speech-02-turbo
Speech-02 Turbo je určen pro rychlou syntézu řeči se stálým rytmem a vícejazyčným zněním.
O modelu
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
Rychlá řeč pro interaktivní odpověď
Speech 02 Turbo je určen pro interaktivní syntézu řeči. Výrobce popisuje kombinaci rychlosti se stálým rytmem a přirozeným zněním; mezi scénáře patří hlasové odpovědi, herní repliky a interaktivní obsah. Model přijímá text a vytváří mluvený zvuk.
Volba charakteru zvuku
Rodina Speech 02 umožňuje kombinovat hlas, jazyk, přízvuk a emocionální zabarvení. Společně trénované autoregresivní Transformer a enkodér mluvčího propojují barvu hlasu s obsahem. Text lze syntetizovat hotovým hlasem; vytvoření nového klonovaného hlasu patří k samostatné přípravě.
Model sám volí emocionální intonaci podle textu nebo přijímá zadaný stav: radost, smutek, hněv, strach, odpor, překvapení či klid. Dále se řídí rychlost, výška a hlasitost, aby replika odpovídala požadovanému tempu interakce.
Jazyky a čtení slov
Podporována je ruština a další jazyky, včetně angličtiny, čínštiny, kantonštiny, japonštiny, korejštiny, francouzštiny, němčiny, španělštiny, portugalštiny, turečtiny, arabštiny a ukrajinštiny. Pro Speech 02 aktuální specifikace samostatně vylučuje perštinu, filipínštinu a tamilštinu.
Výslovnost lze upřesňovat slovníkem náhrad, mezinárodním fonetickým zápisem, čínským pinyinem a japonskými variantami čtení. Pauzy mezi vyslovovanými částmi se zadávají 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. Model umožňuje rychlost 0,5–2, hlasitost nad 0 až do 10 a změnu výšky od −12 do 12.
Zvuk pro přehrávání
Synchronní vstup je omezen na text kratší než 10 000 znaků; pro objem nad 3000 znaků výrobce doporučuje postupný výstup. Schopnosti modelu zahrnují MP3, WAV, FLAC a PCM; v obecných nastaveních jsou popsány také Opus a G.711 μ-law a jeden nebo dva zvukové kanály.
Tato karta Ailoot přijímá text a vrací řeč. Rychlost Turbo se týká účelu varianty modelu; délka konkrétní odpovědi a dostupnost rozšířených formátů závisejí na zvoleném způsobu volání.
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-turbo
speech-02-turboÚvod
Speech-02 Turbo je určen pro rychlou syntézu řeči se stálým rytmem a vícejazyčným zněním.
- 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-turbo | 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
- 60,00 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-turbo", "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-turbo
Aliasy cest metod
Použijte cesty metod uvedené výše.
Související ID modelů
FAQ · speech-02-turbo
- Jaké vstupy a výsledky jsou dostupné?
POST /v1/audio/speech·speech-02-turbo:text→speech- Jaká pole požadavek používá?
POST /v1/audio/speech·speech-02-turbo:model,input,voice,response_format