speech-02-hd
Speech-02 HD je model syntézy řeči se zaměřením na kvalitu zvuku a podobnost hlasu.
O modelu
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
Hlas pro přednes a dlouhé čtení
Speech 02 HD vytváří řeč se zaměřením na kvalitu, rytmus a stálost znění. Výrobce zdůrazňuje hlasové zpracování materiálů a audioknihy, v nichž má hlas zachovávat charakter a plynule procházet dlouhým textem. Jde o model syntézy: přijímá text a převádí jej na mluvený zvuk.
Jak se propojují text a barva hlasu
Základem rodiny Speech 02 jsou autoregresivní architektura Transformer a trénovatelný enkodér mluvčího. Získávání barvy hlasu a generování řeči byly trénovány společně, aby sladily vlastnosti hlasu s obsahem. Schopnosti rodiny zahrnují používání připravených klonovaných hlasů a kombinování jazyka, přízvuku a způsobu výslovnosti.
Emoce a vícejazyčné čtení
Emocionální zabarvení lze určit podle smyslu textu nebo zadat ručně. Dostupné jsou radost, smutek, hněv, strach, odpor, překvapení a klid. Model pracuje s ruštinou, angličtinou a dalšími jazyky; výrobce popisuje různé přízvuky anglické řeči, čínštinu a kantonštinu, japonštinu, korejštinu, evropské a další jazyky.
V aktuálním popisu Speech 02 jsou samostatně vyloučeny perština, filipínština a tamilština. Obecný jazykový seznam novějších generací Speech nelze automaticky přenášet na tuto verzi.
Nastavení hlasu
Pro syntézu jsou k dispozici volba hlasu, změna rychlosti 0,5–2, hlasitosti nad 0 až do 10 a výšky od −12 do 12. Ve slovníku výslovnosti lze zadávat nahrazení zápisu požadovaným čtením; podporovány jsou fonetické zápisy a japonské varianty výslovnosti. Lze tak řídit, jak zaznějí jména a nejednoznačná slova.
Pauzy a hotový zvuk
Výrobce umožňuje zadávat pauzy mezi vyslovovanými úseky o délce 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. Text jednoho synchronního požadavku musí mít méně než 10 000 znaků. K dispozici jsou získání celého zvuku i postupný výstup; pro text nad 3000 znaků je doporučen streamovaný výstup.
Mezi formáty modelu patří MP3, WAV, FLAC a PCM; obecná nastavení syntézy popisují také Opus a varianty G.711 μ-law. Lze použít mono nebo stereo. V této kartě je dostupný hlasový přednes textu a samostatná příprava hlasu i rozšířená nastavení se používají pouze v mezích podporovaného způsobu volání prostřednictvím Ailoot.
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 · Převod na řeč POST /v1/audio/speech speech-02-hd
speech-02-hdÚvod
Speech-02 HD je model syntézy řeči se zaměřením na kvalitu zvuku a podobnost hlasu.
- Přijímané vstupy
- Text
- Výsledky
- speech
Dostupné v Ailoot · vstupy a metody
Ailoot · Převod na řeč POST /v1/audio/speech
- Vstup
text- Výstup
speech- Výstupní formát
- mp3
| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity speech-02-hd | Výchozí— |
Poleinput | Typstring | PožadavekPovinné | Hodnoty a limity Minimální délka: 1 Maximální délka (bez krajní hodnoty): 10 000 Jednotka: znaky Unicode | Výchozí— |
Polevoice | Typstring | PožadavekPovinné | Hodnoty a limity Vzor: ^[A-Za-z0-9_-]{1,128}$ | Výchozí— |
Poleresponse_format | Typstring | PožadavekVolitelné | Hodnoty a limity mp3 | Výchozí— |
Kombinace vstupních materiálů
text_to_speech · Povinné: input
Parametry a životní cyklus metody
| Parametr | Kontrakt |
|---|---|
Parametrmaterial_types | Kontrakttext |
Parametrrequired | Kontraktnull |
Parametroptional_controls | Kontraktnull |
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}
Struktury metod a ID jsou přesné; schopnosti dodavatele jsou oddělené od připuštění požadavku.
Tarify
Sazby metod Ailoot
POST /v1/audio/speech- Vstup
- 100,00 US$ za 1 milion znaků
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 · Převod na řeč
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 narration script}"
export AILOOT_TEXT_FILE
: "${AILOOT_VOICE_ID:?Set the actual accepted voice ID for this model}"
export AILOOT_VOICE_ID
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "speech-02-hd", "input": ""}')
f=Path(os.environ["AILOOT_TEXT_FILE"])
if not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")
text=f.read_text(encoding="utf-8")
if not text.strip():raise SystemExit("Source material must contain text")
p["input"]=text
import re
voice=os.environ["AILOOT_VOICE_ID"]
if not re.fullmatch(r"[A-Za-z0-9_-]{1,128}",voice):raise SystemExit("Set an actual accepted voice ID")
p["voice"]=voice
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 · Převod na řeč
mp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
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 |
|---|---|
Polebinary audio | Typbytes |
Poleresponse 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. |
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. |
Aliasy
Aliasy modelu
Ailoot speech-02-hd
Aliasy cest metod
Použijte cesty metod uvedené výše.
Související ID modelů
FAQ · speech-02-hd
- Jaké vstupy a výsledky jsou dostupné?
POST /v1/audio/speech·speech-02-hd:text→speech- Jaká pole požadavek používá?
POST /v1/audio/speech·speech-02-hd:model,input,voice,response_format