Sesame: CSM 1B

Sesame CSM 1B er en tekst-til-tale-model, der er tilgængelig under det præcise ID sesame/csm-1b. Medsend de ord, der skal siges, og gem den resulterende lyd som en fil. En praktisk beskrivelse kan være en forberedt produktforklaring, en indtalt applikationsbesked eller et indtalingssegment, som skal indgå i en redigering. Forbered manuskriptet som den ønskede talte tekst, inklusive de navne, tal og formuleringer, lytteren skal høre.

Send POST /v1/audio/speech med application/json. De obligatoriske felter er model, sat til sesame/csm-1b, og input, der indeholder manuskriptet som en streng. Læs en manuskriptfil som UTF-8-tekst, og placér dens indhold i input frem for at angive et lokalt filnavn. Når det talte indhold holdes i dette felt, får genereringen et konkret manuskript at følge, og applikationen kan gemme den præcise ordlyd sammen med den resulterende fil.

De navngivne stemmevalg er conversational_a, conversational_b, read_speech_a, read_speech_b, read_speech_c, read_speech_d og none. Bevar disse identifikatorer præcist i voice-feltet. Vælg en stemme eksplicit, når en arbejdsgang kræver en gentagelig anmodningskonfiguration, og gem den valgte indstilling sammen med manuskript og output. Lyt til et repræsentativt segment for at afgøre, hvilken tilgængelig stemme der passer til den ønskede anvendelse.

Brug response_format til at vælge mp3 eller pcm. MP3 leveres som audio/mpeg og giver en fil, der kan sendes videre til en afspiller eller redigeringsarbejdsgang, som accepterer MP3. PCM leveres som audio/pcm med 16-bit little-endian-samples; gem dens faktiske lydmetadata til den applikation, der skal fortolke bytes. Angiv formatet eksplicit, så filen og den efterfølgende dekoder stemmer overens. Det dokumenterede anmodningseksempel bruger speed:1; bevar dette udgangspunkt, når du forbereder en anmodning med de fastlagte indstillinger.

Det vellykkede svar indeholder rå lydbytes. Gem svarindholdet som lyd, og bevar svarheaderne og den oprindelige anmodnings identitet sammen med manuskript, stemme og det ønskede format. Betragt afslutningen af dette svar som det tidspunkt, hvor den returnerede lyd kan gemmes og gennemgås. Kontrollér de talte navne, tal og sætningsgrænser mod kildemanuskriptet, før du føjer resultatet til en længere produktion. Hvis en anmodning afbrydes efter indsendelsen, skal du gemme dens oprindelige identitet og svaroplysninger, mens du kontrollerer det eksisterende udfald.