MiniMax: Speech 02 HD

MiniMax Speech 02 HD omdanner medsendt tekst til tale. Dens præcise Ailoot-model-ID er minimax/speech-02-hd, og dens dokumenterede syntesevælger er speech-02-hd. Brug audio_speech-metoden til en speak, en indtalt lektion, en produktforklaring eller en indtalingskladde, hvis ordlyd du allerede har. Inputtet er den passage, der skal læses, og resultatet er syntetiseret tale i det valgte lydformat.

Forbered teksten som ord, der skal siges, med tegnsætning, der afspejler fraseringen. Til en indtalingskladde skal du angive den endelige sætningsrækkefølge og stavemåden for navne, før du vælger stemmeindstillinger. Hold regibemærkninger adskilt fra den talte passage, medmindre disse ord hører til i optagelsen. Lyt til vigtige navne, tal og overgange i resultatet, og sammenlign dem med kildeteksten.

Teksten skal være kortere end 10 000 tegn. Den offentliggjorte syntesekontrakt kræver model og text. Til længere materiale skal du forberede passager inden for denne grænse og bevare deres rækkefølge til redigering. Den synkrone profil bruger et komplet svar med stream=false som dokumenteret standardværdi. Den generelle API beskriver også streamingmuligheder, men den valgte metode på dette kort er den synkrone talearbejdsgang.

voice_setting vælger et tilgængeligt voice_id og styrer speed, vol og pitch. Det dokumenterede speed-interval er 0,5–2 med 1 som standardværdi. vol skal være større end 0 og højst 10 med 1 som standardværdi; pitch er et heltal fra -12 til 12 med 0 som standardværdi. Lad hver indstilling tjene passagen: sammenlign oplæsningstempo og hørbarhed i den faktiske optagelse frem for at antage, at en talændring skaber en bestemt fremførelse.

De dokumenterede emotion-værdier er happy, sad, angry, fearful, disgusted, surprised, calm og fluent. Teksten kan også styre modellens følelse. text_normalization er en separat boolesk indstilling til forberedelse af taloplæsning på kinesisk og engelsk, og latex_read styrer oplæsning af LaTeX-formler; begge har standardværdien false. pronunciation_dict.tone kan indeholde dokumenterede erstatningsregler for udtale. Kontrollér et navn eller et fagudtryk i den resulterende lyd, før du bruger det i en længere indtaling.

audio_setting.format accepterer mp3, pcm, flac eller wav med mp3 som standardværdi. sample_rate accepterer 8000, 16000, 22050, 24000, 32000 eller 44100 og har standardværdien 32000. bitrate accepterer 32000, 64000, 128000 eller 256000, har standardværdien 128000 og gælder for MP3. channel vælger 1 til mono eller 2 til stereo med 1 som standardværdi. Gem disse valg sammen med kildepassagen, så den returnerede fil kan kontrolleres i forhold til det ønskede redigerings- eller afspilningssted.

Yderligere dokumenterede indstillinger omfatter language_boost, hvis præcise navngivne valg omfatter English, Russian, Chinese og Chinese,Yue; vælg en faktisk angivet værdi til passagen. timber_weights kan kombinere eksisterende voice_id-poster med heltalsværdier for weight fra 1 til 100. De offentliggjorte sound_effects-værdier er spacious_echo, auditorium_echo, lofi_telephone og robotic. Det er valgfrie indstillinger til at forme en valgt stemme; registrér deres faktiske indstillinger, når du sammenligner oplæsninger.

Det synkrone resultat indeholder genereret tale. output_format vælger url eller hex og har standardværdien hex i synteseskemaet. Download filen, som et URL-resultat henviser til, eller afkod et hex-resultat til lydbytes før afspilning. Gem de returnerede lydmetadata, inklusive format, samplingsfrekvens, antal kanaler og størrelse, sammen med optagelsen. subtitle_enable er som standard false og gælder kun for output uden streaming, når den aktiveres; kilden fastlægger ikke et undertekstfilformat for denne profil.

Gem kildepassagen, det præcise model-ID, stemmevalget og den færdige optagelse samlet. Gennemgå hele oplæsningen for den ønskede ordlyd, pauser og de valgte fremførelsesindstillinger, før du indsætter den i en video, lektion eller indtalt vejledning. Hvis svaret er ufuldstændigt, skal du gemme den oprindelige anmodnings identitet og de returnerede oplysninger til afstemning, før du anmoder om en ny optagelse. En senere revision kan ændre en bestemt formulering eller stemmeindstilling, mens resten af manuskriptet bevares til en tydelig sammenligning.