{ "aboutHtml": "

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.

", "aboutText": "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.\n\nForbered 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.\n\nTeksten 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.\n\nvoice_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.\n\nDe 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.\n\naudio_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.\n\nYderligere 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.\n\nDet 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.\n\nGem 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "d76496d21ab8f8789f4ed2ef6479c13584fb215f03c053480e3568083356b71e", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "
MM

MiniMax: Speech 02 HD

MiniMax /minimax/speech-02-hd

Start

MiniMax Speech 02 HD læser medsendt tekst som genereret tale via en synkron audio_speech-anmodning. Den accepterer tekst på under 10 000 tegn og tilbyder indstillinger for stemme, tempo og tonehøjde med MP3-, PCM-, FLAC- eller WAV-output.

Accepterede input
Tekst
Resultater
Lyd
Om modellen

Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.

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.

Tilgængelig i Ailoot · input og metoder

Ailoot Ultra · Speech POST /v1/audio/speech
Inputtyper
text
Outputtyper
audio
Outputformat
mp3,pcm,flac,wav
FeltTypeKravVærdier og grænserStandard
FeltmodelTypestringKravPåkrævetVærdier og grænser
minimax/speech-02-hd
Standard—
FelttextTypestringKravPåkrævetVærdier og grænserStandard—
FeltstreamTypebooleanKravValgfritVærdier og grænser
false
Standardfalse
Feltvoice_settingTypeobjectKravValgfritVærdier og grænserStandard—
Feltvoice_setting.voice_idTypestringKravValgfritVærdier og grænserStandard—
Feltvoice_setting.speedTypenumberKravValgfritVærdier og grænser
Minimum: 0,5
Maksimum: 2
Standard1
Feltvoice_setting.volTypenumberKravValgfritVærdier og grænser
Minimum: 0
Maksimum: 10
Standard1
Feltvoice_setting.pitchTypeintegerKravValgfritVærdier og grænser
Minimum: -12
Maksimum: 12
Standard0
Feltvoice_setting.emotionTypestringKravValgfritVærdier og grænser
happy, sad, angry, fearful, disgusted, surprised, calm, fluent
Standard—
Feltvoice_setting.text_normalizationTypebooleanKravValgfritVærdier og grænserStandardfalse
Feltvoice_setting.latex_readTypebooleanKravValgfritVærdier og grænserStandardfalse
Feltaudio_settingTypeobjectKravValgfritVærdier og grænserStandard—
Feltaudio_setting.sample_rateTypeintegerKravValgfritVærdier og grænser
8.000, 16.000, 22.050, 24.000, 32.000, 44.100
Standard32.000
Feltaudio_setting.bitrateTypeintegerKravValgfritVærdier og grænser
32.000, 64.000, 128.000, 256.000
Standard128.000
Feltaudio_setting.formatTypestringKravValgfritVærdier og grænser
mp3, pcm, flac, wav
Standardmp3
Feltaudio_setting.channelTypeintegerKravValgfritVærdier og grænser
1, 2
Standard1
Feltaudio_setting.force_cbrTypebooleanKravValgfritVærdier og grænserStandardfalse
Feltpronunciation_dictTypeobjectKravValgfritVærdier og grænserStandard—
Feltpronunciation_dict.toneTypearrayKravValgfritVærdier og grænserStandard—
Felttimber_weightsTypearrayKravValgfritVærdier og grænserStandard—
Feltlanguage_boostTypestringKravValgfritVærdier og grænser
Chinese, Chinese,Yue, English, Arabic, Russian, Spanish, French, Portuguese, German, Turkish, Dutch, Ukrainian, Vietnamese, Indonesian, Japanese, Italian, Korean, Thai, Polish, Romanian, Greek, Czech, Finnish, Hindi, Bulgarian, Danish, Hebrew, Malay, Persian, Slovak, Swedish, Croatian, Filipino, Hungarian, Norwegian, Slovenian, Catalan, Nynorsk, Tamil, Afrikaans, auto
Standard—
Feltvoice_modifyTypeobjectKravValgfritVærdier og grænserStandard—
Feltvoice_modify.pitchTypeintegerKravValgfritVærdier og grænser
-100, 100
Standard—
Feltvoice_modify.intensityTypeintegerKravValgfritVærdier og grænser
-100, 100
Standard—
Feltvoice_modify.timbreTypeintegerKravValgfritVærdier og grænser
-100, 100
Standard—
Feltvoice_modify.sound_effectsTypestringKravValgfritVærdier og grænser
spacious_echo, auditorium_echo, lofi_telephone, robotic
Standard—
Feltsubtitle_enableTypebooleanKravValgfritVærdier og grænserStandardfalse
Feltoutput_formatTypestringKravValgfritVærdier og grænser
url, hex
Standardhex
Feltaigc_watermarkTypebooleanKravValgfritVærdier og grænserStandardfalse
Metodeparametre og livscyklus
ParameterKontrakt
Parametercontent_typeKontraktapplication/json
ParameterrequiredKontraktmodel, text
ParameteroptionalKontraktstream, voice_setting, audio_setting, pronunciation_dict, timber_weights, language_boost, voice_modify, subtitle_enable, output_format, aigc_watermark
Parametermaterial_typesKontrakttext
ParameterconditionsKontraktUse text, not input or contents. Fewer than 10000 Unicode characters; stream is false or omitted., PCM is raw audio with its returned sample geometry; do not invent a WAV header or bit depth.

Livscyklus: synchronous_result_then_owned_library

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Priser

Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.

Hurtig tilstand
Ikke angivet Når hurtig tilstand er valgt
flex-tilstand
Ikke angivet Når flex-tilstanden er valgt
Maksimal ræsonneringsindsats
Ikke angivet Når default-justeringen anvendes ved maksimal ræsonneringsindsats

Ailoot-takster

Priser efter konfiguration

Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.

KonfigurationTakstplanAfregningsenhedBeløb
KonfigurationGrundpriser for tokensTakstplanGrundtakstAfregningsenhed—Beløb
Input · Inputtokens — / 1K tokens
Output · Outputtokens — / 1K tokens
Input · Cachelæsning — / 1K tokens
Input · Cacheskrivning — / 1K tokens
Input · Cacheskrivning, 1 time — / 1K tokens
KonfigurationinputtegnTakstplan—Afregningsenhedpr. inputtegnBeløb
Input · inputtegn $0.0002 pr. inputtegn

Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →

Eksempelanmodninger

Ailoot Ultra · Speech

set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "minimax/speech-02-hd", "text": "Hello, this is a short speech example.", "stream": false, "output_format": "hex", "audio_setting": {"format": "mp3", "sample_rate": 32000, "channel": 1}}')\n\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 result.json\n# Submit once. Retain the complete result, original identifiers and every response header.\n

Hent og gem resultater

Ailoot Ultra · Speech

mp3,pcm,flac,wav

Behold alle færdige resultater

Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.

Retain the full JSON. Decode every hex audio byte or use the returned owned URL. Keep the actual format, sample rate, channel count and usage_characters.

Hvis det oprindelige svar skal kontrolleres

Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.

Svarfelter
FeltType
Feltdata.audioTypestring
Feltextra_infoTypeobject
Felttrace_idTypestring

Aliaser

Modelaliaser

Ailoot Ultra minimax/speech-02-hd

Aliaser for metodestier

Brug metodestierne vist ovenfor.

Relaterede kalder-ID’er

minimax/speech-02-hd

", "method_identity": { "effective_request_model_id": "minimax/speech-02-hd", "fmt": "speech", "http": "POST", "path": "/v1/audio/speech", "request_model_id": "minimax/speech-02-hd", "route_label": "Ultra" }, "method_key": "Ultra|speech|/v1/audio/speech|minimax%2Fspeech-02-hd", "ordinal": 0, "rawMethod": { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Retain the complete response, all actual results, original identifiers, usage and response headers.", "authentication": { "api_key_source": "AILOOT_API_KEY", "header": "Authorization: Bearer" }, "example_body": { "audio_setting": { "channel": 1, "format": "mp3", "sample_rate": 32000 }, "model": "minimax/speech-02-hd", "output_format": "hex", "stream": false, "text": "Hello, this is a short speech example." }, "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets", "query": { "cursor": "actual returned next_cursor, when present", "family": "audio" } }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "cancel_endpoint": null, "create": { "http": "POST", "path": "/v1/audio/speech" }, "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "owned_content": { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "Use the exact returned content_url. Refresh an expired link by reading the same existing asset." }, "status": [], "unknown": "Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.", "unknown_no_replay": true }, "outputs": { "all_results": "Retain the full JSON. Decode every hex audio byte or use the returned owned URL. Keep the actual format, sample rate, channel count and usage_characters.", "family": "audio", "fields": [ { "name": "data.audio", "type": "string" }, { "name": "extra_info", "type": "object" }, { "name": "trace_id", "type": "string" } ], "format": [ "mp3", "pcm", "flac", "wav" ] }, "parameters": [ { "default_known": false, "enum": [ "minimax/speech-02-hd" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "default_known": false, "enum_known": false, "maxLength": 9999, "minLength": 1, "name": "text", "required": true, "type": "string" }, { "default": false, "default_known": true, "enum": [ false ], "enum_known": true, "name": "stream", "required": false, "type": "boolean" }, { "default_known": false, "enum_known": false, "name": "voice_setting", "properties": { "emotion": { "enum": [ "happy", "sad", "angry", "fearful", "disgusted", "surprised", "calm", "fluent" ], "type": "string" }, "latex_read": { "default": false, "type": "boolean" }, "pitch": { "default": 0, "maximum": 12, "minimum": -12, "type": "integer" }, "speed": { "default": 1, "maximum": 2, "minimum": 0.5, "type": "number" }, "text_normalization": { "default": false, "type": "boolean" }, "voice_id": { "type": "string" }, "vol": { "default": 1, "exclusiveMinimum": true, "maximum": 10, "minimum": 0, "type": "number" } }, "required": false, "type": "object" }, { "default_known": false, "enum_known": false, "name": "voice_setting.voice_id", "required": false, "type": "string" }, { "default": 1, "default_known": true, "enum_known": false, "maximum": 2, "minimum": 0.5, "name": "voice_setting.speed", "required": false, "type": "number" }, { "default": 1, "default_known": true, "enum_known": false, "exclusiveMinimum": true, "maximum": 10, "minimum": 0, "name": "voice_setting.vol", "required": false, "type": "number" }, { "default": 0, "default_known": true, "enum_known": false, "maximum": 12, "minimum": -12, "name": "voice_setting.pitch", "required": false, "type": "integer" }, { "default_known": false, "enum": [ "happy", "sad", "angry", "fearful", "disgusted", "surprised", "calm", "fluent" ], "enum_known": true, "name": "voice_setting.emotion", "required": false, "type": "string" }, { "default": false, "default_known": true, "enum_known": false, "name": "voice_setting.text_normalization", "required": false, "type": "boolean" }, { "default": false, "default_known": true, "enum_known": false, "name": "voice_setting.latex_read", "required": false, "type": "boolean" }, { "default_known": false, "enum_known": false, "name": "audio_setting", "properties": { "bitrate": { "default": 128000, "enum": [ 32000, 64000, 128000, 256000 ], "type": "integer" }, "channel": { "default": 1, "enum": [ 1, 2 ], "type": "integer" }, "force_cbr": { "default": false, "type": "boolean" }, "format": { "default": "mp3", "enum": [ "mp3", "pcm", "flac", "wav" ], "type": "string" }, "sample_rate": { "default": 32000, "enum": [ 8000, 16000, 22050, 24000, 32000, 44100 ], "type": "integer" } }, "required": false, "type": "object" }, { "default": 32000, "default_known": true, "enum": [ 8000, 16000, 22050, 24000, 32000, 44100 ], "enum_known": true, "name": "audio_setting.sample_rate", "required": false, "type": "integer" }, { "default": 128000, "default_known": true, "enum": [ 32000, 64000, 128000, 256000 ], "enum_known": true, "name": "audio_setting.bitrate", "required": false, "type": "integer" }, { "default": "mp3", "default_known": true, "enum": [ "mp3", "pcm", "flac", "wav" ], "enum_known": true, "name": "audio_setting.format", "required": false, "type": "string" }, { "default": 1, "default_known": true, "enum": [ 1, 2 ], "enum_known": true, "name": "audio_setting.channel", "required": false, "type": "integer" }, { "default": false, "default_known": true, "enum_known": false, "name": "audio_setting.force_cbr", "required": false, "type": "boolean" }, { "default_known": false, "enum_known": false, "name": "pronunciation_dict", "properties": { "tone": { "items": { "type": "string" }, "type": "array" } }, "required": false, "type": "object" }, { "default_known": false, "enum_known": false, "items": { "type": "string" }, "name": "pronunciation_dict.tone", "required": false, "type": "array" }, { "default_known": false, "enum_known": false, "items": { "properties": { "voice_id": { "type": "string" }, "weight": { "type": "integer" } }, "type": "object" }, "name": "timber_weights", "required": false, "type": "array" }, { "default_known": false, "enum": [ "Chinese", "Chinese,Yue", "English", "Arabic", "Russian", "Spanish", "French", "Portuguese", "German", "Turkish", "Dutch", "Ukrainian", "Vietnamese", "Indonesian", "Japanese", "Italian", "Korean", "Thai", "Polish", "Romanian", "Greek", "Czech", "Finnish", "Hindi", "Bulgarian", "Danish", "Hebrew", "Malay", "Persian", "Slovak", "Swedish", "Croatian", "Filipino", "Hungarian", "Norwegian", "Slovenian", "Catalan", "Nynorsk", "Tamil", "Afrikaans", "auto" ], "enum_known": true, "name": "language_boost", "required": false, "type": "string" }, { "default_known": false, "enum_known": false, "name": "voice_modify", "properties": { "intensity": { "enum": [ -100, 100 ], "type": "integer" }, "pitch": { "enum": [ -100, 100 ], "type": "integer" }, "sound_effects": { "enum": [ "spacious_echo", "auditorium_echo", "lofi_telephone", "robotic" ], "type": "string" }, "timbre": { "enum": [ -100, 100 ], "type": "integer" } }, "required": false, "type": "object" }, { "default_known": false, "enum": [ -100, 100 ], "enum_known": true, "name": "voice_modify.pitch", "required": false, "type": "integer" }, { "default_known": false, "enum": [ -100, 100 ], "enum_known": true, "name": "voice_modify.intensity", "required": false, "type": "integer" }, { "default_known": false, "enum": [ -100, 100 ], "enum_known": true, "name": "voice_modify.timbre", "required": false, "type": "integer" }, { "default_known": false, "enum": [ "spacious_echo", "auditorium_echo", "lofi_telephone", "robotic" ], "enum_known": true, "name": "voice_modify.sound_effects", "required": false, "type": "string" }, { "default": false, "default_known": true, "enum_known": false, "name": "subtitle_enable", "required": false, "type": "boolean" }, { "default": "hex", "default_known": true, "enum": [ "url", "hex" ], "enum_known": true, "name": "output_format", "required": false, "type": "string" }, { "default": false, "default_known": true, "enum_known": false, "name": "aigc_watermark", "required": false, "type": "boolean" } ], "request_schema": { "properties": { "aigc_watermark": { "default": false, "type": "boolean" }, "audio_setting": { "properties": { "bitrate": { "default": 128000, "enum": [ 32000, 64000, 128000, 256000 ], "type": "integer" }, "channel": { "default": 1, "enum": [ 1, 2 ], "type": "integer" }, "force_cbr": { "default": false, "type": "boolean" }, "format": { "default": "mp3", "enum": [ "mp3", "pcm", "flac", "wav" ], "type": "string" }, "sample_rate": { "default": 32000, "enum": [ 8000, 16000, 22050, 24000, 32000, 44100 ], "type": "integer" } }, "type": "object" }, "language_boost": { "enum": [ "Chinese", "Chinese,Yue", "English", "Arabic", "Russian", "Spanish", "French", "Portuguese", "German", "Turkish", "Dutch", "Ukrainian", "Vietnamese", "Indonesian", "Japanese", "Italian", "Korean", "Thai", "Polish", "Romanian", "Greek", "Czech", "Finnish", "Hindi", "Bulgarian", "Danish", "Hebrew", "Malay", "Persian", "Slovak", "Swedish", "Croatian", "Filipino", "Hungarian", "Norwegian", "Slovenian", "Catalan", "Nynorsk", "Tamil", "Afrikaans", "auto" ], "type": "string" }, "model": { "enum": [ "minimax/speech-02-hd" ], "type": "string" }, "output_format": { "default": "hex", "enum": [ "url", "hex" ], "type": "string" }, "pronunciation_dict": { "properties": { "tone": { "items": { "type": "string" }, "type": "array" } }, "type": "object" }, "stream": { "default": false, "enum": [ false ], "type": "boolean" }, "subtitle_enable": { "default": false, "type": "boolean" }, "text": { "maxLength": 9999, "minLength": 1, "type": "string" }, "timber_weights": { "items": { "properties": { "voice_id": { "type": "string" }, "weight": { "type": "integer" } }, "type": "object" }, "type": "array" }, "voice_modify": { "properties": { "intensity": { "enum": [ -100, 100 ], "type": "integer" }, "pitch": { "enum": [ -100, 100 ], "type": "integer" }, "sound_effects": { "enum": [ "spacious_echo", "auditorium_echo", "lofi_telephone", "robotic" ], "type": "string" }, "timbre": { "enum": [ -100, 100 ], "type": "integer" } }, "type": "object" }, "voice_setting": { "properties": { "emotion": { "enum": [ "happy", "sad", "angry", "fearful", "disgusted", "surprised", "calm", "fluent" ], "type": "string" }, "latex_read": { "default": false, "type": "boolean" }, "pitch": { "default": 0, "maximum": 12, "minimum": -12, "type": "integer" }, "speed": { "default": 1, "maximum": 2, "minimum": 0.5, "type": "number" }, "text_normalization": { "default": false, "type": "boolean" }, "voice_id": { "type": "string" }, "vol": { "default": 1, "exclusiveMinimum": true, "maximum": 10, "minimum": 0, "type": "number" } }, "type": "object" } }, "required": [ "model", "text" ], "type": "object" }, "schema_template": { "body": { "audio_setting": { "channel": 1, "format": "mp3", "sample_rate": 32000 }, "model": "minimax/speech-02-hd", "output_format": "hex", "stream": false, "text": "Hello, this is a short speech example." }, "content_type": "application/json" } }, "input": { "conditions": [ "Use text, not input or contents. Fewer than 10000 Unicode characters; stream is false or omitted.", "PCM is raw audio with its returned sample geometry; do not invent a WAV header or bit depth." ], "content_type": "application/json", "material_types": [ "text" ], "optional": [ "stream", "voice_setting", "audio_setting", "pronunciation_dict", "timber_weights", "language_boost", "voice_modify", "subtitle_enable", "output_format", "aigc_watermark" ], "required": [ "model", "text" ] }, "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets", "query": { "cursor": "actual returned next_cursor, when present", "family": "audio" } }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "cancel_endpoint": null, "create": { "http": "POST", "path": "/v1/audio/speech" }, "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "owned_content": { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "Use the exact returned content_url. Refresh an expired link by reading the same existing asset." }, "status": [], "unknown": "Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.", "unknown_no_replay": true }, "method": { "http": "POST", "path": "/v1/audio/speech" }, "method_aliases": [], "output": { "all_results": "Retain the full JSON. Decode every hex audio byte or use the returned owned URL. Keep the actual format, sample rate, channel count and usage_characters.", "family": "audio", "fields": [ { "name": "data.audio", "type": "string" }, { "name": "extra_info", "type": "object" }, { "name": "trace_id", "type": "string" } ], "format": [ "mp3", "pcm", "flac", "wav" ] } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input character" }, "label": "input character", "units": [ { "amount": "0.0002", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.0002", "native_quantity": 1, "public_unit_label": "per input character", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_character" } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"minimax/speech-02-hd\", \"text\": \"Hello, this is a short speech example.\", \"stream\": false, \"output_format\": \"hex\", \"audio_setting\": {\"format\": \"mp3\", \"sample_rate\": 32000, \"channel\": 1}}')\n\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 result.json\n# Submit once. Retain the complete result, original identifiers and every response header.\n", "label": "curl · create once and retain the complete result", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "speech", "http": "POST", "img_in": null, "img_out": null, "in": null, "input": [ "text" ], "label": "Speech", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": null, "output": [ "audio" ], "path": "/v1/audio/speech", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "per_request", "cache_read_price": null, "cache_write_1h_price": null, "cache_write_price": null, "fast_multiplier": null, "flex_multiplier": null, "image_input_price": null, "image_output_price": null, "input_price": null, "intervals": null, "max_reasoning_effort_multiplier": null, "output_price": null, "per_request_price": null, "unit_prices": { "audio_input_character": "0.0002" } }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input character" }, "label": "input character", "units": [ { "amount": "0.0002", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.0002", "native_quantity": 1, "public_unit_label": "per input character", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_character" } ] } ], "request_model_id": "minimax/speech-02-hd", "route_label": "Ultra", "status_reads": [], "tiers": [], "unit": "per_request", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" }, { "amount": "0.0002", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.0002", "native_quantity": 1, "public_unit_label": "per input character", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_character" } ] } } ], "model_id": "minimax/speech-02-hd", "nativeProvenance": { "input_facts_canonical_sha256": "ac65d6c4607edbd607ab6f2539e33eac2f328a13df93a5dc57217ec19fc03149", "input_html_sha256": "84ce9255f6a97831724809c6fe3fcff9f547a6cd4dd7a2caa5e2dd4e0d9b8c7c", "private_audit_sha256": "b1730aa9b322dc4bc2af9cd78281ada7abd1c29d657a8b15bd56be98324b7f21", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/da/minimax-speech-02-hd/", "description": "MiniMax Speech 02 HD læser medsendt tekst som genereret tale via en synkron audio_speech-anmodning. Den accepterer tekst på under 10 000 tegn og tilbyder indstillinger for stemme, tempo og tonehøjde med MP3-, PCM-, FLAC- eller WAV-output.", "locale": "da", "md_url": "https://ailoot.ai/models/da/minimax-speech-02-hd/index.md", "title": "MiniMax: Speech 02 HD — Ailoot", "url": "https://ailoot.ai/models/da/minimax-speech-02-hd/" }, "rawModel": { "about": "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.\n\nForbered 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.\n\nTeksten 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.\n\nvoice_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.\n\nDe 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.\n\naudio_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.\n\nYderligere 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.\n\nDet 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.\n\nGem 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.", "alias_of": null, "aliases": [], "author": "MiniMax", "ctx": null, "formats": [ "speech" ], "id": "minimax/speech-02-hd", "input": [ "text" ], "kind": "speech", "max_out": null, "methods": [ { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Retain the complete response, all actual results, original identifiers, usage and response headers.", "authentication": { "api_key_source": "AILOOT_API_KEY", "header": "Authorization: Bearer" }, "example_body": { "audio_setting": { "channel": 1, "format": "mp3", "sample_rate": 32000 }, "model": "minimax/speech-02-hd", "output_format": "hex", "stream": false, "text": "Hello, this is a short speech example." }, "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets", "query": { "cursor": "actual returned next_cursor, when present", "family": "audio" } }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "cancel_endpoint": null, "create": { "http": "POST", "path": "/v1/audio/speech" }, "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "owned_content": { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "Use the exact returned content_url. Refresh an expired link by reading the same existing asset." }, "status": [], "unknown": "Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.", "unknown_no_replay": true }, "outputs": { "all_results": "Retain the full JSON. Decode every hex audio byte or use the returned owned URL. Keep the actual format, sample rate, channel count and usage_characters.", "family": "audio", "fields": [ { "name": "data.audio", "type": "string" }, { "name": "extra_info", "type": "object" }, { "name": "trace_id", "type": "string" } ], "format": [ "mp3", "pcm", "flac", "wav" ] }, "parameters": [ { "default_known": false, "enum": [ "minimax/speech-02-hd" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "default_known": false, "enum_known": false, "maxLength": 9999, "minLength": 1, "name": "text", "required": true, "type": "string" }, { "default": false, "default_known": true, "enum": [ false ], "enum_known": true, "name": "stream", "required": false, "type": "boolean" }, { "default_known": false, "enum_known": false, "name": "voice_setting", "properties": { "emotion": { "enum": [ "happy", "sad", "angry", "fearful", "disgusted", "surprised", "calm", "fluent" ], "type": "string" }, "latex_read": { "default": false, "type": "boolean" }, "pitch": { "default": 0, "maximum": 12, "minimum": -12, "type": "integer" }, "speed": { "default": 1, "maximum": 2, "minimum": 0.5, "type": "number" }, "text_normalization": { "default": false, "type": "boolean" }, "voice_id": { "type": "string" }, "vol": { "default": 1, "exclusiveMinimum": true, "maximum": 10, "minimum": 0, "type": "number" } }, "required": false, "type": "object" }, { "default_known": false, "enum_known": false, "name": "voice_setting.voice_id", "required": false, "type": "string" }, { "default": 1, "default_known": true, "enum_known": false, "maximum": 2, "minimum": 0.5, "name": "voice_setting.speed", "required": false, "type": "number" }, { "default": 1, "default_known": true, "enum_known": false, "exclusiveMinimum": true, "maximum": 10, "minimum": 0, "name": "voice_setting.vol", "required": false, "type": "number" }, { "default": 0, "default_known": true, "enum_known": false, "maximum": 12, "minimum": -12, "name": "voice_setting.pitch", "required": false, "type": "integer" }, { "default_known": false, "enum": [ "happy", "sad", "angry", "fearful", "disgusted", "surprised", "calm", "fluent" ], "enum_known": true, "name": "voice_setting.emotion", "required": false, "type": "string" }, { "default": false, "default_known": true, "enum_known": false, "name": "voice_setting.text_normalization", "required": false, "type": "boolean" }, { "default": false, "default_known": true, "enum_known": false, "name": "voice_setting.latex_read", "required": false, "type": "boolean" }, { "default_known": false, "enum_known": false, "name": "audio_setting", "properties": { "bitrate": { "default": 128000, "enum": [ 32000, 64000, 128000, 256000 ], "type": "integer" }, "channel": { "default": 1, "enum": [ 1, 2 ], "type": "integer" }, "force_cbr": { "default": false, "type": "boolean" }, "format": { "default": "mp3", "enum": [ "mp3", "pcm", "flac", "wav" ], "type": "string" }, "sample_rate": { "default": 32000, "enum": [ 8000, 16000, 22050, 24000, 32000, 44100 ], "type": "integer" } }, "required": false, "type": "object" }, { "default": 32000, "default_known": true, "enum": [ 8000, 16000, 22050, 24000, 32000, 44100 ], "enum_known": true, "name": "audio_setting.sample_rate", "required": false, "type": "integer" }, { "default": 128000, "default_known": true, "enum": [ 32000, 64000, 128000, 256000 ], "enum_known": true, "name": "audio_setting.bitrate", "required": false, "type": "integer" }, { "default": "mp3", "default_known": true, "enum": [ "mp3", "pcm", "flac", "wav" ], "enum_known": true, "name": "audio_setting.format", "required": false, "type": "string" }, { "default": 1, "default_known": true, "enum": [ 1, 2 ], "enum_known": true, "name": "audio_setting.channel", "required": false, "type": "integer" }, { "default": false, "default_known": true, "enum_known": false, "name": "audio_setting.force_cbr", "required": false, "type": "boolean" }, { "default_known": false, "enum_known": false, "name": "pronunciation_dict", "properties": { "tone": { "items": { "type": "string" }, "type": "array" } }, "required": false, "type": "object" }, { "default_known": false, "enum_known": false, "items": { "type": "string" }, "name": "pronunciation_dict.tone", "required": false, "type": "array" }, { "default_known": false, "enum_known": false, "items": { "properties": { "voice_id": { "type": "string" }, "weight": { "type": "integer" } }, "type": "object" }, "name": "timber_weights", "required": false, "type": "array" }, { "default_known": false, "enum": [ "Chinese", "Chinese,Yue", "English", "Arabic", "Russian", "Spanish", "French", "Portuguese", "German", "Turkish", "Dutch", "Ukrainian", "Vietnamese", "Indonesian", "Japanese", "Italian", "Korean", "Thai", "Polish", "Romanian", "Greek", "Czech", "Finnish", "Hindi", "Bulgarian", "Danish", "Hebrew", "Malay", "Persian", "Slovak", "Swedish", "Croatian", "Filipino", "Hungarian", "Norwegian", "Slovenian", "Catalan", "Nynorsk", "Tamil", "Afrikaans", "auto" ], "enum_known": true, "name": "language_boost", "required": false, "type": "string" }, { "default_known": false, "enum_known": false, "name": "voice_modify", "properties": { "intensity": { "enum": [ -100, 100 ], "type": "integer" }, "pitch": { "enum": [ -100, 100 ], "type": "integer" }, "sound_effects": { "enum": [ "spacious_echo", "auditorium_echo", "lofi_telephone", "robotic" ], "type": "string" }, "timbre": { "enum": [ -100, 100 ], "type": "integer" } }, "required": false, "type": "object" }, { "default_known": false, "enum": [ -100, 100 ], "enum_known": true, "name": "voice_modify.pitch", "required": false, "type": "integer" }, { "default_known": false, "enum": [ -100, 100 ], "enum_known": true, "name": "voice_modify.intensity", "required": false, "type": "integer" }, { "default_known": false, "enum": [ -100, 100 ], "enum_known": true, "name": "voice_modify.timbre", "required": false, "type": "integer" }, { "default_known": false, "enum": [ "spacious_echo", "auditorium_echo", "lofi_telephone", "robotic" ], "enum_known": true, "name": "voice_modify.sound_effects", "required": false, "type": "string" }, { "default": false, "default_known": true, "enum_known": false, "name": "subtitle_enable", "required": false, "type": "boolean" }, { "default": "hex", "default_known": true, "enum": [ "url", "hex" ], "enum_known": true, "name": "output_format", "required": false, "type": "string" }, { "default": false, "default_known": true, "enum_known": false, "name": "aigc_watermark", "required": false, "type": "boolean" } ], "request_schema": { "properties": { "aigc_watermark": { "default": false, "type": "boolean" }, "audio_setting": { "properties": { "bitrate": { "default": 128000, "enum": [ 32000, 64000, 128000, 256000 ], "type": "integer" }, "channel": { "default": 1, "enum": [ 1, 2 ], "type": "integer" }, "force_cbr": { "default": false, "type": "boolean" }, "format": { "default": "mp3", "enum": [ "mp3", "pcm", "flac", "wav" ], "type": "string" }, "sample_rate": { "default": 32000, "enum": [ 8000, 16000, 22050, 24000, 32000, 44100 ], "type": "integer" } }, "type": "object" }, "language_boost": { "enum": [ "Chinese", "Chinese,Yue", "English", "Arabic", "Russian", "Spanish", "French", "Portuguese", "German", "Turkish", "Dutch", "Ukrainian", "Vietnamese", "Indonesian", "Japanese", "Italian", "Korean", "Thai", "Polish", "Romanian", "Greek", "Czech", "Finnish", "Hindi", "Bulgarian", "Danish", "Hebrew", "Malay", "Persian", "Slovak", "Swedish", "Croatian", "Filipino", "Hungarian", "Norwegian", "Slovenian", "Catalan", "Nynorsk", "Tamil", "Afrikaans", "auto" ], "type": "string" }, "model": { "enum": [ "minimax/speech-02-hd" ], "type": "string" }, "output_format": { "default": "hex", "enum": [ "url", "hex" ], "type": "string" }, "pronunciation_dict": { "properties": { "tone": { "items": { "type": "string" }, "type": "array" } }, "type": "object" }, "stream": { "default": false, "enum": [ false ], "type": "boolean" }, "subtitle_enable": { "default": false, "type": "boolean" }, "text": { "maxLength": 9999, "minLength": 1, "type": "string" }, "timber_weights": { "items": { "properties": { "voice_id": { "type": "string" }, "weight": { "type": "integer" } }, "type": "object" }, "type": "array" }, "voice_modify": { "properties": { "intensity": { "enum": [ -100, 100 ], "type": "integer" }, "pitch": { "enum": [ -100, 100 ], "type": "integer" }, "sound_effects": { "enum": [ "spacious_echo", "auditorium_echo", "lofi_telephone", "robotic" ], "type": "string" }, "timbre": { "enum": [ -100, 100 ], "type": "integer" } }, "type": "object" }, "voice_setting": { "properties": { "emotion": { "enum": [ "happy", "sad", "angry", "fearful", "disgusted", "surprised", "calm", "fluent" ], "type": "string" }, "latex_read": { "default": false, "type": "boolean" }, "pitch": { "default": 0, "maximum": 12, "minimum": -12, "type": "integer" }, "speed": { "default": 1, "maximum": 2, "minimum": 0.5, "type": "number" }, "text_normalization": { "default": false, "type": "boolean" }, "voice_id": { "type": "string" }, "vol": { "default": 1, "exclusiveMinimum": true, "maximum": 10, "minimum": 0, "type": "number" } }, "type": "object" } }, "required": [ "model", "text" ], "type": "object" }, "schema_template": { "body": { "audio_setting": { "channel": 1, "format": "mp3", "sample_rate": 32000 }, "model": "minimax/speech-02-hd", "output_format": "hex", "stream": false, "text": "Hello, this is a short speech example." }, "content_type": "application/json" } }, "input": { "conditions": [ "Use text, not input or contents. Fewer than 10000 Unicode characters; stream is false or omitted.", "PCM is raw audio with its returned sample geometry; do not invent a WAV header or bit depth." ], "content_type": "application/json", "material_types": [ "text" ], "optional": [ "stream", "voice_setting", "audio_setting", "pronunciation_dict", "timber_weights", "language_boost", "voice_modify", "subtitle_enable", "output_format", "aigc_watermark" ], "required": [ "model", "text" ] }, "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets", "query": { "cursor": "actual returned next_cursor, when present", "family": "audio" } }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "cancel_endpoint": null, "create": { "http": "POST", "path": "/v1/audio/speech" }, "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "owned_content": { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "Use the exact returned content_url. Refresh an expired link by reading the same existing asset." }, "status": [], "unknown": "Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.", "unknown_no_replay": true }, "method": { "http": "POST", "path": "/v1/audio/speech" }, "method_aliases": [], "output": { "all_results": "Retain the full JSON. Decode every hex audio byte or use the returned owned URL. Keep the actual format, sample rate, channel count and usage_characters.", "family": "audio", "fields": [ { "name": "data.audio", "type": "string" }, { "name": "extra_info", "type": "object" }, { "name": "trace_id", "type": "string" } ], "format": [ "mp3", "pcm", "flac", "wav" ] } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input character" }, "label": "input character", "units": [ { "amount": "0.0002", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.0002", "native_quantity": 1, "public_unit_label": "per input character", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_character" } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"minimax/speech-02-hd\", \"text\": \"Hello, this is a short speech example.\", \"stream\": false, \"output_format\": \"hex\", \"audio_setting\": {\"format\": \"mp3\", \"sample_rate\": 32000, \"channel\": 1}}')\n\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 result.json\n# Submit once. Retain the complete result, original identifiers and every response header.\n", "label": "curl · create once and retain the complete result", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "speech", "http": "POST", "img_in": null, "img_out": null, "in": null, "input": [ "text" ], "label": "Speech", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": null, "output": [ "audio" ], "path": "/v1/audio/speech", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "per_request", "cache_read_price": null, "cache_write_1h_price": null, "cache_write_price": null, "fast_multiplier": null, "flex_multiplier": null, "image_input_price": null, "image_output_price": null, "input_price": null, "intervals": null, "max_reasoning_effort_multiplier": null, "output_price": null, "per_request_price": null, "unit_prices": { "audio_input_character": "0.0002" } }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input character" }, "label": "input character", "units": [ { "amount": "0.0002", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.0002", "native_quantity": 1, "public_unit_label": "per input character", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_character" } ] } ], "request_model_id": "minimax/speech-02-hd", "route_label": "Ultra", "status_reads": [], "tiers": [], "unit": "per_request", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" }, { "amount": "0.0002", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.0002", "native_quantity": 1, "public_unit_label": "per input character", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_character" } ] } ], "model_aliases": [ { "canonical_model_id": "minimax/speech-02-hd", "request_model_id": "minimax/speech-02-hd", "route_label": "Ultra" } ], "name": "MiniMax: Speech 02 HD", "price": { "in": "0.0002", "in_label": "per input character", "out": null, "out_label": null, "sort_in": null, "sort_out": null, "varies": false }, "short": "MiniMax Speech 02 HD læser medsendt tekst som genereret tale via en synkron audio_speech-anmodning. Den accepterer tekst på under 10 000 tegn og tilbyder indstillinger for stemme, tempo og tonehøjde med MP3-, PCM-, FLAC- eller WAV-output." }, "renderer_schema": { "method_order": "Original DTO methods order; every exact route/format/path/caller survives.", "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers." }, "representation": "exact-public-dto-and-native-renderer-html", "representationNotes": { "current_reference": { "about_json_pointer": "/aboutHtml", "methods": [ { "contract_json_pointer": "/methods/0/rawMethod/contract", "html_json_pointer": "/methods/0/html", "method_ordinal": 0 } ], "role": "current-semantic-reference" }, "raw_input": { "examples_role": "historical-input-not-current-ready-examples", "json_pointers": [ "/rawModel", "/methods/0/rawMethod" ], "role": "historical-owner-input" }, "schema": "ailoot-native-model-representations-v1" }, "schema": "ailoot-static-model-facts-v1", "schema_version": 1, "shortText": "MiniMax Speech 02 HD læser medsendt tekst som genereret tale via en synkron audio_speech-anmodning. Den accepterer tekst på under 10 000 tegn og tilbyder indstillinger for stemme, tempo og tonehøjde med MP3-, PCM-, FLAC- eller WAV-output.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "dc37595f940c380026e014059cf0aff0382917c0387678393d67a064b9a2c88d", "renderer_sha256": "2bf9f26ea9bfd57ed53d867671d8f05b41a6ea85089f48039e3365dc2b92ec2c" }, "sourceRevision": "857aeaf32bc86c25cbb3b6536d981eacd2dbb64196896581c6d03c574f7f4b0b" }