Voxtral TTS je model převodu textu na řeč od Mistral AI se 4 miliardami parametrů pro generování mluveného zvuku z textu a hlasové reference. Modelová stránka výrobce identifikuje verzi 2603 jako voxtral-mini-tts-2603, zatímco karta vydaných vah se jmenuje Voxtral 4B TTS 2603. Tento záznam se týká uvedeného vydání pro generování řeči, odlišného od porozumění zvuku Voxtral Small, přepisu a pozdějších vstupních modelů pro reálný čas.
Expresivní řeč a adaptace hlasu
Model je navržen pro zachycení pauz, rytmu, intonace, přízvuku a emočního podání referenčního hlasu. Hlas funguje jako pokyn, jak má text znít; přehled výrobce nevyžaduje samostatné značky prozodie nebo emocí ani přepis referenční nahrávky. Zdrojový text určuje, co se říká, zatímco zvuková reference usměrňuje přednes.
Přehled popisuje adaptaci hlasu již ze dvou až tří sekund zvuku. Popis architektury hovoří o hlasových referencích v délce pěti až dvaceti pěti sekund. Tato tvrzení mají odlišný rozsah: příklad krátké adaptace není požadavkem používat co nejkratší referenci. Vyberte čistou řeč představující styl a přízvuk požadovaný pro konečný výsledek.
Vydaná karta zahrnuje dvacet přednastavených hlasů a adaptaci na nové hlasy. Řečový postup výrobce může používat uložený profil hlasu nebo jednorázový referenční klip. Uložení profilu umožňuje tutéž hlasovou referenci znovu používat v samostatných řečových požadavcích, zatímco jednorázový klip ji dodává pro aktuální úkol. Profil a generovaná nahrávka jsou různé výstupy.
Jazyky a přednes napříč jazyky
Vydání podporuje angličtinu, francouzštinu, španělštinu, němčinu, italštinu, portugalštinu, nizozemštinu, arabštinu a hindštinu; výrobce popisuje dialektové varianty, přenos hlasu mezi jazyky a míchání jazyků. Pro nejlepší výsledek příručka řeči doporučuje shodu jazyka reference s jazykem textu. Přenos mezi jazyky může zachovat přízvuk reference a zároveň vyslovit připravený text v jiném podporovaném jazyce.
Praktické vyprávění může používat stejný hlasový styl pro vysvětlení v různých podporovaných jazycích, přičemž každý text je připraven pro zamýšleného posluchače. Odpověď hlasového asistenta může použít krátký konverzační scénář místo čtení neupraveného dokumentu nahlas. Model převodu textu na řeč přednáší připravená slova; případný překlad nebo psaní odpovědi, které tato slova vytváří, je samostatným krokem.
Příprava textu
Příručka řeči výrobce doporučuje text vhodný k vyslovení. Čísla a symboly pište v podobě, která má zaznít, aby model nemusel volit mezi možnými čteními. Číslo může znamenat množství, čas nebo identifikátor; zamýšlené mluvené znění určete před syntézou. Pokud záleží na výslovnosti, rozepište zkratky a tam, kde je to zamýšlené čtení, použijte oddělená písmena.
Vyhněte se bohatému formátování, emoji a zvláštním znakům, které nebudou vyjádřeny jako mluvený obsah. Připravte úplné věty s interpunkcí a zněním potřebným pro přednes. Příručka doporučuje pro nejlepší výsledky zadání pod 300 slov. Jde o doporučení kvality, nikoli o deklarovanou pevnou maximální délku vstupu.
U vysvětlení postupu napište akci a podmínku ve větě, kterou posluchač dokáže sledovat. U oznámení umístěte důležité informace před volitelné podrobnosti. U hlasové odpovědi zachovejte faktickou odpověď a odstraňte formátování pouze pro zobrazení nebo zápis zdrojů, který nemá zaznít. Tyto přípravy činí samotný scénář vhodným pro zvuk, ještě než reference určí jeho styl.
Streamování, výstup a délka
Výrobce dokumentuje základní i streamované dodání a popisuje nativní generování až dvou minut zvuku. Karta vydaných vah také uvádí dávkovou inferenci pro přípravu více řečových úkolů. Delší generování služby používají prokládání, místo aby se jedna nativní část považovala za neomezenou. U delšího vyprávění připravte souvislé oddíly a přípravu hlasu i textu udržujte v souladu s postupem dodávání zajišťujícím pokračování.
Vydaná karta specifikuje zvuk 24 kHz a uvádí výstupní formáty WAV, PCM, FLAC, MP3, AAC a Opus. Příručka řečové služby popisuje MP3 pro komprimované dodání, WAV pro nekomprimovaný PCM, FLAC pro bezeztrátovou kompresi a PCM či Opus pro streamování. Vyberte formát podporovaný připojeným postupem a vhodný pro jeho přehrávač nebo zpracování. Volba formátu a chování streamování jsou oddělené od samotné adaptace hlasu.
Architektura modelu a praktické hranice
Oznámení popisuje autoregresivní architekturu s flow matching, se základním dekodérem Transformer s 3,4 miliardy parametrů, akustickým Transformerem o 390 milionech parametrů a neuronovým zvukovým kodekem o 300 milionech parametrů. Dekodér předpovídá sémantický obsah a akustická složka vytváří reprezentaci řeči, zatímco kodek zpracovává zvuk. Tyto složky vysvětlují přibližné označení modelu 4B; nejsou dalšími vstupními jazyky ani jiným modelem pro tvorbu odpovědí.
Praktickým výstupem je syntetizovaná nahrávka nebo zvukový proud spojený s připraveným scénářem a vybraným hlasem. Při generování několika oddílů tyto vazby zachovejte, aby aplikace mohla uložit, přehrát nebo sestavit správný materiál. Model vytváří zvuk, nikoli přepis, vektor pro sémantické vyhledávání nebo nově napsanou faktickou odpověď.
Zachovejte řečovou verzi 2603, podporovaný jazyk a styl reference. Přečtené zdroje poskytují tvrzení o nativních dvou minutách a doporučení přípravy pod 300 slov, ale nestanovují samostatný pevný maximální limit znaků textu ani celkovou délku pospojované nahrávky. Hotový zvukový výstup určete podle skutečného textu, hlasu a požadavků na dodání.
", "aboutText": "Voxtral TTS je model převodu textu na řeč od Mistral AI se 4 miliardami parametrů pro generování mluveného zvuku z textu a hlasové reference. Modelová stránka výrobce identifikuje verzi 2603 jako voxtral-mini-tts-2603, zatímco karta vydaných vah se jmenuje Voxtral 4B TTS 2603. Tento záznam se týká uvedeného vydání pro generování řeči, odlišného od porozumění zvuku Voxtral Small, přepisu a pozdějších vstupních modelů pro reálný čas.\n\nExpresivní řeč a adaptace hlasu\n\nModel je navržen pro zachycení pauz, rytmu, intonace, přízvuku a emočního podání referenčního hlasu. Hlas funguje jako pokyn, jak má text znít; přehled výrobce nevyžaduje samostatné značky prozodie nebo emocí ani přepis referenční nahrávky. Zdrojový text určuje, co se říká, zatímco zvuková reference usměrňuje přednes.\n\nPřehled popisuje adaptaci hlasu již ze dvou až tří sekund zvuku. Popis architektury hovoří o hlasových referencích v délce pěti až dvaceti pěti sekund. Tato tvrzení mají odlišný rozsah: příklad krátké adaptace není požadavkem používat co nejkratší referenci. Vyberte čistou řeč představující styl a přízvuk požadovaný pro konečný výsledek.\n\nVydaná karta zahrnuje dvacet přednastavených hlasů a adaptaci na nové hlasy. Řečový postup výrobce může používat uložený profil hlasu nebo jednorázový referenční klip. Uložení profilu umožňuje tutéž hlasovou referenci znovu používat v samostatných řečových požadavcích, zatímco jednorázový klip ji dodává pro aktuální úkol. Profil a generovaná nahrávka jsou různé výstupy.\n\nJazyky a přednes napříč jazyky\n\nVydání podporuje angličtinu, francouzštinu, španělštinu, němčinu, italštinu, portugalštinu, nizozemštinu, arabštinu a hindštinu; výrobce popisuje dialektové varianty, přenos hlasu mezi jazyky a míchání jazyků. Pro nejlepší výsledek příručka řeči doporučuje shodu jazyka reference s jazykem textu. Přenos mezi jazyky může zachovat přízvuk reference a zároveň vyslovit připravený text v jiném podporovaném jazyce.\n\nPraktické vyprávění může používat stejný hlasový styl pro vysvětlení v různých podporovaných jazycích, přičemž každý text je připraven pro zamýšleného posluchače. Odpověď hlasového asistenta může použít krátký konverzační scénář místo čtení neupraveného dokumentu nahlas. Model převodu textu na řeč přednáší připravená slova; případný překlad nebo psaní odpovědi, které tato slova vytváří, je samostatným krokem.\n\nPříprava textu\n\nPříručka řeči výrobce doporučuje text vhodný k vyslovení. Čísla a symboly pište v podobě, která má zaznít, aby model nemusel volit mezi možnými čteními. Číslo může znamenat množství, čas nebo identifikátor; zamýšlené mluvené znění určete před syntézou. Pokud záleží na výslovnosti, rozepište zkratky a tam, kde je to zamýšlené čtení, použijte oddělená písmena.\n\nVyhněte se bohatému formátování, emoji a zvláštním znakům, které nebudou vyjádřeny jako mluvený obsah. Připravte úplné věty s interpunkcí a zněním potřebným pro přednes. Příručka doporučuje pro nejlepší výsledky zadání pod 300 slov. Jde o doporučení kvality, nikoli o deklarovanou pevnou maximální délku vstupu.\n\nU vysvětlení postupu napište akci a podmínku ve větě, kterou posluchač dokáže sledovat. U oznámení umístěte důležité informace před volitelné podrobnosti. U hlasové odpovědi zachovejte faktickou odpověď a odstraňte formátování pouze pro zobrazení nebo zápis zdrojů, který nemá zaznít. Tyto přípravy činí samotný scénář vhodným pro zvuk, ještě než reference určí jeho styl.\n\nStreamování, výstup a délka\n\nVýrobce dokumentuje základní i streamované dodání a popisuje nativní generování až dvou minut zvuku. Karta vydaných vah také uvádí dávkovou inferenci pro přípravu více řečových úkolů. Delší generování služby používají prokládání, místo aby se jedna nativní část považovala za neomezenou. U delšího vyprávění připravte souvislé oddíly a přípravu hlasu i textu udržujte v souladu s postupem dodávání zajišťujícím pokračování.\n\nVydaná karta specifikuje zvuk 24 kHz a uvádí výstupní formáty WAV, PCM, FLAC, MP3, AAC a Opus. Příručka řečové služby popisuje MP3 pro komprimované dodání, WAV pro nekomprimovaný PCM, FLAC pro bezeztrátovou kompresi a PCM či Opus pro streamování. Vyberte formát podporovaný připojeným postupem a vhodný pro jeho přehrávač nebo zpracování. Volba formátu a chování streamování jsou oddělené od samotné adaptace hlasu.\n\nArchitektura modelu a praktické hranice\n\nOznámení popisuje autoregresivní architekturu s flow matching, se základním dekodérem Transformer s 3,4 miliardy parametrů, akustickým Transformerem o 390 milionech parametrů a neuronovým zvukovým kodekem o 300 milionech parametrů. Dekodér předpovídá sémantický obsah a akustická složka vytváří reprezentaci řeči, zatímco kodek zpracovává zvuk. Tyto složky vysvětlují přibližné označení modelu 4B; nejsou dalšími vstupními jazyky ani jiným modelem pro tvorbu odpovědí.\n\nPraktickým výstupem je syntetizovaná nahrávka nebo zvukový proud spojený s připraveným scénářem a vybraným hlasem. Při generování několika oddílů tyto vazby zachovejte, aby aplikace mohla uložit, přehrát nebo sestavit správný materiál. Model vytváří zvuk, nikoli přepis, vektor pro sémantické vyhledávání nebo nově napsanou faktickou odpověď.\n\nZachovejte řečovou verzi 2603, podporovaný jazyk a styl reference. Přečtené zdroje poskytují tvrzení o nativních dvou minutách a doporučení přípravy pod 300 slov, ale nestanovují samostatný pevný maximální limit znaků textu ani celkovou délku pospojované nahrávky. Hotový zvukový výstup určete podle skutečného textu, hlasu a požadavků na dodání.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "e5a1fcfa971ff31e7b9af9c6d1d384bdcd959d8e7aa379660e89b13b0ab6c64d", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "cs", "methods": [ { "html": "mistralai/voxtral-mini-tts-2603Voxtral TTS je model generování řeči od Mistral AI se 4 miliardami parametrů a adaptací hlasu podle reference v devíti jazycích. Převádí připravený text na expresivní zvuk, podporuje opakovaně použitelné i jednorázové hlasové reference a streamování a vytváří výstup 24 kHz v dokumentovaných zvukových formátech.
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
Voxtral TTS je model převodu textu na řeč od Mistral AI se 4 miliardami parametrů pro generování mluveného zvuku z textu a hlasové reference. Modelová stránka výrobce identifikuje verzi 2603 jako voxtral-mini-tts-2603, zatímco karta vydaných vah se jmenuje Voxtral 4B TTS 2603. Tento záznam se týká uvedeného vydání pro generování řeči, odlišného od porozumění zvuku Voxtral Small, přepisu a pozdějších vstupních modelů pro reálný čas.
Expresivní řeč a adaptace hlasu
Model je navržen pro zachycení pauz, rytmu, intonace, přízvuku a emočního podání referenčního hlasu. Hlas funguje jako pokyn, jak má text znít; přehled výrobce nevyžaduje samostatné značky prozodie nebo emocí ani přepis referenční nahrávky. Zdrojový text určuje, co se říká, zatímco zvuková reference usměrňuje přednes.
Přehled popisuje adaptaci hlasu již ze dvou až tří sekund zvuku. Popis architektury hovoří o hlasových referencích v délce pěti až dvaceti pěti sekund. Tato tvrzení mají odlišný rozsah: příklad krátké adaptace není požadavkem používat co nejkratší referenci. Vyberte čistou řeč představující styl a přízvuk požadovaný pro konečný výsledek.
Vydaná karta zahrnuje dvacet přednastavených hlasů a adaptaci na nové hlasy. Řečový postup výrobce může používat uložený profil hlasu nebo jednorázový referenční klip. Uložení profilu umožňuje tutéž hlasovou referenci znovu používat v samostatných řečových požadavcích, zatímco jednorázový klip ji dodává pro aktuální úkol. Profil a generovaná nahrávka jsou různé výstupy.
Jazyky a přednes napříč jazyky
Vydání podporuje angličtinu, francouzštinu, španělštinu, němčinu, italštinu, portugalštinu, nizozemštinu, arabštinu a hindštinu; výrobce popisuje dialektové varianty, přenos hlasu mezi jazyky a míchání jazyků. Pro nejlepší výsledek příručka řeči doporučuje shodu jazyka reference s jazykem textu. Přenos mezi jazyky může zachovat přízvuk reference a zároveň vyslovit připravený text v jiném podporovaném jazyce.
Praktické vyprávění může používat stejný hlasový styl pro vysvětlení v různých podporovaných jazycích, přičemž každý text je připraven pro zamýšleného posluchače. Odpověď hlasového asistenta může použít krátký konverzační scénář místo čtení neupraveného dokumentu nahlas. Model převodu textu na řeč přednáší připravená slova; případný překlad nebo psaní odpovědi, které tato slova vytváří, je samostatným krokem.
Příprava textu
Příručka řeči výrobce doporučuje text vhodný k vyslovení. Čísla a symboly pište v podobě, která má zaznít, aby model nemusel volit mezi možnými čteními. Číslo může znamenat množství, čas nebo identifikátor; zamýšlené mluvené znění určete před syntézou. Pokud záleží na výslovnosti, rozepište zkratky a tam, kde je to zamýšlené čtení, použijte oddělená písmena.
Vyhněte se bohatému formátování, emoji a zvláštním znakům, které nebudou vyjádřeny jako mluvený obsah. Připravte úplné věty s interpunkcí a zněním potřebným pro přednes. Příručka doporučuje pro nejlepší výsledky zadání pod 300 slov. Jde o doporučení kvality, nikoli o deklarovanou pevnou maximální délku vstupu.
U vysvětlení postupu napište akci a podmínku ve větě, kterou posluchač dokáže sledovat. U oznámení umístěte důležité informace před volitelné podrobnosti. U hlasové odpovědi zachovejte faktickou odpověď a odstraňte formátování pouze pro zobrazení nebo zápis zdrojů, který nemá zaznít. Tyto přípravy činí samotný scénář vhodným pro zvuk, ještě než reference určí jeho styl.
Streamování, výstup a délka
Výrobce dokumentuje základní i streamované dodání a popisuje nativní generování až dvou minut zvuku. Karta vydaných vah také uvádí dávkovou inferenci pro přípravu více řečových úkolů. Delší generování služby používají prokládání, místo aby se jedna nativní část považovala za neomezenou. U delšího vyprávění připravte souvislé oddíly a přípravu hlasu i textu udržujte v souladu s postupem dodávání zajišťujícím pokračování.
Vydaná karta specifikuje zvuk 24 kHz a uvádí výstupní formáty WAV, PCM, FLAC, MP3, AAC a Opus. Příručka řečové služby popisuje MP3 pro komprimované dodání, WAV pro nekomprimovaný PCM, FLAC pro bezeztrátovou kompresi a PCM či Opus pro streamování. Vyberte formát podporovaný připojeným postupem a vhodný pro jeho přehrávač nebo zpracování. Volba formátu a chování streamování jsou oddělené od samotné adaptace hlasu.
Architektura modelu a praktické hranice
Oznámení popisuje autoregresivní architekturu s flow matching, se základním dekodérem Transformer s 3,4 miliardy parametrů, akustickým Transformerem o 390 milionech parametrů a neuronovým zvukovým kodekem o 300 milionech parametrů. Dekodér předpovídá sémantický obsah a akustická složka vytváří reprezentaci řeči, zatímco kodek zpracovává zvuk. Tyto složky vysvětlují přibližné označení modelu 4B; nejsou dalšími vstupními jazyky ani jiným modelem pro tvorbu odpovědí.
Praktickým výstupem je syntetizovaná nahrávka nebo zvukový proud spojený s připraveným scénářem a vybraným hlasem. Při generování několika oddílů tyto vazby zachovejte, aby aplikace mohla uložit, přehrát nebo sestavit správný materiál. Model vytváří zvuk, nikoli přepis, vektor pro sémantické vyhledávání nebo nově napsanou faktickou odpověď.
Zachovejte řečovou verzi 2603, podporovaný jazyk a styl reference. Přečtené zdroje poskytují tvrzení o nativních dvou minutách a doporučení přípravy pod 300 slov, ale nestanovují samostatný pevný maximální limit znaků textu ani celkovou délku pospojované nahrávky. Hotový zvukový výstup určete podle skutečného textu, hlasu a požadavků na dodání.
POST /v1/audio/speechtextaudio| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity mistralai/voxtral-mini-tts-2603 | Výchozí— |
Poleinput | Typstring | PožadavekPovinné | Hodnoty a limity Minimální délka: 1 Jednotka: znaky Unicode | Výchozí— |
Polevoice | Typstring | PožadavekPovinné | Hodnoty a limity en_paul_sad, en_paul_neutral, en_paul_happy, en_paul_frustrated, en_paul_excited, en_paul_confident, en_paul_cheerful, en_paul_angry, gb_oliver_neutral, gb_oliver_sad, gb_oliver_excited, gb_oliver_curious, gb_oliver_confident, gb_oliver_cheerful, gb_oliver_angry, gb_jane_sarcasm, gb_jane_confused, gb_jane_shameful, gb_jane_sad, gb_jane_neutral, gb_jane_jealousy, gb_jane_frustrated, gb_jane_curious, gb_jane_confident, fr_marie_sad, fr_marie_neutral, fr_marie_happy, fr_marie_excited, fr_marie_curious, fr_marie_angry | Výchozí— |
Poleresponse_format | Typstring | PožadavekPovinné | Hodnoty a limity mp3 | Výchozí— |
text_to_speech · Povinné: input
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, input, voice, response_format |
Parametrvoice_ids | Kontrakten_paul_sad, en_paul_neutral, en_paul_happy, en_paul_frustrated, en_paul_excited, en_paul_confident, en_paul_cheerful, en_paul_angry, gb_oliver_neutral, gb_oliver_sad, gb_oliver_excited, gb_oliver_curious, gb_oliver_confident, gb_oliver_cheerful, gb_oliver_angry, gb_jane_sarcasm, gb_jane_confused, gb_jane_shameful, gb_jane_sad, gb_jane_neutral, gb_jane_jealousy, gb_jane_frustrated, gb_jane_curious, gb_jane_confident, fr_marie_sad, fr_marie_neutral, fr_marie_happy, fr_marie_excited, fr_marie_curious, fr_marie_angry |
Parametrresponse_format | Kontraktmp3 |
Parametrmax_input_characters | Kontraktnull |
Parametrother_options | Kontraktfalse |
Parametrinput | Kontraktpřesný text UTF-8; počet znaků Unicode bez normalizace |
Parametrmaterial_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.
Údaje o tarifech nepřidávají možnosti požadavku. Podporované parametry jsou uvedeny u vybrané metody.
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 $0.032 za 1K vstupních znaků |
Referenční tabulky modelu nemění výběr metody, cenové nabídky ani poplatky. Skutečné poplatky používají sazby vybrané metody Ailoot.
| Konfigurace | Podmínky účtování | Poplatek |
|---|---|---|
| KonfiguraceMistral: Voxtral Mini TTS · Výchozí konfigurace | Podmínky účtováníVýchozí konfigurace | Poplatek Vstup · Vstupní znaky 0,000032 US$ 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 →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_VOICE_ID:?Choose an accepted voice ID from this exact model profile}"\nexport AILOOT_VOICE_ID\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/voxtral-mini-tts-2603", "input": "Good afternoon! This is a short voice take."}')\nvoice=os.environ["AILOOT_VOICE_ID"]\nallowed=json.loads('["en_paul_sad", "en_paul_neutral", "en_paul_happy", "en_paul_frustrated", "en_paul_excited", "en_paul_confident", "en_paul_cheerful", "en_paul_angry", "gb_oliver_neutral", "gb_oliver_sad", "gb_oliver_excited", "gb_oliver_curious", "gb_oliver_confident", "gb_oliver_cheerful", "gb_oliver_angry", "gb_jane_sarcasm", "gb_jane_confused", "gb_jane_shameful", "gb_jane_sad", "gb_jane_neutral", "gb_jane_jealousy", "gb_jane_frustrated", "gb_jane_curious", "gb_jane_confident", "fr_marie_sad", "fr_marie_neutral", "fr_marie_happy", "fr_marie_excited", "fr_marie_curious", "fr_marie_angry"]')\nif voice not in allowed: raise SystemExit("Choose an accepted voice ID from this exact model profile")\np["voice"]=voice\np["response_format"]="mp3"\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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o speech.mp3\nmp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o media-assets.json\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_MEDIA_TASK_ID:?Set the actual ID returned by the response or media-library metadata}"\nexport AILOOT_MEDIA_TASK_ID\nresource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_MEDIA_TASK_ID"],safe=""))')\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/tasks/$resource_id" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o media-task.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("media-task.json").read_text())))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_ASSET_ID:?Set the actual ID returned by the response or media-library metadata}"\nexport AILOOT_ASSET_ID\nresource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_ASSET_ID"],safe=""))')\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/assets/$resource_id" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o media-asset.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("media-asset.json").read_text())))\nPY_RESULT\nUchovejte 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.
Uchovejte původní operation_id/X-Client-Request-ID pro spárování záznamů bez opětovného odeslání; samostatná trasa pro dotazování na stav zvuku neexistuje.
| Pole | Typ |
|---|---|
Polebinary audio | Typbytes |
Poleresponse headers | Typheaders |
| 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. |
Odpověďserver_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. |
Ailoot Ultra mistralai/voxtral-mini-tts-2603
Použijte cesty metod uvedené výše.