MiniMax: Speech 02 Turbo

Speech 02 Turbo ist genau die MiniMax-Sprachmodellversion, die durch model: "minimax/speech-02-turbo" ausgewählt wird. Verwenden Sie POST /v1/audio/speech mit einem application/json-Body, der model und den zu sprechenden text enthält. Die Eingabe ist ein schriftliches Skript, das Ergebnis synthetisiertes Audio. Fügen Sie für eine Ankündigung nur die Wörter, die gesprochen werden sollen, in text ein, etwa einen kurzen Abholhinweis. Teilen Sie für eine Produkterklärung das Skript in vollständige Sätze auf und legen Sie Produktnamen und Zahlen vor der Audiogenerierung fest. Halten Sie Produktionsnotizen, Dateinamen und Anweisungen, die stumm bleiben sollen, außerhalb des gesprochenen Skripts.

Das Feld text darf nicht leer sein und muss weniger als 10 000 Unicode-Zeichen enthalten. Senden Sie das vollständige gesprochene Skript mit stream:false oder lassen Sie stream weg. Teilen Sie längeres Material vor der Übermittlung der einzelnen Segmente in separate vollständige Skriptabschnitte auf. Ein Dokument lässt sich verwenden, indem Sie seinen tatsächlichen Inhalt lesen und die relevante Passage in text einfügen; eine Dokument-URL ersetzt das Skript nicht.

Wählen Sie über voice_setting.voice_id eine Stimme. Die dokumentierten Stimmkategorien umfassen Systemstimmen sowie bereits erstellte geklonte oder anhand von Text gestaltete Stimmen; verwenden Sie eine gültige Stimm-ID für die gewählte Kategorie. Die Beispielstimme lautet audiobook_male_1. Dasselbe Objekt steuert speed von 0.5 bis 2, vol über 0 und bis zu 10 sowie den ganzzahligen pitch von -12 bis 12. Ihre Standardwerte sind 1, 1 und 0. Diese Steuerungen passen verschiedene Aspekte des gesprochenen Vortrags an; wählen Sie sie daher separat, statt ihre Namen in das Skript einzufügen.

voice_setting.emotion akzeptiert happy, sad, angry, fearful, disgusted, surprised, calm und fluent. Die Dokumentation beschreibt außerdem eine automatische Anpassung der Emotion an den Text. Bei Skripten mit vielen Zahlen aktiviert voice_setting.text_normalization die chinesische und englische Textnormalisierung und hat den Standardwert false. voice_setting.latex_read steuert das Lesen von LaTeX-Ausdrücken und hat ebenfalls den Standardwert false. pronunciation_dict.tone ist ein Array von Zeichenfolgen mit Ausspracheregeln. Das veröffentlichte Beispiel lautet ["草地/(cao3)(di1)"]; behalten Sie beim Angeben einer Regel das Wort, den Schrägstrich und die Aussprache in Klammern bei.

audio_setting.format akzeptiert mp3, pcm, flac und wav mit dem Standardwert mp3. sample_rate akzeptiert 8000, 16000, 22050, 24000, 32000 und 44100 Hz; der Standardwert ist 32000. channel ist 1 für Mono oder 2 für zwei Kanäle und hat den Standardwert 1. Die bitrate-Werte sind 32000, 64000, 128000 und 256000 Bits pro Sekunde mit dem Standardwert 128000 und gelten für mp3. Wählen Sie die Kodierung, die der Player oder das Bearbeitungswerkzeug benötigt, das das Ergebnis verwenden wird.

language_boost ist eine optionale Zeichenfolge und hat den Standardwert null. Die erlaubten Werte sind Chinese, Chinese,Yue, English, Arabic, Russian, Spanish, French, Portuguese, German, Turkish, Dutch, Ukrainian, Vietnamese, Indonesian, Japanese, Italian, Korean, Thai, Polish, Romanian, Greek, Czech, Finnish, Hindi, Bulgarian, Danish, Hebrew, Malay, Persian, Slovak, Swedish, Croatian, Filipino, Hungarian, Norwegian, Slovenian, Catalan, Nynorsk, Tamil, Afrikaans und auto. "Chinese,Yue" ist ein Wert. Es ist eine vom Skript und der Stimm-ID getrennte Steuerung. Das Schema stellt außerdem timber_weights für eine Liste von Paaren aus voice_id und ganzzahligem weight bereit, mit jedem weight von 1 bis 100. Behalten Sie beim Vorbereiten einer Anfrage die Parameterschreibweise timber_weights bei. voice_modify.sound_effects ist eine optionale Zeichenfolge mit den Werten spacious_echo, auditorium_echo, lofi_telephone und robotic.

stream hat den Standardwert false. Für eine vollständige Antwort wählt output_format url oder hex und hat den Standardwert hex. Im dokumentierten JSON-Ergebnis enthält data.audio die gewählte Darstellung: Laden Sie die vollständige signierte Ailoot-URL einschließlich ihrer Abfragezeichenfolge herunter oder dekodieren Sie die vollständigen hexadezimalen Audiodaten in Bytes. Bewahren Sie das ursprüngliche Ergebnis zusammen mit data.status, base_resp, trace_id und extra_info auf; Letzteres enthält das tatsächliche Audioformat, die Abtastrate, die Kanalzahl, die Größe und usage_characters.

subtitle_enable ist ein boolescher Wert mit dem Standardwert false und gilt für Ausgaben ohne Streaming. aigc_watermark ist ein boolescher Wert mit dem Standardwert false und steuert eine hörbare Rhythmusmarkierung am Ende der generierten Audiodatei. Bewahren Sie jedes zurückgegebene Audio- oder Untertitelergebnis auf und prüfen Sie Aussprache, Zahlen und die fertige Datei, bevor Sie sie in die Anwendung einfügen. Ist die Übertragung ungewiss, bewahren Sie die ursprüngliche Anfragekennung und die Antwort auf, um den bestehenden Versuch zu prüfen. Ailoot speichert die fertige Audiodatei außerdem in Ihrer Medienbibliothek. Bei output_format:"url" enthält data.audio einen signierten Link zu diesem gespeicherten Asset; die Asset-ID steht in dessen Pfad /v1/media/assets/{asset_id}/content. Signierte Ailoot-Dateilinks sind ab Ausstellung 24 Stunden gültig. Verwenden Sie denselben API-Schlüssel, um GET /v1/media/assets?family=audio abzurufen, und folgen Sie jedem next_cursor, um die Audio-Asset-Datensätze zu finden. Lesen Sie GET /v1/media/assets/{asset_id} für jeden ausgewählten Datensatz und laden Sie dessen genaue content_url einschließlich der Abfragezeichenfolge herunter. Wenn eine Dateianfrage 404 mit dem Code link_expired zurückgibt, lesen Sie dasselbe Asset erneut, um eine aktualisierte content_url zu erhalten. Aktualisieren Sie das gespeicherte Ergebnis, statt zur Ersetzung eines abgelaufenen Links erneut Audio zu generieren.