Voxtral TTS er Mistral AI's 4B-tekst-til-tale-model til at generere talt lyd ud fra tekst og en stemmereference. Producentens modelside identificerer 2603-udgaven som voxtral-mini-tts-2603, mens kortet for de offentliggjorte vægte hedder Voxtral 4B TTS 2603. Denne post omhandler den talegenereringsudgivelse, adskilt fra Voxtral Small til lydforståelse, transskription og senere inputmodeller til realtid.
Udtryksfuld tale og stemmetilpasning
Modellen er udviklet til at indfange en referencestemmes pauser, rytme, intonation, accent og følelsesmæssige gengivelse. Stemmen fungerer som en instruktion om, hvordan teksten skal lyde; producentens oversigt kræver ikke særskilte prosodi- eller følelsestags eller en transskription af referenceoptagelsen. Kildeteksten bestemmer, hvad der siges, mens lydreferencen styrer fremførelsen.
Oversigten beskriver tilpasning af en stemme ud fra så lidt som to til tre sekunders lyd. Arkitekturbeskrivelsen omtaler stemmeprompts på fem til femogtyve sekunder. Udsagnene har forskelligt anvendelsesområde: et kort tilpasningseksempel er ikke et krav om at bruge den kortest mulige reference. Vælg tydelig tale, som repræsenterer den ønskede stil og accent til det færdige resultat.
Udgivelseskortet omfatter tyve forudindstillede stemmer og tilpasning til nye stemmer. Producentens talearbejdsgang kan bruge en gemt stemmeprofil eller et enkeltstående referenceklip. En gemt profil gør det muligt at genbruge den samme stemmereference i særskilte taleanmodninger, mens et enkeltstående klip leverer den til den aktuelle opgave. En profil og en genereret optagelse er forskellige artefakter.
Sprog og fremførelse på tværs af sprog
Udgivelsen understøtter engelsk, fransk, spansk, tysk, italiensk, portugisisk, nederlandsk, arabisk og hindi, og producenten beskriver dialektvariation, stemmeoverførsel på tværs af sprog og kodeblanding. For det bedste resultat anbefaler talevejledningen at matche referencesproget med tekstsproget. Overførsel på tværs af sprog kan bevare referencens accent, mens den forberedte tekst udtales på et andet understøttet sprog.
En praktisk fortælleopgave kan bruge samme stemmestil til en forklaring på forskellige understøttede sprog, hvor hver tekst er forberedt til den tilsigtede lytter. Et svar fra en stemmeassistent kan bruge et kort samtalemanuskript frem for at læse et uredigeret dokument højt. Tekst-til-tale-modellen gengiver de forberedte ord; ethvert oversættelses- eller svarskrivningstrin, der producerer ordene, er et særskilt trin.
Forberedelse af teksten
Producentens talevejledning anbefaler tekst, der kan udtales. Skriv tal og symboler i den form, de skal siges, så modellen ikke skal vælge mellem mulige læsninger. Et tal kan være en mængde, et tidspunkt eller en identifikator; definer den ønskede talte ordlyd før syntese. Skriv forkortelser ud, når udtalen er vigtig, og brug adskilte bogstaver, når det er den ønskede læsning.
Undgå rig formatering, emojis og specialtegn, som ikke gengives som talt indhold. Forbered hele sætninger med den tegnsætning og ordlyd, som fremførelsen kræver. Vejledningen anbefaler prompts under 300 ord for de bedste resultater. Det er en kvalitetsanbefaling frem for en erklæret hård grænse for inputlængden.
Til en procedureforklaring skal handling og betingelse skrives i en sætning, som en lytter kan følge. Til en meddelelse skal den vigtige information placeres før valgfrie detaljer. Til et stemmesvar skal det faktuelle svar bevares, og formatering eller kildenotation, der kun er beregnet til visning og ikke skal siges, fjernes. Disse forberedelser gør selve manuskriptet egnet til lyd, før referencen bestemmer stilen.
Streaming, output og varighed
Producenten dokumenterer almindelig og streamet levering og beskriver indbygget generering af op til to minutters lyd. Kortet for de offentliggjorte vægte angiver også batchinferens til forberedelse af flere taleopgaver. Længere servicegenereringer bruger sammenfletning frem for at behandle én indbygget bid som ubegrænset. Til længere fortælling skal du forberede sammenhængende afsnit og holde deres stemme- og tekstforberedelse ensartet i forhold til den leveringsarbejdsgang, der håndterer fortsættelsen.
Udgivelseskortet angiver lyd ved 24 kHz og nævner outputformaterne WAV, PCM, FLAC, MP3, AAC og Opus. Taleservicevejledningen omtaler MP3 til komprimeret levering, WAV til ukomprimeret PCM, FLAC til tabsfri komprimering og PCM eller Opus til streaming. Vælg et format, som den tilsluttede arbejdsgang understøtter, og som passer til dens afspiller eller behandlingstrin. Formatvalg og streamingadfærd er adskilt fra selve stemmetilpasningen.
Modelarkitektur og praktiske grænser
Annonceringen beskriver en autoregressiv flow-matching-arkitektur med en Transformer-dekoder som grundstruktur på 3.4B, en akustisk Transformer med 390 millioner parametre og et neuralt lydcodec med 300 millioner parametre. Dekoderen forudsiger semantisk indhold, og den akustiske komponent producerer talerepræsentationen, mens codec'et håndterer lyd. Komponenterne forklarer den omtrentlige 4B-modelbetegnelse; de er ikke ekstra inputsprog eller en anden model til svargenerering.
Et praktisk output er den syntetiserede optagelse eller lydstrøm knyttet til det forberedte manuskript og den valgte stemme. Bevar disse forbindelser, når flere afsnit genereres, så applikationen kan gemme, afspille eller samle det korrekte materiale. Modellen producerer lyd frem for en transskription, en semantisk søgevektor eller et nyforfattet faktuelt svar.
Bevar taleudgaven 2603, det understøttede sprog og referencestilen. De læste kilder giver udsagnet om indbygget generering på to minutter og anbefalingen om forberedelse under 300 ord, men fastslår ikke en særskilt hård maksimal grænse for teksttegn eller samlet længde af en sammenklippet optagelse. Brug de faktiske krav til tekst, stemme og levering til at definere den færdige lydleverance.
", "aboutText": "Voxtral TTS er Mistral AI's 4B-tekst-til-tale-model til at generere talt lyd ud fra tekst og en stemmereference. Producentens modelside identificerer 2603-udgaven som voxtral-mini-tts-2603, mens kortet for de offentliggjorte vægte hedder Voxtral 4B TTS 2603. Denne post omhandler den talegenereringsudgivelse, adskilt fra Voxtral Small til lydforståelse, transskription og senere inputmodeller til realtid.\n\nUdtryksfuld tale og stemmetilpasning\n\nModellen er udviklet til at indfange en referencestemmes pauser, rytme, intonation, accent og følelsesmæssige gengivelse. Stemmen fungerer som en instruktion om, hvordan teksten skal lyde; producentens oversigt kræver ikke særskilte prosodi- eller følelsestags eller en transskription af referenceoptagelsen. Kildeteksten bestemmer, hvad der siges, mens lydreferencen styrer fremførelsen.\n\nOversigten beskriver tilpasning af en stemme ud fra så lidt som to til tre sekunders lyd. Arkitekturbeskrivelsen omtaler stemmeprompts på fem til femogtyve sekunder. Udsagnene har forskelligt anvendelsesområde: et kort tilpasningseksempel er ikke et krav om at bruge den kortest mulige reference. Vælg tydelig tale, som repræsenterer den ønskede stil og accent til det færdige resultat.\n\nUdgivelseskortet omfatter tyve forudindstillede stemmer og tilpasning til nye stemmer. Producentens talearbejdsgang kan bruge en gemt stemmeprofil eller et enkeltstående referenceklip. En gemt profil gør det muligt at genbruge den samme stemmereference i særskilte taleanmodninger, mens et enkeltstående klip leverer den til den aktuelle opgave. En profil og en genereret optagelse er forskellige artefakter.\n\nSprog og fremførelse på tværs af sprog\n\nUdgivelsen understøtter engelsk, fransk, spansk, tysk, italiensk, portugisisk, nederlandsk, arabisk og hindi, og producenten beskriver dialektvariation, stemmeoverførsel på tværs af sprog og kodeblanding. For det bedste resultat anbefaler talevejledningen at matche referencesproget med tekstsproget. Overførsel på tværs af sprog kan bevare referencens accent, mens den forberedte tekst udtales på et andet understøttet sprog.\n\nEn praktisk fortælleopgave kan bruge samme stemmestil til en forklaring på forskellige understøttede sprog, hvor hver tekst er forberedt til den tilsigtede lytter. Et svar fra en stemmeassistent kan bruge et kort samtalemanuskript frem for at læse et uredigeret dokument højt. Tekst-til-tale-modellen gengiver de forberedte ord; ethvert oversættelses- eller svarskrivningstrin, der producerer ordene, er et særskilt trin.\n\nForberedelse af teksten\n\nProducentens talevejledning anbefaler tekst, der kan udtales. Skriv tal og symboler i den form, de skal siges, så modellen ikke skal vælge mellem mulige læsninger. Et tal kan være en mængde, et tidspunkt eller en identifikator; definer den ønskede talte ordlyd før syntese. Skriv forkortelser ud, når udtalen er vigtig, og brug adskilte bogstaver, når det er den ønskede læsning.\n\nUndgå rig formatering, emojis og specialtegn, som ikke gengives som talt indhold. Forbered hele sætninger med den tegnsætning og ordlyd, som fremførelsen kræver. Vejledningen anbefaler prompts under 300 ord for de bedste resultater. Det er en kvalitetsanbefaling frem for en erklæret hård grænse for inputlængden.\n\nTil en procedureforklaring skal handling og betingelse skrives i en sætning, som en lytter kan følge. Til en meddelelse skal den vigtige information placeres før valgfrie detaljer. Til et stemmesvar skal det faktuelle svar bevares, og formatering eller kildenotation, der kun er beregnet til visning og ikke skal siges, fjernes. Disse forberedelser gør selve manuskriptet egnet til lyd, før referencen bestemmer stilen.\n\nStreaming, output og varighed\n\nProducenten dokumenterer almindelig og streamet levering og beskriver indbygget generering af op til to minutters lyd. Kortet for de offentliggjorte vægte angiver også batchinferens til forberedelse af flere taleopgaver. Længere servicegenereringer bruger sammenfletning frem for at behandle én indbygget bid som ubegrænset. Til længere fortælling skal du forberede sammenhængende afsnit og holde deres stemme- og tekstforberedelse ensartet i forhold til den leveringsarbejdsgang, der håndterer fortsættelsen.\n\nUdgivelseskortet angiver lyd ved 24 kHz og nævner outputformaterne WAV, PCM, FLAC, MP3, AAC og Opus. Taleservicevejledningen omtaler MP3 til komprimeret levering, WAV til ukomprimeret PCM, FLAC til tabsfri komprimering og PCM eller Opus til streaming. Vælg et format, som den tilsluttede arbejdsgang understøtter, og som passer til dens afspiller eller behandlingstrin. Formatvalg og streamingadfærd er adskilt fra selve stemmetilpasningen.\n\nModelarkitektur og praktiske grænser\n\nAnnonceringen beskriver en autoregressiv flow-matching-arkitektur med en Transformer-dekoder som grundstruktur på 3.4B, en akustisk Transformer med 390 millioner parametre og et neuralt lydcodec med 300 millioner parametre. Dekoderen forudsiger semantisk indhold, og den akustiske komponent producerer talerepræsentationen, mens codec'et håndterer lyd. Komponenterne forklarer den omtrentlige 4B-modelbetegnelse; de er ikke ekstra inputsprog eller en anden model til svargenerering.\n\nEt praktisk output er den syntetiserede optagelse eller lydstrøm knyttet til det forberedte manuskript og den valgte stemme. Bevar disse forbindelser, når flere afsnit genereres, så applikationen kan gemme, afspille eller samle det korrekte materiale. Modellen producerer lyd frem for en transskription, en semantisk søgevektor eller et nyforfattet faktuelt svar.\n\nBevar taleudgaven 2603, det understøttede sprog og referencestilen. De læste kilder giver udsagnet om indbygget generering på to minutter og anbefalingen om forberedelse under 300 ord, men fastslår ikke en særskilt hård maksimal grænse for teksttegn eller samlet længde af en sammenklippet optagelse. Brug de faktiske krav til tekst, stemme og levering til at definere den færdige lydleverance.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "008c61ed57eda990a634e19716e0e03e4e4a54e8b625dbb24912416b86cf9a46", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "mistralai/voxtral-mini-tts-2603Voxtral TTS er Mistral AI's 4B-talegenereringsmodel med referencebaseret stemmetilpasning på tværs af ni sprog. Den omdanner forberedt tekst til udtryksfuld lyd, understøtter genanvendelige eller enkeltstående stemmeprompts og streaming og producerer output ved 24 kHz i dokumenterede lydformater.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Voxtral TTS er Mistral AI's 4B-tekst-til-tale-model til at generere talt lyd ud fra tekst og en stemmereference. Producentens modelside identificerer 2603-udgaven som voxtral-mini-tts-2603, mens kortet for de offentliggjorte vægte hedder Voxtral 4B TTS 2603. Denne post omhandler den talegenereringsudgivelse, adskilt fra Voxtral Small til lydforståelse, transskription og senere inputmodeller til realtid.
Udtryksfuld tale og stemmetilpasning
Modellen er udviklet til at indfange en referencestemmes pauser, rytme, intonation, accent og følelsesmæssige gengivelse. Stemmen fungerer som en instruktion om, hvordan teksten skal lyde; producentens oversigt kræver ikke særskilte prosodi- eller følelsestags eller en transskription af referenceoptagelsen. Kildeteksten bestemmer, hvad der siges, mens lydreferencen styrer fremførelsen.
Oversigten beskriver tilpasning af en stemme ud fra så lidt som to til tre sekunders lyd. Arkitekturbeskrivelsen omtaler stemmeprompts på fem til femogtyve sekunder. Udsagnene har forskelligt anvendelsesområde: et kort tilpasningseksempel er ikke et krav om at bruge den kortest mulige reference. Vælg tydelig tale, som repræsenterer den ønskede stil og accent til det færdige resultat.
Udgivelseskortet omfatter tyve forudindstillede stemmer og tilpasning til nye stemmer. Producentens talearbejdsgang kan bruge en gemt stemmeprofil eller et enkeltstående referenceklip. En gemt profil gør det muligt at genbruge den samme stemmereference i særskilte taleanmodninger, mens et enkeltstående klip leverer den til den aktuelle opgave. En profil og en genereret optagelse er forskellige artefakter.
Sprog og fremførelse på tværs af sprog
Udgivelsen understøtter engelsk, fransk, spansk, tysk, italiensk, portugisisk, nederlandsk, arabisk og hindi, og producenten beskriver dialektvariation, stemmeoverførsel på tværs af sprog og kodeblanding. For det bedste resultat anbefaler talevejledningen at matche referencesproget med tekstsproget. Overførsel på tværs af sprog kan bevare referencens accent, mens den forberedte tekst udtales på et andet understøttet sprog.
En praktisk fortælleopgave kan bruge samme stemmestil til en forklaring på forskellige understøttede sprog, hvor hver tekst er forberedt til den tilsigtede lytter. Et svar fra en stemmeassistent kan bruge et kort samtalemanuskript frem for at læse et uredigeret dokument højt. Tekst-til-tale-modellen gengiver de forberedte ord; ethvert oversættelses- eller svarskrivningstrin, der producerer ordene, er et særskilt trin.
Forberedelse af teksten
Producentens talevejledning anbefaler tekst, der kan udtales. Skriv tal og symboler i den form, de skal siges, så modellen ikke skal vælge mellem mulige læsninger. Et tal kan være en mængde, et tidspunkt eller en identifikator; definer den ønskede talte ordlyd før syntese. Skriv forkortelser ud, når udtalen er vigtig, og brug adskilte bogstaver, når det er den ønskede læsning.
Undgå rig formatering, emojis og specialtegn, som ikke gengives som talt indhold. Forbered hele sætninger med den tegnsætning og ordlyd, som fremførelsen kræver. Vejledningen anbefaler prompts under 300 ord for de bedste resultater. Det er en kvalitetsanbefaling frem for en erklæret hård grænse for inputlængden.
Til en procedureforklaring skal handling og betingelse skrives i en sætning, som en lytter kan følge. Til en meddelelse skal den vigtige information placeres før valgfrie detaljer. Til et stemmesvar skal det faktuelle svar bevares, og formatering eller kildenotation, der kun er beregnet til visning og ikke skal siges, fjernes. Disse forberedelser gør selve manuskriptet egnet til lyd, før referencen bestemmer stilen.
Streaming, output og varighed
Producenten dokumenterer almindelig og streamet levering og beskriver indbygget generering af op til to minutters lyd. Kortet for de offentliggjorte vægte angiver også batchinferens til forberedelse af flere taleopgaver. Længere servicegenereringer bruger sammenfletning frem for at behandle én indbygget bid som ubegrænset. Til længere fortælling skal du forberede sammenhængende afsnit og holde deres stemme- og tekstforberedelse ensartet i forhold til den leveringsarbejdsgang, der håndterer fortsættelsen.
Udgivelseskortet angiver lyd ved 24 kHz og nævner outputformaterne WAV, PCM, FLAC, MP3, AAC og Opus. Taleservicevejledningen omtaler MP3 til komprimeret levering, WAV til ukomprimeret PCM, FLAC til tabsfri komprimering og PCM eller Opus til streaming. Vælg et format, som den tilsluttede arbejdsgang understøtter, og som passer til dens afspiller eller behandlingstrin. Formatvalg og streamingadfærd er adskilt fra selve stemmetilpasningen.
Modelarkitektur og praktiske grænser
Annonceringen beskriver en autoregressiv flow-matching-arkitektur med en Transformer-dekoder som grundstruktur på 3.4B, en akustisk Transformer med 390 millioner parametre og et neuralt lydcodec med 300 millioner parametre. Dekoderen forudsiger semantisk indhold, og den akustiske komponent producerer talerepræsentationen, mens codec'et håndterer lyd. Komponenterne forklarer den omtrentlige 4B-modelbetegnelse; de er ikke ekstra inputsprog eller en anden model til svargenerering.
Et praktisk output er den syntetiserede optagelse eller lydstrøm knyttet til det forberedte manuskript og den valgte stemme. Bevar disse forbindelser, når flere afsnit genereres, så applikationen kan gemme, afspille eller samle det korrekte materiale. Modellen producerer lyd frem for en transskription, en semantisk søgevektor eller et nyforfattet faktuelt svar.
Bevar taleudgaven 2603, det understøttede sprog og referencestilen. De læste kilder giver udsagnet om indbygget generering på to minutter og anbefalingen om forberedelse under 300 ord, men fastslår ikke en særskilt hård maksimal grænse for teksttegn eller samlet længde af en sammenklippet optagelse. Brug de faktiske krav til tekst, stemme og levering til at definere den færdige lydleverance.
POST /v1/audio/speechtextaudio| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser mistralai/voxtral-mini-tts-2603 | Standard— |
Feltinput | Typestring | KravPåkrævet | Værdier og grænser Minimumslængde: 1 Enhed: Unicode-tegn | Standard— |
Feltvoice | Typestring | KravPåkrævet | Værdier og grænser en_paul_sad, en_paul_neutral, en_paul_happy, en_paul_frustrated, en_paul_excited, en_paul_confident, en_paul_cheerful, en_paul_angry, gb_oliver_neutral, gb_oliver_sad, gb_oliver_excited, gb_oliver_curious, gb_oliver_confident, gb_oliver_cheerful, gb_oliver_angry, gb_jane_sarcasm, gb_jane_confused, gb_jane_shameful, gb_jane_sad, gb_jane_neutral, gb_jane_jealousy, gb_jane_frustrated, gb_jane_curious, gb_jane_confident, fr_marie_sad, fr_marie_neutral, fr_marie_happy, fr_marie_excited, fr_marie_curious, fr_marie_angry | Standard— |
Feltresponse_format | Typestring | KravPåkrævet | Værdier og grænser mp3 | Standard— |
text_to_speech · Påkrævet: input
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, input, voice, response_format |
Parametervoice_ids | Kontrakten_paul_sad, en_paul_neutral, en_paul_happy, en_paul_frustrated, en_paul_excited, en_paul_confident, en_paul_cheerful, en_paul_angry, gb_oliver_neutral, gb_oliver_sad, gb_oliver_excited, gb_oliver_curious, gb_oliver_confident, gb_oliver_cheerful, gb_oliver_angry, gb_jane_sarcasm, gb_jane_confused, gb_jane_shameful, gb_jane_sad, gb_jane_neutral, gb_jane_jealousy, gb_jane_frustrated, gb_jane_curious, gb_jane_confident, fr_marie_sad, fr_marie_neutral, fr_marie_happy, fr_marie_excited, fr_marie_curious, fr_marie_angry |
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.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
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 $0.032 pr. 1K inputtegn |
Referenceplaner på modelniveau ændrer ikke metodevalg, prisoverslag eller opkrævninger. Ved den aktive afregning anvendes taksterne for den valgte Ailoot-metode.
| Konfiguration | Afregningsbetingelser | Beløb |
|---|---|---|
| KonfigurationMistral: Voxtral Mini TTS · Standardkonfiguration | AfregningsbetingelserStandardkonfiguration | Beløb Input · Inputtegn 0,000032 US$ 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 →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_VOICE_ID:?Choose an accepted voice ID from this exact model profile}"\nexport AILOOT_VOICE_ID\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/voxtral-mini-tts-2603", "input": "Good afternoon! This is a short voice take."}')\nvoice=os.environ["AILOOT_VOICE_ID"]\nallowed=json.loads('["en_paul_sad", "en_paul_neutral", "en_paul_happy", "en_paul_frustrated", "en_paul_excited", "en_paul_confident", "en_paul_cheerful", "en_paul_angry", "gb_oliver_neutral", "gb_oliver_sad", "gb_oliver_excited", "gb_oliver_curious", "gb_oliver_confident", "gb_oliver_cheerful", "gb_oliver_angry", "gb_jane_sarcasm", "gb_jane_confused", "gb_jane_shameful", "gb_jane_sad", "gb_jane_neutral", "gb_jane_jealousy", "gb_jane_frustrated", "gb_jane_curious", "gb_jane_confident", "fr_marie_sad", "fr_marie_neutral", "fr_marie_happy", "fr_marie_excited", "fr_marie_curious", "fr_marie_angry"]')\nif voice not in allowed: raise SystemExit("Choose an accepted voice ID from this exact model profile")\np["voice"]=voice\np["response_format"]="mp3"\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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o speech.mp3\nmp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o media-assets.json\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_MEDIA_TASK_ID:?Set the actual ID returned by the response or media-library metadata}"\nexport AILOOT_MEDIA_TASK_ID\nresource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_MEDIA_TASK_ID"],safe=""))')\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/tasks/$resource_id" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o media-task.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("media-task.json").read_text())))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_ASSET_ID:?Set the actual ID returned by the response or media-library metadata}"\nexport AILOOT_ASSET_ID\nresource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_ASSET_ID"],safe=""))')\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/assets/$resource_id" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o media-asset.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("media-asset.json").read_text())))\nPY_RESULT\nGem 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.
Gem det oprindelige operation_id/X-Client-Request-ID til afstemning uden genindsendelse; der er ingen særskilt rute til polling af lyd.
| Felt | Type |
|---|---|
Feltbinary audio | Typebytes |
Feltresponse headers | Typeheaders |
| 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. |
Ailoot Ultra mistralai/voxtral-mini-tts-2603
Brug metodestierne vist ovenfor.