speech-2.6-hd
Speech 2.6 HD er en talesyntesemodel med høj kvalitet og fokus på naturlighed og stemmelighed.
Om modellen
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Naturlig stemme til samspil
Speech 2.6 HD er beregnet til naturlig talesyntese og forløb, hvor svaret skal begynde hurtigt. Producenten fokuserer på intonation, flydende tale og tekstbehandling før udtale. HD-varianten fremhæver lydkvaliteten; dette korts input er tekst, og output talelyd.
Læsning af særlige skrivemåder
Speech 2.6-generationen behandler skrivemåder, der ofte indgår i arbejdsbeskeder: webadresser, e-mailadresser, telefonnumre, datoer og pengebeløb. Modellen omsætter dem til en udtalelig form, så replikken er forståelig at høre. Producenten beskriver opgaverne på flere sprog.
Flydende tale med bevaret klang
Speech 2.6 har tilstanden Fluent LoRA til mere flydende tale. Den er beregnet til syntese med en forberedt stemme og hjælper med at bevare klangen, samtidig med at talen bliver mere sammenhængende, selv hvis prøven var ujævn eller havde accent. Forberedelse af en klonet stemme og brug af den til oplæsning er forskellige handlinger.
40 sprog understøttes, herunder russisk. Ud over syv grundlæggende følelsestilstande har Speech 2.6 flydende tale fluent og hvisken whisper. Uden angivet følelse vælger modellen den ud fra tekstens betydning.
Fremførelsesindstillinger
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.
Tekstlængde og lyd
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.
Ifølge MiniMax er generationen rettet mod lav forsinkelse i stemmeforløb. Det beskriver modellen; den konkrete svartid og adgangen til udvidede indstillinger afhænger af den valgte 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-2.6-hd
speech-2.6-hdStart
Speech 2.6 HD er en talesyntesemodel med høj kvalitet og fokus på naturlighed 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-2.6-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-2.6-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-2.6-hd
Aliaser for metodestier
Brug metodestierne vist ovenfor.
Relaterede kalder-ID’er
FAQ · speech-2.6-hd
- Hvilke input og resultater er tilgængelige?
POST /v1/audio/speech·speech-2.6-hd:text→speech- Hvilke felter bruger anmodningen?
POST /v1/audio/speech·speech-2.6-hd:model,input,voice,response_format