speech-02-turbo
Speech-02 Turbo er beregnet til hurtig talesyntese med stabil rytme og flersproget lyd.
Om modellen
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Hurtig tale til interaktive svar
Speech 02 Turbo er beregnet til interaktiv talesyntese. Producenten beskriver en kombination af hastighed, stabil rytme og naturlig lyd; anvendelserne omfatter stemmesvar, spilreplikker og interaktivt indhold. Modellen modtager tekst og leverer talelyd.
Valg af lydkarakter
Speech 02-familien kan kombinere stemme, sprog, accent og følelsesfarvning. En fællestrænet autoregressiv Transformer og talerencoder forbinder klang med indhold. Tekst kan syntetiseres med en færdig stemme; skabelse af en ny klonet stemme er en særskilt forberedelse.
Modellen vælger selv følelsesmæssig intonation efter teksten eller modtager en angivet tilstand: glæde, sorg, vrede, frygt, afsky, overraskelse eller ro. Hastighed, tonehøjde og lydstyrke kan desuden styres for at tilpasse replikken til samspillets tempo.
Sprog og udtale
Russisk tale og andre sprog understøttes, herunder engelsk, kinesisk, kantonesisk, japansk, koreansk, fransk, tysk, spansk, portugisisk, tyrkisk, arabisk og ukrainsk. Den aktuelle Speech 02-specifikation udelukker særskilt persisk, filippinsk og tamil.
Udtalen kan præciseres med en erstatningsordbog, international fonetisk notation, kinesisk pinyin og japanske læsevarianter. Pauser mellem udtalte dele kan være 0,01–99,99 sekunder. Varigheden angives med to decimalers præcision; markører placeres mellem udtalte afsnit og ikke direkte efter hinanden. Modellen tilbyder hastighed 0,5–2, lydstyrke over 0 og op til 10 og tonehøjdeændring fra −12 til 12.
Lyd til afspilning
Synkront input er begrænset til tekst under 10 000 tegn; producenten anbefaler løbende output ved over 3000 tegn. Modellens muligheder omfatter MP3, WAV, FLAC og PCM; de generelle indstillinger beskriver også Opus og G.711 μ-law samt én eller to lydkanaler.
Dette Ailoot-kort modtager tekst og returnerer tale. Turbos hastighed vedrører variantens formål; den konkrete svartid og adgangen til udvidede formater afhænger af den valgte 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-turbo
speech-02-turboStart
Speech-02 Turbo er beregnet til hurtig talesyntese med stabil rytme og flersproget lyd.
- 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-turbo | 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
- 60,00 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-turbo", "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-turbo
Aliaser for metodestier
Brug metodestierne vist ovenfor.
Relaterede kalder-ID’er
FAQ · speech-02-turbo
- Hvilke input og resultater er tilgængelige?
POST /v1/audio/speech·speech-02-turbo:text→speech- Hvilke felter bruger anmodningen?
POST /v1/audio/speech·speech-02-turbo:model,input,voice,response_format