MiniMax: Speech 2.6 Turbo

Speech 2.6 Turbo je přesná edice řeči MiniMax vybraná pomocí model: "minimax/speech-2.6-turbo". Použijte POST /v1/audio/speech s tělem application/json obsahujícím model a text k vyslovení. Jejím vstupem je písemný scénář a výsledkem syntetizovaný zvuk. U zprávy aplikace dodejte přesná slova, která posluchač potřebuje slyšet, a vypište nejednoznačné zkratky. U krátké lekce oddělte vysvětlení od příkladu v samotném scénáři. U komentovaného průchodu rozhraním ponechte každý mluvený úsek propojený s konkrétní akcí uživatele a scénář uchovejte vedle jeho zvuku.

Pole text nesmí být prázdné ani tvořené jen mezerami a musí obsahovat méně než 10 000 znaků Unicode. Odešlete úplný mluvený scénář se stream:false nebo stream vynechte. Delší materiál před odesláním jednotlivých částí rozdělte na samostatné úplné úseky scénáře. Dokument lze použít přečtením jeho skutečného obsahu a vložením příslušné pasáže do pole text; URL dokumentu nenahrazuje scénář.

Hlas vyberte prostřednictvím voice_setting.voice_id. Dokumentované kategorie hlasů zahrnují systémové hlasy a již vytvořené klonované hlasy nebo hlasy navržené textem; pro vybranou kategorii použijte platné ID hlasu. Ukázkovým hlasem je audiobook_male_1. Stejný objekt ovládá speed od 0,5 do 2, vol nad 0 a nejvýše 10 a celočíselný pitch od -12 do 12. Jejich výchozí hodnoty jsou 1, 1 a 0. Tyto ovládací prvky upravují různé aspekty mluveného podání, proto je vybírejte samostatně, místo abyste jejich názvy vkládali do scénáře.

voice_setting.emotion přijímá happy, sad, angry, fearful, disgusted, surprised, calm a fluent. Dokumentace popisuje také automatické přizpůsobení emoce podle textu. Pro scénáře s mnoha čísly umožňuje voice_setting.text_normalization normalizaci čínského a anglického textu a má výchozí hodnotu false. voice_setting.latex_read ovládá čtení výrazů LaTeX a má také výchozí hodnotu false. pronunciation_dict.tone je pole řetězců pravidel výslovnosti. Zveřejněný příklad je ["草地/(cao3)(di1)"]; při zadávání pravidla zachovejte slovo, lomítko a strukturu výslovnosti v závorkách.

audio_setting.format přijímá mp3, pcm, flac a wav s výchozí hodnotou mp3. sample_rate přijímá 8000, 16000, 22050, 24000, 32000 a 44100 Hz; jeho výchozí hodnota je 32000. channel je 1 pro mono nebo 2 pro dva kanály s výchozí hodnotou 1. Hodnoty bitrate jsou 32000, 64000, 128000 a 256000 bitů za sekundu s výchozí hodnotou 128000 a vztahují se na mp3. Vyberte kódování potřebné pro přehrávač nebo nástroj pro úpravy, který bude výsledek používat.

language_boost je volitelný řetězec s výchozí hodnotou null. Jeho povolené hodnoty jsou 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 a auto. "Chinese,Yue" je jedna hodnota. Jde o ovládací prvek oddělený od scénáře a ID hlasu. Schéma také zpřístupňuje timber_weights pro seznam dvojic voice_id a celočíselného weight, přičemž každý weight je od 1 do 100. Při přípravě požadavku zachovejte zápis parametru timber_weights. voice_modify.sound_effects je volitelný řetězec s hodnotami spacious_echo, auditorium_echo, lofi_telephone a robotic.

stream má výchozí hodnotu false. U úplné odpovědi vybírá output_format url nebo hex s výchozí hodnotou hex. V dokumentovaném výsledku JSON nese data.audio vybranou reprezentaci: stáhněte úplné podepsané URL Ailoot včetně řetězce dotazu nebo dekódujte úplný hexadecimální zvuk na bajty. Původní výsledek uchovejte spolu s data.status, base_resp, trace_id a extra_info, které obsahuje skutečný zvukový formát, vzorkovací frekvenci, počet kanálů, velikost a usage_characters.

subtitle_enable je booleovská hodnota s výchozí hodnotou false a vztahuje se na nestreamovaný výstup. aigc_watermark je booleovská hodnota s výchozí hodnotou false a ovládá slyšitelnou rytmickou značku na konci generovaného zvuku. Uchovejte každý vrácený zvukový výsledek nebo výsledek titulků a před vložením do aplikace zkontrolujte výslovnost, čísla a dokončený soubor. Pokud je doručení nejisté, uchovejte původní identifikátor požadavku a odpověď pro kontrolu existujícího pokusu. Ailoot dokončený zvuk také ukládá do vaší mediální knihovny. Při output_format:"url" obsahuje data.audio podepsaný odkaz na tento uložený prostředek; ID prostředku se objevuje v jeho cestě /v1/media/assets/{asset_id}/content. Podepsané odkazy na soubory Ailoot platí 24 hodin od vydání. Stejným klíčem API použijte GET /v1/media/assets?family=audio a projděte každý next_cursor, abyste našli záznamy zvukových prostředků. Pro každý vybraný záznam přečtěte GET /v1/media/assets/{asset_id} a stáhněte jeho přesný content_url včetně řetězce dotazu. Pokud požadavek na soubor vrátí 404 s kódem link_expired, přečtěte tentýž prostředek znovu a získáte obnovený content_url. Obnovte uložený výsledek, místo abyste kvůli vypršenému odkazu generovali zvuk znovu.