MiniMax: Speech 2.6 Turbo

Speech 2.6 Turbo er den præcise MiniMax-taleudgave, der vælges med model: "minimax/speech-2.6-turbo". Brug POST /v1/audio/speech med et application/json-indhold, der indeholder model og den tekst, der skal siges. Inputtet er et skriftligt manuskript, og resultatet er syntetiseret lyd. Til en applikationsbesked skal du angive de præcise ord, lytteren skal høre, og skrive eventuelle tvetydige forkortelser helt ud. Til en kort lektion skal du adskille forklaringen fra eksemplet i selve manuskriptet. Til et indtalt grænsefladeforløb skal du knytte hvert talt segment til en konkret brugerhandling og gemme manuskriptet sammen med lyden.

Feltet text må hverken være tomt eller kun indeholde blanktegn og skal indeholde færre end 10 000 Unicode-tegn. Send hele det talte manuskript med stream:false, eller udelad stream. Del længere materiale op i separate, komplette manuskriptsegmenter, før du indsender hvert segment. Et dokument kan bruges ved at læse dets faktiske indhold og placere den relevante passage i text; en dokument-URL erstatter ikke manuskriptet.

Vælg en stemme via voice_setting.voice_id. De dokumenterede stemmekategorier omfatter systemstemmer og allerede oprettede klonede eller tekstdesignede stemmer; brug et gyldigt stemme-ID til den valgte kategori. Eksempelstemmen er audiobook_male_1. Det samme objekt styrer speed fra 0,5 til 2, vol over 0 og op til 10 samt heltalsværdien pitch fra -12 til 12. Standardværdierne er henholdsvis 1, 1 og 0. Disse indstillinger justerer forskellige aspekter af den talte fremførelse, så vælg dem hver for sig frem for at placere deres navne i manuskriptet.

voice_setting.emotion accepterer happy, sad, angry, fearful, disgusted, surprised, calm og fluent. Dokumentationen beskriver også automatisk tilpasning af følelse ud fra teksten. Til manuskripter med mange tal aktiverer voice_setting.text_normalization tekstnormalisering på kinesisk og engelsk og har standardværdien false. voice_setting.latex_read styrer oplæsning af LaTeX-udtryk og har også standardværdien false. pronunciation_dict.tone er et array af strenge med udtaleregler. Det offentliggjorte eksempel er ["草地/(cao3)(di1)"]; bevar ordet, skråstregen og udtalestrukturen med parenteser, når du angiver en regel.

audio_setting.format accepterer mp3, pcm, flac og wav med mp3 som standardværdi. sample_rate accepterer 8000, 16000, 22050, 24000, 32000 og 44100 Hz; standardværdien er 32000. channel er 1 til mono eller 2 til to kanaler med standardværdien 1. bitrate-værdierne er 32000, 64000, 128000 og 256000 bits pr. sekund med standardværdien 128000 og gælder for mp3. Vælg den kodning, som afspilleren eller redigeringsværktøjet, der skal bruge resultatet, kræver.

language_boost er en valgfri streng med standardværdien null. De tilladte værdier er 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 og auto. "Chinese,Yue" er én værdi. Det er en separat indstilling fra manuskriptet og stemme-ID'et. Skemaet stiller også timber_weights til rådighed som en liste af par med voice_id og heltalsværdien weight, hvor hver weight går fra 1 til 100. Bevar parameterens stavemåde timber_weights, når du forbereder en anmodning. voice_modify.sound_effects er en valgfri streng med værdierne spacious_echo, auditorium_echo, lofi_telephone og robotic.

stream har standardværdien false. Ved et komplet svar vælger output_format url eller hex og har standardværdien hex. I det dokumenterede JSON-resultat indeholder data.audio den valgte repræsentation: download den komplette signerede Ailoot-URL inklusive forespørgselsstrengen, eller afkod den komplette hexadecimale lyd til bytes. Gem det oprindelige resultat sammen med data.status, base_resp, trace_id og extra_info, som omfatter det faktiske lydformat, samplingsfrekvens, antal kanaler, størrelse og usage_characters.

subtitle_enable er en boolesk værdi med standardværdien false og gælder for output uden streaming. aigc_watermark er en boolesk værdi med standardværdien false og styrer en hørbar rytmemarkør i slutningen af den genererede lyd. Gem hvert returneret lyd- eller undertekstresultat, og kontrollér udtale, tal og den færdige fil, før du indsætter den i applikationen. Hvis leveringen er uafklaret, skal du gemme den oprindelige anmodnings identifikator og svaret for at kontrollere det eksisterende forsøg. Ailoot gemmer også den færdige lyd i dit mediebibliotek. Med output_format:"url" indeholder data.audio et signeret link til det gemte aktiv; aktiv-ID'et fremgår af stien /v1/media/assets/{asset_id}/content. Ailoots signerede fillinks gælder i 24 timer fra udstedelsen. Brug den samme API-nøgle til GET /v1/media/assets?family=audio, og følg hver next_cursor for at finde registreringerne af lydaktiver. Læs GET /v1/media/assets/{asset_id} for hver valgt registrering, og download dens præcise content_url inklusive forespørgselsstrengen. Hvis en filanmodning returnerer 404 med koden link_expired, skal du læse det samme aktiv igen for at få en opdateret content_url. Opdatér det gemte resultat frem for at generere lyd igen for at erstatte et udløbet link.