Speech 2.8 HD er rettet mod naturlig, ren lyd. Generationens vigtigste egenskab er lydtags, der kan føje samtaledetaljer til talen: latter, små kluk, vejrtrækning, indånding, udånding, suk, hoste, rømmen og andre korte lyde. De hjælper med rytme og pauser i en levende replik frem for ensartet oplæserstil i hver sætning.
Tags indsættes i teksten i den form, modellen angiver: eksempelvis betegner (chuckle), (breath) og (sighs) de tilsvarende lydhandlinger. Lydtags vedrører netop Speech 2.8. Det er stemmedetaljer inden for talesyntese, ikke generering af særskilte musik- eller lydkompositioner.
Producenten fremhæver gengivelse af stemmens karakteristika: struktur, vejrtrækning og udtaleform. Familien omfatter syntese med en allerede forberedt klonet stemme; skabelse af stemmen er en særskilt proces. Behandlingen i Speech 2.8 er også ændret for at reducere baggrundsstøj og digitale forvrængninger.
Speech 2.8 understøtter 40 sprog, herunder russisk. Producenten beskriver særskilt arbejde med udtale på tværs af kinesisk og japansk. Det vedrører bevarelse af naturlig lyd ved flere sprog, ikke automatisk tekstoversættelse.
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.
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.
Dette kort omsætter tekst til talelyd. Stemmeindstillingerne beskriver MiniMax-modellen; klonskabelse, særskilte undertekster og særlige tilslutningsmåder indgår ikke automatisk i en oplæsningsforespørgsel.
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.
", "aboutText": "### Levende tale med små lyddetaljer\n\nSpeech 2.8 HD er rettet mod naturlig, ren lyd. Generationens vigtigste egenskab er lydtags, der kan føje samtaledetaljer til talen: latter, små kluk, vejrtrækning, indånding, udånding, suk, hoste, rømmen og andre korte lyde. De hjælper med rytme og pauser i en levende replik frem for ensartet oplæserstil i hver sætning.\n\nTags indsættes i teksten i den form, modellen angiver: eksempelvis betegner `(chuckle)`, `(breath)` og `(sighs)` de tilsvarende lydhandlinger. Lydtags vedrører netop Speech 2.8. Det er stemmedetaljer inden for talesyntese, ikke generering af særskilte musik- eller lydkompositioner.\n\n### Klang og renhed\n\nProducenten fremhæver gengivelse af stemmens karakteristika: struktur, vejrtrækning og udtaleform. Familien omfatter syntese med en allerede forberedt klonet stemme; skabelse af stemmen er en særskilt proces. Behandlingen i Speech 2.8 er også ændret for at reducere baggrundsstøj og digitale forvrængninger.\n\n### Sprog og udtryk\n\nSpeech 2.8 understøtter **40 sprog**, herunder russisk. Producenten beskriver særskilt arbejde med udtale på tværs af kinesisk og japansk. Det vedrører bevarelse af naturlig lyd ved flere sprog, ikke automatisk tekstoversættelse.\n\nMiniMax 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.\n\nUdtalen 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.\n\n### Lydresultat\n\nSyntesen 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.\n\nDette kort omsætter tekst til talelyd. Stemmeindstillingerne beskriver MiniMax-modellen; klonskabelse, særskilte undertekster og særlige tilslutningsmåder indgår ikke automatisk i en oplæsningsforespørgsel.\n\nYderligere 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.\n\nProducenten 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "edd33f75a135ebb6cab08723d1361c15eb2b31292b05f2d5de9124553ea0a704", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "speech-2.8-hdSpeech 2.8 HD syntetiserer udtryksfuld tale med følelsesstyring og lyddetaljer som vejrtrækning og latter.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Speech 2.8 HD er rettet mod naturlig, ren lyd. Generationens vigtigste egenskab er lydtags, der kan føje samtaledetaljer til talen: latter, små kluk, vejrtrækning, indånding, udånding, suk, hoste, rømmen og andre korte lyde. De hjælper med rytme og pauser i en levende replik frem for ensartet oplæserstil i hver sætning.
Tags indsættes i teksten i den form, modellen angiver: eksempelvis betegner (chuckle), (breath) og (sighs) de tilsvarende lydhandlinger. Lydtags vedrører netop Speech 2.8. Det er stemmedetaljer inden for talesyntese, ikke generering af særskilte musik- eller lydkompositioner.
Producenten fremhæver gengivelse af stemmens karakteristika: struktur, vejrtrækning og udtaleform. Familien omfatter syntese med en allerede forberedt klonet stemme; skabelse af stemmen er en særskilt proces. Behandlingen i Speech 2.8 er også ændret for at reducere baggrundsstøj og digitale forvrængninger.
Speech 2.8 understøtter 40 sprog, herunder russisk. Producenten beskriver særskilt arbejde med udtale på tværs af kinesisk og japansk. Det vedrører bevarelse af naturlig lyd ved flere sprog, ikke automatisk tekstoversættelse.
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.
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.
Dette kort omsætter tekst til talelyd. Stemmeindstillingerne beskriver MiniMax-modellen; klonskabelse, særskilte undertekster og særlige tilslutningsmåder indgår ikke automatisk i en oplæsningsforespørgsel.
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.
POST /v1/audio/speechtextspeech| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser speech-2.8-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— |
text_to_speech · Påkrævet: input
| 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.
POST /v1/audio/speechAiloot 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_TEXT_FILE:?Set your actual UTF-8 narration script}"\nexport AILOOT_TEXT_FILE\n: "${AILOOT_VOICE_ID:?Set the actual accepted voice ID for this model}"\nexport AILOOT_VOICE_ID\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "speech-2.8-hd", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=text\nimport re\nvoice=os.environ["AILOOT_VOICE_ID"]\nif not re.fullmatch(r"[A-Za-z0-9_-]{1,128}",voice):raise SystemExit("Set an actual accepted voice ID")\np["voice"]=voice\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}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.
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 speech-2.8-hd, minimax-speech, minimax-speech-latest
Brug metodestierne vist ovenfor.
minimax-speechSpeech 2.8 HD syntetiserer udtryksfuld tale med følelsesstyring og lyddetaljer som vejrtrækning og latter.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Speech 2.8 HD er rettet mod naturlig, ren lyd. Generationens vigtigste egenskab er lydtags, der kan føje samtaledetaljer til talen: latter, små kluk, vejrtrækning, indånding, udånding, suk, hoste, rømmen og andre korte lyde. De hjælper med rytme og pauser i en levende replik frem for ensartet oplæserstil i hver sætning.
Tags indsættes i teksten i den form, modellen angiver: eksempelvis betegner (chuckle), (breath) og (sighs) de tilsvarende lydhandlinger. Lydtags vedrører netop Speech 2.8. Det er stemmedetaljer inden for talesyntese, ikke generering af særskilte musik- eller lydkompositioner.
Producenten fremhæver gengivelse af stemmens karakteristika: struktur, vejrtrækning og udtaleform. Familien omfatter syntese med en allerede forberedt klonet stemme; skabelse af stemmen er en særskilt proces. Behandlingen i Speech 2.8 er også ændret for at reducere baggrundsstøj og digitale forvrængninger.
Speech 2.8 understøtter 40 sprog, herunder russisk. Producenten beskriver særskilt arbejde med udtale på tværs af kinesisk og japansk. Det vedrører bevarelse af naturlig lyd ved flere sprog, ikke automatisk tekstoversættelse.
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.
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.
Dette kort omsætter tekst til talelyd. Stemmeindstillingerne beskriver MiniMax-modellen; klonskabelse, særskilte undertekster og særlige tilslutningsmåder indgår ikke automatisk i en oplæsningsforespørgsel.
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.
POST /v1/audio/speechtextspeech| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser minimax-speech | 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— |
text_to_speech · Påkrævet: input
| 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.
POST /v1/audio/speechAiloot 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_TEXT_FILE:?Set your actual UTF-8 narration script}"\nexport AILOOT_TEXT_FILE\n: "${AILOOT_VOICE_ID:?Set the actual accepted voice ID for this model}"\nexport AILOOT_VOICE_ID\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "minimax-speech", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=text\nimport re\nvoice=os.environ["AILOOT_VOICE_ID"]\nif not re.fullmatch(r"[A-Za-z0-9_-]{1,128}",voice):raise SystemExit("Set an actual accepted voice ID")\np["voice"]=voice\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}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.
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 speech-2.8-hd, minimax-speech, minimax-speech-latest
Brug metodestierne vist ovenfor.
minimax-speech-latestSpeech 2.8 HD syntetiserer udtryksfuld tale med følelsesstyring og lyddetaljer som vejrtrækning og latter.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Speech 2.8 HD er rettet mod naturlig, ren lyd. Generationens vigtigste egenskab er lydtags, der kan føje samtaledetaljer til talen: latter, små kluk, vejrtrækning, indånding, udånding, suk, hoste, rømmen og andre korte lyde. De hjælper med rytme og pauser i en levende replik frem for ensartet oplæserstil i hver sætning.
Tags indsættes i teksten i den form, modellen angiver: eksempelvis betegner (chuckle), (breath) og (sighs) de tilsvarende lydhandlinger. Lydtags vedrører netop Speech 2.8. Det er stemmedetaljer inden for talesyntese, ikke generering af særskilte musik- eller lydkompositioner.
Producenten fremhæver gengivelse af stemmens karakteristika: struktur, vejrtrækning og udtaleform. Familien omfatter syntese med en allerede forberedt klonet stemme; skabelse af stemmen er en særskilt proces. Behandlingen i Speech 2.8 er også ændret for at reducere baggrundsstøj og digitale forvrængninger.
Speech 2.8 understøtter 40 sprog, herunder russisk. Producenten beskriver særskilt arbejde med udtale på tværs af kinesisk og japansk. Det vedrører bevarelse af naturlig lyd ved flere sprog, ikke automatisk tekstoversættelse.
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.
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.
Dette kort omsætter tekst til talelyd. Stemmeindstillingerne beskriver MiniMax-modellen; klonskabelse, særskilte undertekster og særlige tilslutningsmåder indgår ikke automatisk i en oplæsningsforespørgsel.
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.
POST /v1/audio/speechtextspeech| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser minimax-speech-latest | 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— |
text_to_speech · Påkrævet: input
| 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.
POST /v1/audio/speechAiloot 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_TEXT_FILE:?Set your actual UTF-8 narration script}"\nexport AILOOT_TEXT_FILE\n: "${AILOOT_VOICE_ID:?Set the actual accepted voice ID for this model}"\nexport AILOOT_VOICE_ID\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "minimax-speech-latest", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=text\nimport re\nvoice=os.environ["AILOOT_VOICE_ID"]\nif not re.fullmatch(r"[A-Za-z0-9_-]{1,128}",voice):raise SystemExit("Set an actual accepted voice ID")\np["voice"]=voice\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}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.
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 speech-2.8-hd, minimax-speech, minimax-speech-latest
Brug metodestierne vist ovenfor.