MiniMax: Speech 2.8 HD
Speech 2.8 HD syntetiserer udtryksfuld tale med følelsesstyring og lyddetaljer som vejrtrækning og latter.
Om modellen
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Levende tale med små lyddetaljer
Speech 2.8 HD er rettet mod naturlig, ren lyd. Generationens vigtigste egenskab er lydtags, der kan føje samtaledetaljer til talen: latter, små kluk, vejrtrækning, indånding, udånding, suk, hoste, rømmen og andre korte lyde. De hjælper med rytme og pauser i en levende replik frem for ensartet oplæserstil i hver sætning.
Tags indsættes i teksten i den form, modellen angiver: eksempelvis betegner (chuckle), (breath) og (sighs) de tilsvarende lydhandlinger. Lydtags vedrører netop Speech 2.8. Det er stemmedetaljer inden for talesyntese, ikke generering af særskilte musik- eller lydkompositioner.
Klang og renhed
Producenten fremhæver gengivelse af stemmens karakteristika: struktur, vejrtrækning og udtaleform. Familien omfatter syntese med en allerede forberedt klonet stemme; skabelse af stemmen er en særskilt proces. Behandlingen i Speech 2.8 er også ændret for at reducere baggrundsstøj og digitale forvrængninger.
Sprog og udtryk
Speech 2.8 understøtter 40 sprog, herunder russisk. Producenten beskriver særskilt arbejde med udtale på tværs af kinesisk og japansk. Det vedrører bevarelse af naturlig lyd ved flere sprog, ikke automatisk tekstoversættelse.
MiniMax tilbyder stemmevalg og styring af tempo, lydstyrke og tonehøjde. Hastigheden er 0,5–2, lydstyrken over 0 og op til 10, og tonehøjdeændringen fra −12 til 12. Følelsen kan vælges af modellen efter teksten eller angives manuelt: glæde, sorg, vrede, frygt, afsky, overraskelse eller ro.
Udtalen kan præciseres med en erstatningsordbog og fonetisk notation, herunder det internationale fonetiske alfabet, kinesisk pinyin og japanske læsevarianter. Pauser mellem udtalte afsnit er 0,01–99,99 sekunder. Varigheden angives med to decimalers præcision; markører placeres mellem afsnittene og ikke direkte efter hinanden. Det hjælper med at tilpasse navne, forkortelser og tvetydige ord til oplæsningen.
Lydresultat
Syntesen modtager tekst under 10 000 tegn. Ved over 3000 tegn anbefaler producenten streamingoutput; færdig lyd kan også modtages samlet. De generelle indstillinger omfatter MP3, PCM, FLAC, WAV, Opus og G.711 μ-law-varianter samt mono og stereo; Ailoots funktioner fastlægger formatudvalget for den konkrete forespørgsel.
Dette kort omsætter tekst til talelyd. Stemmeindstillingerne beskriver MiniMax-modellen; klonskabelse, særskilte undertekster og særlige tilslutningsmåder indgår ikke automatisk i en oplæsningsforespørgsel.
Yderligere lydindstillinger omfatter samplingsfrekvenserne 8, 16, 22,05, 24, 32 og 44,1 kHz. MP3 tilbyder bitrate 32, 64, 128 eller 256 kbit/s. Stemmens klang kan ændres, og én effekt bruges: rummeligt ekko, halekko, telefonlyd eller robotstemme. Stemmeeffekter understøttes for MP3, WAV og FLAC ved samlet lydmodtagelse og kun for MP3 ved streaming. G.711 μ-law bruger 8 kHz. Mulighederne vedrører synteseindstillingerne fra MiniMax.
Producenten tilbyder synkronisering af tale og tekst med tidsstempler for sætninger, ord eller ord under løbende output. Det hjælper med at kombinere udtale og tekstvisning. Denne ekstra mulighed kræver et passende svarformat.
Ailoot Ultra · Oplæsning POST /v1/audio/speech minimax/speech-2.8-hd
minimax/speech-2.8-hdStart
Speech 2.8 HD syntetiserer udtryksfuld tale med følelsesstyring og lyddetaljer som vejrtrækning og latter.
- Accepterede input
- Tekst
- Resultater
- Lyd
Tilgængelig i Ailoot · input og metoder
Ailoot Ultra · Oplæsning POST /v1/audio/speech
- Inputtyper
text- Outputtyper
audio- Outputformat
- mp3
| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser minimax/speech-2.8-hd | Standard— |
Feltinput | Typestring | KravPåkrævet | Værdier og grænser Minimumslængde: 1 Enhed: Unicode-tegn | Standard— |
Feltvoice | Typestring | KravPåkrævet | Værdier og grænser English_expressive_narrator, English_radiant_girl, English_magnetic_voiced_man, English_compelling_lady1, English_Aussie_Bloke, English_captivating_female1, English_Upbeat_Woman, English_Trustworth_Man, English_CalmWoman, English_UpsetGirl, English_Gentle-voiced_man, English_Whispering_girl, English_Diligent_Man, English_Graceful_Lady, English_ReservedYoungMan, English_PlayfulGirl, English_ManWithDeepVoice, English_MaturePartner, English_FriendlyPerson, English_MatureBoss, English_Debator, English_LovelyGirl, English_Steadymentor, English_Deep-VoicedGentleman, English_Wiselady, English_CaptivatingStoryteller, English_DecentYoungMan, English_SentimentalLady, English_ImposingManner, English_SadTeen, English_PassionateWarrior, English_WiseScholar, English_Soft-spokenGirl, English_SereneWoman, English_ConfidentWoman, English_PatientMan, English_Comedian, English_BossyLeader, English_Strong-WilledBoy, English_StressedLady, English_AssertiveQueen, English_AnimeCharacter, English_Jovialman, English_WhimsicalGirl, English_Kind-heartedGirl | Standard— |
Feltresponse_format | Typestring | KravPåkrævet | Værdier og grænser mp3 | Standard— |
Kombinationer af inputmaterialer
text_to_speech · Påkrævet: input
Metodeparametre og livscyklus
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, input, voice, response_format |
Parametervoice_ids | KontraktEnglish_expressive_narrator, English_radiant_girl, English_magnetic_voiced_man, English_compelling_lady1, English_Aussie_Bloke, English_captivating_female1, English_Upbeat_Woman, English_Trustworth_Man, English_CalmWoman, English_UpsetGirl, English_Gentle-voiced_man, English_Whispering_girl, English_Diligent_Man, English_Graceful_Lady, English_ReservedYoungMan, English_PlayfulGirl, English_ManWithDeepVoice, English_MaturePartner, English_FriendlyPerson, English_MatureBoss, English_Debator, English_LovelyGirl, English_Steadymentor, English_Deep-VoicedGentleman, English_Wiselady, English_CaptivatingStoryteller, English_DecentYoungMan, English_SentimentalLady, English_ImposingManner, English_SadTeen, English_PassionateWarrior, English_WiseScholar, English_Soft-spokenGirl, English_SereneWoman, English_ConfidentWoman, English_PatientMan, English_Comedian, English_BossyLeader, English_Strong-WilledBoy, English_StressedLady, English_AssertiveQueen, English_AnimeCharacter, English_Jovialman, English_WhimsicalGirl, English_Kind-heartedGirl |
Parameterresponse_format | Kontraktmp3 |
Parametermax_input_characters | Kontraktnull |
Parameterother_options | Kontraktfalse |
Parameterinput | Kontraktpræcis UTF-8-tekst; antal Unicode-tegn uden normalisering |
Parametermaterial_types | Kontrakttext |
Livscyklus: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · det faktisk returnerede task_id eller posten i mediebiblioteket
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Vælg den præcise stemme fra denne modelprofil.
Inputtegn og lydsekunder er forskellige måleenheder.
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.
| Konfiguration | Takstplan | Afregningsmængde | Afregningsenhed | Beløb |
|---|---|---|---|---|
| KonfigurationGrundpriser for tokens | TakstplanGrundtakst | Afregningsmængde— | Afregningsenhed— | Beløb Input · Inputtokens — / 1K tokens Output · Outputtokens — / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationUltra | Takstplan— | AfregningsmængdeHvert Unicode-kodepunkt tæller som ét tegn, herunder Han-tegn. | Afregningsenhedpr. 1K inputtegn | Beløb Input · inputtegn $0.2 pr. 1K inputtegn |
Detaljer om referencetariffen
Referenceplaner på modelniveau ændrer ikke metodevalg, prisoverslag eller opkrævninger. Ved den aktive afregning anvendes taksterne for den valgte Ailoot-metode.
MiniMax: Speech 2.8 HD
Priser efter konfiguration
| Konfiguration | Afregningsbetingelser | Beløb |
|---|---|---|
| KonfigurationMiniMax: Speech 2.8 HD · Standardkonfiguration | AfregningsbetingelserStandardkonfiguration | Beløb Input · Inputtegn 0,0002 US$ 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 · Oplæsning
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_VOICE_ID:?Choose an accepted voice ID from this exact model profile}"
export AILOOT_VOICE_ID
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "minimax/speech-2.8-hd", "input": "Good afternoon! This is a short voice take."}')
voice=os.environ["AILOOT_VOICE_ID"]
allowed=json.loads('["English_expressive_narrator", "English_radiant_girl", "English_magnetic_voiced_man", "English_compelling_lady1", "English_Aussie_Bloke", "English_captivating_female1", "English_Upbeat_Woman", "English_Trustworth_Man", "English_CalmWoman", "English_UpsetGirl", "English_Gentle-voiced_man", "English_Whispering_girl", "English_Diligent_Man", "English_Graceful_Lady", "English_ReservedYoungMan", "English_PlayfulGirl", "English_ManWithDeepVoice", "English_MaturePartner", "English_FriendlyPerson", "English_MatureBoss", "English_Debator", "English_LovelyGirl", "English_Steadymentor", "English_Deep-VoicedGentleman", "English_Wiselady", "English_CaptivatingStoryteller", "English_DecentYoungMan", "English_SentimentalLady", "English_ImposingManner", "English_SadTeen", "English_PassionateWarrior", "English_WiseScholar", "English_Soft-spokenGirl", "English_SereneWoman", "English_ConfidentWoman", "English_PatientMan", "English_Comedian", "English_BossyLeader", "English_Strong-WilledBoy", "English_StressedLady", "English_AssertiveQueen", "English_AnimeCharacter", "English_Jovialman", "English_WhimsicalGirl", "English_Kind-heartedGirl"]')
if voice not in allowed: raise SystemExit("Choose an accepted voice ID from this exact model profile")
p["voice"]=voice
p["response_format"]="mp3"
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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o speech.mp3
Hent og gem resultater
Ailoot Ultra · Oplæsning
mp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Læsning af andet indhold
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \
-H "Authorization: Bearer $AILOOT_API_KEY" -o media-assets.json
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_MEDIA_TASK_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_MEDIA_TASK_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_MEDIA_TASK_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/tasks/$resource_id" \
-H "Authorization: Bearer $AILOOT_API_KEY" -o media-task.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-task.json").read_text())))
PY_RESULT
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_ASSET_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_ASSET_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_ASSET_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/assets/$resource_id" \
-H "Authorization: Bearer $AILOOT_API_KEY" -o media-asset.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-asset.json").read_text())))
PY_RESULT
Behold alle færdige resultater
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Gem hele det binære resultat og alle headere. Hvis der returneres JSON eller flere output, skal du gemme hvert dataelement og hente alle de faktiske signerede asset-URL'er.
Hvis det oprindelige svar skal kontrolleres
Gem det oprindelige operation_id/X-Client-Request-ID til afstemning uden genindsendelse; der er ingen særskilt rute til polling af lyd.
Svarfelter
| Felt | Type |
|---|---|
Feltbinary audio | Typebytes |
Feltresponse headers | Typeheaders |
Fejl og næste trin
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Svarserver_error | BetingelseDet returnerede svar angiver, at operationen eller resultatet skal kontrolleres | Næste trinGem det oprindeligt returnerede operations-/opgave-ID, anmodningens headere og svaret; fortsæt med de understøttede læseanmodninger for den oprindelige operation. Send ikke oprettelsesanmodningen igen. |
Aliaser
Modelaliaser
Ailoot Ultra minimax/speech-2.8-hd
Aliaser for metodestier
Brug metodestierne vist ovenfor.
Relaterede kalder-ID’er
FAQ · MiniMax: Speech 2.8 HD
- Hvilke input og resultater er tilgængelige?
POST /v1/audio/speech·minimax/speech-2.8-hd:text→audio- Hvilke felter bruger anmodningen?
POST /v1/audio/speech·minimax/speech-2.8-hd:model,input,voice,response_format