speech-02-hd
Speech-02 HD er en talesyntesemodel med fokus på lydkvalitet og stemmelighed.
Om modellen
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Stemme til oplæsning og lang læsning
Speech 02 HD skaber tale med fokus på kvalitet, rytme og stabil lyd. Producenten fremhæver oplæsning af materiale og lydbøger, hvor stemmen skal bevare karakter og flyde jævnt gennem lange tekster. Det er en syntesemodel: den modtager tekst og omsætter den til talelyd.
Sammenhæng mellem tekst og klang
Speech 02-familien bygger på autoregressiv Transformer-arkitektur og en træningsbar talerencoder. Udtræk af klang og talegenerering er trænet sammen for at afstemme stemmen med indholdet. Familiens muligheder omfatter forberedte klonede stemmer og kombination af sprog, accent og udtaleform.
Følelse og flersproget læsning
Følelsesfarvningen kan udledes fra tekstens betydning eller angives manuelt. Glæde, sorg, vrede, frygt, afsky, overraskelse og ro er tilgængelige. Modellen arbejder med russisk, engelsk og andre sprog; producenten beskriver forskellige engelske accenter, kinesisk og kantonesisk, japansk, koreansk, europæiske og andre sprog.
I den aktuelle Speech 02-beskrivelse er persisk, filippinsk og tamil særskilt udelukket. Nyere Speech-generationers samlede sprogliste bør ikke automatisk overføres til denne version.
Stemmeindstillinger
Syntesen tilbyder stemmevalg, hastighed 0,5–2, lydstyrke over 0 og op til 10 samt tonehøjde fra −12 til 12. Udtaleordbogen kan erstatte en skrivemåde med den ønskede læsning; fonetiske angivelser og japanske udtalevarianter understøttes. Det hjælper med navne og tvetydige ord.
Pauser og færdig lyd
Producenten tillader pauser mellem udtalte afsnit på 0,01–99,99 sekunder. Varigheden angives med to decimalers præcision; markører placeres mellem udtalte afsnit og ikke direkte efter hinanden. Teksten i én synkron forespørgsel skal være under 10 000 tegn. Lyd kan modtages samlet eller løbende; streamingoutput anbefales til tekst over 3000 tegn.
Modellens formater omfatter MP3, WAV, FLAC og PCM; de generelle synteseindstillinger beskriver også Opus og G.711 μ-law-varianter. Mono og stereo kan bruges. Dette kort tilbyder tekstoplæsning, mens særskilt stemmeforberedelse og udvidede indstillinger kun anvendes inden for den understøttede Ailoot-adgangsmetode.
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 · Oplæsning POST /v1/audio/speech speech-02-hd
speech-02-hdStart
Speech-02 HD er en talesyntesemodel med fokus på lydkvalitet og stemmelighed.
- Accepterede input
- Tekst
- Resultater
- speech
Tilgængelig i Ailoot · input og metoder
Ailoot · Oplæsning POST /v1/audio/speech
- Inputtyper
text- Outputtyper
speech- Outputformat
- mp3
| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser speech-02-hd | Standard— |
Feltinput | Typestring | KravPåkrævet | Værdier og grænser Minimumslængde: 1 Maksimal længde (eksklusiv): 10.000 Enhed: Unicode-tegn | Standard— |
Feltvoice | Typestring | KravPåkrævet | Værdier og grænser Mønster: ^[A-Za-z0-9_-]{1,128}$ | Standard— |
Feltresponse_format | Typestring | KravValgfrit | Værdier og grænser mp3 | Standard— |
Kombinationer af inputmaterialer
text_to_speech · Påkrævet: input
Metodeparametre og livscyklus
| Parameter | Kontrakt |
|---|---|
Parametermaterial_types | Kontrakttext |
Parameterrequired | Kontraktnull |
Parameteroptional_controls | Kontraktnull |
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}
Metodernes strukturer og ID’er er præcise; leverandørens muligheder er adskilt fra adgangstilladelse.
Priser
Ailoot-metodetakster
POST /v1/audio/speech- Input
- 100,00 US$ pr. 1 million tegn
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 · Oplæsning
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 narration script}"
export AILOOT_TEXT_FILE
: "${AILOOT_VOICE_ID:?Set the actual accepted voice ID for this model}"
export AILOOT_VOICE_ID
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "speech-02-hd", "input": ""}')
f=Path(os.environ["AILOOT_TEXT_FILE"])
if not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")
text=f.read_text(encoding="utf-8")
if not text.strip():raise SystemExit("Source material must contain text")
p["input"]=text
import re
voice=os.environ["AILOOT_VOICE_ID"]
if not re.fullmatch(r"[A-Za-z0-9_-]{1,128}",voice):raise SystemExit("Set an actual accepted voice ID")
p["voice"]=voice
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 · Oplæsning
mp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
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 speech-02-hd
Aliaser for metodestier
Brug metodestierne vist ovenfor.
Relaterede kalder-ID’er
FAQ · speech-02-hd
- Hvilke input og resultater er tilgængelige?
POST /v1/audio/speech·speech-02-hd:text→speech- Hvilke felter bruger anmodningen?
POST /v1/audio/speech·speech-02-hd:model,input,voice,response_format