluent" ], "type": "string" }, "latex_read": { "default": false, "type": "boolean" }, "pitch": { "default": 0, "maximum": 12, "minimum": -12, "type": "integer" }, "speed": { "default": 1, "maximum": 2, "minimum": 0.5, "type": "number" }, "text_normalization": { "default": false, "type": "boolean" }, "voice_id": { "type": "string" }, "vol": { "default": 1, "exclusiveMinimum": true, "maximum": 10, "minimum": 0, "type": "number" } }, "type": "object" } }, "required": [ "model", "text" ], "type": "object" }, "schema_template": { "body": { "audio_setting": { "channel": 1, "format": "mp3", "sample_rate": 32000 }, "model": "minimax/speech-02-hd", "output_format": "hex", "stream": false, "text": "Hello, this is a short speech example." }, "content_type": "application/json" } }, "input": { "conditions": [ "Use text, not input or contents. Fewer than 10000 Unicode characters; stream is false or omitted.", "PCM is raw audio with its returned sample geometry; do not invent a WAV header or bit depth." ], "content_type": "application/json", "material_types": [ "text" ], "optional": [ "stream", "voice_setting", "audio_setting", "pronunciation_dict", "timber_weights", "language_boost", "voice_modify", "subtitle_enable", "output_format", "aigc_watermark" ], "required": [ "model", "text" ] }, "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets", "query": { "cursor": "actual returned next_cursor, when present", "family": "audio" } }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "cancel_endpoint": null, "create": { "http": "POST", "path": "/v1/audio/speech" }, "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "owned_content": { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "Use the exact returned content_url. Refresh an expired link by reading the same existing asset." }, "status": [], "unknown": "Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.", "unknown_no_replay": true }, "method": { "http": "POST", "path": "/v1/audio/speech" }, "method_aliases": [], "output": { "all_results": "Retain the full JSON. Decode every hex audio byte or use the returned owned URL. Keep the actual format, sample rate, channel count and usage_characters.", "family": "audio", "fields": [ { "name": "data.audio", "type": "string" }, { "name": "extra_info", "type": "object" }, { "name": "trace_id", "type": "string" } ], "format": [ "mp3", "pcm", "flac", "wav" ] } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input character" }, "label": "input character", "units": [ { "amount": "0.0002", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.0002", "native_quantity": 1, "public_unit_label": "per input character", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_character" } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"minimax/speech-02-hd\", \"text\": \"Hello, this is a short speech example.\", \"stream\": false, \"output_format\": \"hex\", \"audio_setting\": {\"format\": \"mp3\", \"sample_rate\": 32000, \"channel\": 1}}')\n\nPath(\"request.json\").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \\\n -H \"Authorization: Bearer $AILOOT_API_KEY\" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\n# Submit once. Retain the complete result, original identifiers and every response header.\n", "label": "curl · create once and retain the complete result", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "speech", "http": "POST", "img_in": null, "img_out": null, "in": null, "input": [ "text" ], "label": "Speech", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": null, "output": [ "audio" ], "path": "/v1/audio/speech", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "per_request", "cache_read_price": null, "cache_write_1h_price": null, "cache_write_price": null, "fast_multiplier": null, "flex_multiplier": null, "image_input_price": null, "image_output_price": null, "input_price": null, "intervals": null, "max_reasoning_effort_multiplier": null, "output_price": null, "per_request_price": null, "unit_prices": { "audio_input_character": "0.0002" } }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input character" }, "label": "input character", "units": [ { "amount": "0.0002", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.0002", "native_quantity": 1, "public_unit_label": "per input character", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_character" } ] } ], "request_model_id": "minimax/speech-02-hd", "route_label": "Ultra", "status_reads": [], "tiers": [], "unit": "per_request", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" }, { "amount": "0.0002", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.0002", "native_quantity": 1, "public_unit_label": "per input character", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_character" } ] } ], "model_aliases": [ { "canonical_model_id": "minimax/speech-02-hd", "request_model_id": "minimax/speech-02-hd", "route_label": "Ultra" } ], "name": "MiniMax: Speech 02 HD", "price": { "in": "0.0002", "in_label": "per input character", "out": null, "out_label": null, "sort_in": null, "sort_out": null, "varies": false }, "short": "MiniMax Speech 02 HD předčítá dodaný text jako generovanou řeč prostřednictvím synchronního požadavku audio_speech. Přijímá text kratší než 10 000 znaků a nabízí nastavení hlasu, tempa a výšky s výstupem MP3, PCM, FLAC nebo WAV." }, "renderer_schema": { "method_order": "Original DTO methods order; every exact route/format/path/caller survives.", "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers." }, "representation": "exact-public-dto-and-native-renderer-html", "representationNotes": { "current_reference": { "about_json_pointer": "/aboutHtml", "methods": [ { "contract_json_pointer": "/methods/0/rawMethod/contract", "html_json_pointer": "/methods/0/html", "method_ordinal": 0 } ], "role": "current-semantic-reference" }, "raw_input": { "examples_role": "historical-input-not-current-ready-examples", "json_pointers": [ "/rawModel", "/methods/0/rawMethod" ], "role": "historical-owner-input" }, "schema": "ailoot-native-model-representations-v1" }, "schema": "ailoot-static-model-facts-v1", "schema_version": 1, "shortText": "MiniMax Speech 02 HD předčítá dodaný text jako generovanou řeč prostřednictvím synchronního požadavku audio_speech. Přijímá text kratší než 10 000 znaků a nabízí nastavení hlasu, tempa a výšky s výstupem MP3, PCM, FLAC nebo WAV.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "1b169b39d0037c471fb6475fb2ca8151f22e8fe1f659d45bdfd6e98b30355a6a", "renderer_sha256": "41721c81890b87836cd3fd41ef732d3276f5969e30822ba09962305294953718" }, "sourceRevision": "1cc2746a6965439ecf988f7409587b918260a14d31fed247982e9d9e7a193b8b" }