MiniMax: Speech 2.8 HD

Speech 2.8 HD syntetizuje výraznou řeč s řízením emocí a zvukovými detaily, jako jsou dýchání a smích.

Ailoot Ultra · Převod na řeč POST /v1/audio/speech minimax/speech-2.8-hd

O modelu

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

Živá řeč s drobnými zvukovými detaily

Speech 2.8 HD je zaměřen na přirozené a čisté znění. Hlavní vlastností generace jsou zvukové značky, které umožňují zahrnout do řeči hovorové detaily: smích, lehké zasmání, dýchání, nádech, výdech, povzdech, kašel, odkašlání a další krátké zvuky. Pomáhají vyjádřit rytmus a pauzy živé repliky, aniž by každá věta byla rovnoměrným hlasatelským čtením.

Značky se vkládají do textu v podobě stanovené pro model: například (chuckle), (breath) a (sighs) označují odpovídající zvukové akce. Schopnost zvukových značek se vztahuje právě na Speech 2.8. Jde o detaily hlasu v syntéze řeči, nikoli o generování samostatné hudební nebo zvukové kompozice.

Barva hlasu a čistota

Výrobce zdůrazňuje zachycení charakteristických vlastností hlasu: jeho textury, dýchání a způsobu výslovnosti. Schopnosti rodiny zahrnují syntézu s již připraveným klonovaným hlasem; vytvoření takového hlasu je samostatný proces. V Speech 2.8 bylo také přepracováno zpracování pro omezení hluku v pozadí a digitálního zkreslení.

Jazyky a výraznost

Speech 2.8 podporuje 40 jazyků, včetně ruštiny. Výrobce samostatně popisuje práci na výslovnosti napříč jazyky v čínsko-japonské kombinaci. Tento scénář se týká zachování přirozeného znění při použití různých jazyků, nikoli automatického překladu textu.

MiniMax nabízí volbu hlasu a řízení tempa, hlasitosti a výšky. Rychlost se zadává v rozmezí 0,5–2, hlasitost nad 0 až do 10 a změna výšky od −12 do 12. Emoce lze ponechat na modelu podle smyslu textu nebo zadat ručně: radost, smutek, hněv, strach, odpor, překvapení nebo klid.

Výslovnost lze upřesňovat slovníkem náhrad a fonetickým zápisem; zahrnuty jsou mezinárodní fonetická abeceda, čínský pinyin a japonské varianty čtení. Pauzy se zadávají mezi vyslovovanými úseky v rozmezí 0,01–99,99 sekundy. Délka pauzy se zadává s přesností na dvě desetinná místa; značky se umisťují mezi vyslovované úseky a nesmějí následovat bezprostředně po sobě. Tato nastavení umožňují sladit znění jmen, zkratek a nejednoznačných slov se záměrem přednesu.

Zvukový výsledek

Syntéza přijímá text kratší než 10 000 znaků. Pro dlouhý text nad 3000 znaků výrobce doporučuje streamovaný výstup; k dispozici je také získání celého hotového zvuku. Obecná nastavení syntézy zahrnují MP3, PCM, FLAC, WAV, Opus a varianty G.711 μ-law, mono nebo stereo; dostupnou sadu formátů konkrétního požadavku určují prostředky Ailoot.

Tato karta převádí text na mluvený zvuk. Možnosti nastavení hlasu popisují model MiniMax; vytvoření klonu hlasu, samostatné titulky a speciální způsoby připojení nejsou automaticky součástí požadavku na hlasový přednes.

Další nastavení zvuku zahrnují vzorkovací frekvence 8, 16, 22,05, 24, 32 a 44,1 kHz. Pro MP3 je k dispozici datový tok 32, 64, 128 nebo 256 kbit/s. Lze také měnit barvu hlasu a použít jeden efekt: prostorovou ozvěnu, ozvěnu sálu, telefonní zvuk nebo robotický hlas. Efekty změny hlasu jsou podporovány pro MP3, WAV a FLAC při získání celého zvuku a při streamovaném výstupu pouze pro MP3. Formáty G.711 μ-law používají frekvenci 8 kHz. Tyto schopnosti patří k nastavením syntézy MiniMax.

Výrobce nabízí synchronizaci řeči s textem: časové značky po větách, po slovech nebo po slovech při postupném výstupu. Takový výsledek pomáhá spojit přednes se zobrazením textu. Tato další schopnost vyžaduje podporu odpovídajícího formátu odpovědi.

Ailoot Ultra · Převod na řeč POST /v1/audio/speech minimax/speech-2.8-hd

minimax/speech-2.8-hd

MiniMax /minimax/speech-2.8-hd

Úvod

Speech 2.8 HD syntetizuje výraznou řeč s řízením emocí a zvukovými detaily, jako jsou dýchání a smích.

Přijímané vstupy: Text
Výsledky: Zvuk

Dostupné v Ailoot · vstupy a metody

Ailoot Ultra · Převod na řeč POST /v1/audio/speech

Vstup: text
Výstup: audio
Výstupní formát: mp3

Pole	Typ	Požadavek	Hodnoty a limity	Výchozí
Pole`model`	Typ`string`	PožadavekPovinné	Hodnoty a limity minimax/speech-2.8-hd	Výchozí—
Pole`input`	Typ`string`	PožadavekPovinné	Hodnoty a limity Minimální délka: 1 Jednotka: znaky Unicode	Výchozí—
Pole`voice`	Typ`string`	PožadavekPovinné	Hodnoty a limity English_expressive_narrator, English_radiant_girl, English_magnetic_voiced_man, English_compelling_lady1, English_Aussie_Bloke, English_captivating_female1, English_Upbeat_Woman, English_Trustworth_Man, English_CalmWoman, English_UpsetGirl, English_Gentle-voiced_man, English_Whispering_girl, English_Diligent_Man, English_Graceful_Lady, English_ReservedYoungMan, English_PlayfulGirl, English_ManWithDeepVoice, English_MaturePartner, English_FriendlyPerson, English_MatureBoss, English_Debator, English_LovelyGirl, English_Steadymentor, English_Deep-VoicedGentleman, English_Wiselady, English_CaptivatingStoryteller, English_DecentYoungMan, English_SentimentalLady, English_ImposingManner, English_SadTeen, English_PassionateWarrior, English_WiseScholar, English_Soft-spokenGirl, English_SereneWoman, English_ConfidentWoman, English_PatientMan, English_Comedian, English_BossyLeader, English_Strong-WilledBoy, English_StressedLady, English_AssertiveQueen, English_AnimeCharacter, English_Jovialman, English_WhimsicalGirl, English_Kind-heartedGirl	Výchozí—
Pole`response_format`	Typ`string`	PožadavekPovinné	Hodnoty a limity mp3	Výchozí—

Kombinace vstupních materiálů

text_to_speech · Povinné: input

Parametry a životní cyklus metody

Parametr	Kontrakt
Parametr`content_type`	Kontraktapplication/json
Parametr`required`	Kontraktmodel, input, voice, response_format
Parametr`voice_ids`	KontraktEnglish_expressive_narrator, English_radiant_girl, English_magnetic_voiced_man, English_compelling_lady1, English_Aussie_Bloke, English_captivating_female1, English_Upbeat_Woman, English_Trustworth_Man, English_CalmWoman, English_UpsetGirl, English_Gentle-voiced_man, English_Whispering_girl, English_Diligent_Man, English_Graceful_Lady, English_ReservedYoungMan, English_PlayfulGirl, English_ManWithDeepVoice, English_MaturePartner, English_FriendlyPerson, English_MatureBoss, English_Debator, English_LovelyGirl, English_Steadymentor, English_Deep-VoicedGentleman, English_Wiselady, English_CaptivatingStoryteller, English_DecentYoungMan, English_SentimentalLady, English_ImposingManner, English_SadTeen, English_PassionateWarrior, English_WiseScholar, English_Soft-spokenGirl, English_SereneWoman, English_ConfidentWoman, English_PatientMan, English_Comedian, English_BossyLeader, English_Strong-WilledBoy, English_StressedLady, English_AssertiveQueen, English_AnimeCharacter, English_Jovialman, English_WhimsicalGirl, English_Kind-heartedGirl
Parametr`response_format`	Kontraktmp3
Parametr`max_input_characters`	Kontraktnull
Parametr`other_options`	Kontraktfalse
Parametr`input`	Kontraktpřesný text UTF-8; počet znaků Unicode bez normalizace
Parametr`material_types`	Kontrakttext

Životní cyklus: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · skutečně vrácené task_id nebo záznam v knihovně médií

GET /v1/media/assets/{asset_id}/content

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Vyberte přesný hlas z tohoto profilu modelu.

Vstupní znaky a sekundy zvuku jsou různé měrné jednotky.

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.

Konfigurace	Tabulka sazeb	Účtované množství	Účtovací jednotka	Poplatek
KonfiguraceZákladní sazby za tokeny	Tabulka sazebZákladní sazba	Účtované množství—	Účtovací 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
KonfiguraceUltra	Tabulka sazeb—	Účtované množstvíKaždý kódový bod Unicode se počítá jako jeden znak, včetně znaků Han.	Účtovací jednotkaza 1K vstupních znaků	Poplatek Vstup · vstupní znak $0.2 za 1K vstupních znaků

Podrobnosti referenčního tarifu

Referenční tabulky modelu nemění výběr metody, cenové nabídky ani poplatky. Skutečné poplatky používají sazby vybrané metody Ailoot.

MiniMax: Speech 2.8 HD

Ceny podle konfigurace

Konfigurace	Podmínky účtování	Poplatek
KonfiguraceMiniMax: Speech 2.8 HD · Výchozí konfigurace	Podmínky účtováníVýchozí konfigurace	Poplatek Vstup · Vstupní znaky 0,0002 US$ 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 · Převod na řeč

curl

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_VOICE_ID:?Choose an accepted voice ID from this exact model profile}"
export AILOOT_VOICE_ID
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "minimax/speech-2.8-hd", "input": "Good afternoon! This is a short voice take."}')
voice=os.environ["AILOOT_VOICE_ID"]
allowed=json.loads('["English_expressive_narrator", "English_radiant_girl", "English_magnetic_voiced_man", "English_compelling_lady1", "English_Aussie_Bloke", "English_captivating_female1", "English_Upbeat_Woman", "English_Trustworth_Man", "English_CalmWoman", "English_UpsetGirl", "English_Gentle-voiced_man", "English_Whispering_girl", "English_Diligent_Man", "English_Graceful_Lady", "English_ReservedYoungMan", "English_PlayfulGirl", "English_ManWithDeepVoice", "English_MaturePartner", "English_FriendlyPerson", "English_MatureBoss", "English_Debator", "English_LovelyGirl", "English_Steadymentor", "English_Deep-VoicedGentleman", "English_Wiselady", "English_CaptivatingStoryteller", "English_DecentYoungMan", "English_SentimentalLady", "English_ImposingManner", "English_SadTeen", "English_PassionateWarrior", "English_WiseScholar", "English_Soft-spokenGirl", "English_SereneWoman", "English_ConfidentWoman", "English_PatientMan", "English_Comedian", "English_BossyLeader", "English_Strong-WilledBoy", "English_StressedLady", "English_AssertiveQueen", "English_AnimeCharacter", "English_Jovialman", "English_WhimsicalGirl", "English_Kind-heartedGirl"]')
if voice not in allowed: raise SystemExit("Choose an accepted voice ID from this exact model profile")
p["voice"]=voice
p["response_format"]="mp3"
Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o speech.mp3

Přijímání a ukládání výsledků

Ailoot Ultra · Převod na řeč

mp3

GET /v1/media/tasks/{task_id}
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}

Další načtení obsahu

Knihovna médiíStav úlohyPodrobnosti souboru

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-assets.json

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_MEDIA_TASK_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_MEDIA_TASK_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_MEDIA_TASK_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/tasks/$resource_id" \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-task.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-task.json").read_text())))
PY_RESULT

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_ASSET_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_ASSET_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_ASSET_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/assets/$resource_id" \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-asset.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-asset.json").read_text())))
PY_RESULT

Uchovejte všechny dokončené výsledky

Uchovejte každou úplnou vrácenou odpověď, soubor i část obsahu.

Uchovejte úplný binární výsledek a hlavičky. Pokud odpověď obsahuje JSON nebo více výstupů, uchovejte všechny datové položky a stáhněte každý soubor ze skutečně vrácené podepsané URL.

Pokud je nutné ověřit původní odpověď

Uchovejte původní operation_id/X-Client-Request-ID pro spárování záznamů bez opětovného odeslání; samostatná trasa pro dotazování na stav zvuku neexistuje.

Pole odpovědi

Pole	Typ
Pole`binary audio`	Typbytes
Pole`response headers`	Typheaders

Chyby a další kroky

Odpověď	Podmínka	Další krok
Odpověď400 · `invalid_request_error`	PodmínkaNeplatná povinná pole, reprezentace podkladů nebo hodnota parametru	Další krokPřed novým požadavkem na vytvoření opravte uvedená pole.
Odpověď`server_error`	PodmínkaVrácená odpověď uvádí, že operaci nebo výsledek je třeba zkontrolovat	Další krokUchovejte původní vrácené ID operace nebo úlohy, hlavičky požadavku a odpověď; pokračujte v podporovaném načítání údajů o této původní operaci. Požadavek na vytvoření znovu neodesílejte.

Aliasy

Aliasy modelu

Ailoot Ultra minimax/speech-2.8-hd

Aliasy cest metod

Použijte cesty metod uvedené výše.

Související ID modelů

minimax/speech-2.8-hd

FAQ · MiniMax: Speech 2.8 HD

Jaké vstupy a výsledky jsou dostupné?: POST /v1/audio/speech · minimax/speech-2.8-hd: text → audio
Jaká pole požadavek používá?: POST /v1/audio/speech · minimax/speech-2.8-hd: model, input, voice, response_format

MiniMax: Speech 2.8 HD