MiniMax: Speech 2.8 HD

Speech 2.8 HD synthetisiert ausdrucksstarke Sprache mit steuerbaren Emotionen und kleinen Klangdetails wie Atmen und Lachen.

Ailoot Ultra · Sprachausgabe POST /v1/audio/speech minimax/speech-2.8-hd

Über das Modell

Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.

Lebendige Sprache mit kleinen Klangdetails

Speech 2.8 HD ist auf natürlichen und sauberen Klang ausgerichtet. Die wichtigste Neuerung der Generation sind Audio-Tags, die Gesprächsdetails in Sprache einfügen: Lachen, leichtes Kichern, Atmen, Einatmen, Ausatmen, Seufzen, Husten, Räuspern und weitere kurze Laute. Sie vermitteln Rhythmus und Pausen einer lebendigen Äußerung, statt jeden Satz in gleichmäßiges Sprecherlesen zu verwandeln.

Die Tags werden in der für das Modell vorgesehenen Form in den Text eingefügt. Beispielsweise stehen (chuckle), (breath) und (sighs) für die entsprechenden Klangaktionen. Audio-Tags gehören speziell zu Speech 2.8. Sie sind Stimmdetails innerhalb der Sprachsynthese, keine Generierung einer eigenen Musik- oder Klangkomposition.

Klangfarbe und Reinheit

Der Hersteller hebt die Wiedergabe charakteristischer Stimmmerkmale hervor: Textur, Atmung und Ausspracheweise. Die Familienfähigkeiten umfassen die Synthese mit einer bereits vorbereiteten geklonten Stimme; deren Erstellung ist ein eigener Vorgang. Bei Speech 2.8 wurde außerdem die Verarbeitung überarbeitet, um Hintergrundgeräusche und digitale Verzerrungen zu verringern.

Sprachen und Ausdruckskraft

Speech 2.8 unterstützt 40 Sprachen, darunter Russisch. Der Hersteller beschreibt gesondert die Arbeit an sprachübergreifender Aussprache für die Kombination Chinesisch und Japanisch. Dieser Anwendungsfall betrifft einen natürlichen Klang bei verschiedenen Sprachen, keine automatische Textübersetzung.

MiniMax sieht Stimmenwahl und die Steuerung von Tempo, Lautstärke und Tonhöhe vor. Die Geschwindigkeit liegt im Bereich 0,5–2, die Lautstärke über 0 bis 10, die Tonhöhenänderung zwischen −12 und 12. Die Emotion kann anhand des Textinhalts vom Modell gewählt oder manuell vorgegeben werden: Freude, Traurigkeit, Ärger, Angst, Ekel, Überraschung oder Ruhe.

Die Aussprache kann mit einem Ersetzungswörterbuch und phonetischer Darstellung präzisiert werden. Vorgesehen sind das internationale phonetische Alphabet, chinesisches Pinyin und japanische Lesevarianten. Pausen werden zwischen gesprochenen Abschnitten im Bereich 0,01–99,99 Sekunden festgelegt. Die Dauer wird auf zwei Dezimalstellen genau angegeben; Markierungen werden zwischen gesprochenen Abschnitten platziert, nicht direkt hintereinander. So können Namen, Abkürzungen und mehrdeutige Wörter dem beabsichtigten Vortrag entsprechend ausgesprochen werden.

Audioergebnis

Die Synthese nimmt Text mit weniger als 10 000 Zeichen an. Bei langen Texten mit mehr als 3000 Zeichen empfiehlt der Hersteller Streaming; vollständige Ausgabe des fertigen Audios ist ebenfalls vorgesehen. Allgemeine Syntheseeinstellungen umfassen MP3, PCM, FLAC, WAV, Opus und Varianten von G.711 μ-law sowie Mono oder Stereo. Die Mittel von Ailoot bestimmen, welche Formate für eine konkrete Anfrage verfügbar sind.

Diese Karte wandelt Text in gesprochenes Audio um. Die Möglichkeiten zur Stimmensteuerung beschreiben das MiniMax-Modell. Das Erstellen eines Stimmklons, eigene Untertitel und spezielle Anbindungsverfahren sind nicht automatisch Teil einer Vertonungsanfrage.

Zu den zusätzlichen Audioeinstellungen gehören Abtastraten von 8, 16, 22,05, 24, 32 und 44,1 kHz. Für MP3 sind Bitraten von 32, 64, 128 oder 256 kbit/s vorgesehen. Außerdem kann die Stimmfärbung geändert und ein Effekt angewendet werden: weiträumiges Echo, Hallecho, Telefonklang oder eine Roboterstimme. Effekte zur Stimmenänderung werden bei vollständiger Audioausgabe für MP3, WAV und FLAC unterstützt, bei Streaming nur für MP3. G.711 μ-law verwendet eine Abtastrate von 8 kHz. Diese Möglichkeiten gehören zu den Syntheseeinstellungen von MiniMax.

Der Hersteller sieht die Synchronisierung von Sprache und Text vor: Zeitstempel für Sätze, Wörter oder Wörter bei schrittweiser Ausgabe. Das hilft, gesprochene Sprache mit der Textanzeige zu verbinden. Diese zusätzliche Möglichkeit erfordert die Unterstützung des entsprechenden Antwortformats.

Ailoot Ultra · Sprachausgabe POST /v1/audio/speech minimax/speech-2.8-hd

minimax/speech-2.8-hd

MiniMax /minimax/speech-2.8-hd

Einstieg

Speech 2.8 HD synthetisiert ausdrucksstarke Sprache mit steuerbaren Emotionen und kleinen Klangdetails wie Atmen und Lachen.

Zulässige Eingaben: Text
Ergebnisse: Audio

In Ailoot verfügbar · Eingaben und Methoden

Ailoot Ultra · Sprachausgabe POST /v1/audio/speech

Eingabe: text
Ausgabe: audio
Ausgabeformat: mp3

Feld	Typ	Anforderung	Werte und Limits	Standard
Feld`model`	Typ`string`	AnforderungErforderlich	Werte und Limits minimax/speech-2.8-hd	Standard—
Feld`input`	Typ`string`	AnforderungErforderlich	Werte und Limits Mindestlänge: 1 Einheit: Unicode-Zeichen	Standard—
Feld`voice`	Typ`string`	AnforderungErforderlich	Werte und Limits English_expressive_narrator, English_radiant_girl, English_magnetic_voiced_man, English_compelling_lady1, English_Aussie_Bloke, English_captivating_female1, English_Upbeat_Woman, English_Trustworth_Man, English_CalmWoman, English_UpsetGirl, English_Gentle-voiced_man, English_Whispering_girl, English_Diligent_Man, English_Graceful_Lady, English_ReservedYoungMan, English_PlayfulGirl, English_ManWithDeepVoice, English_MaturePartner, English_FriendlyPerson, English_MatureBoss, English_Debator, English_LovelyGirl, English_Steadymentor, English_Deep-VoicedGentleman, English_Wiselady, English_CaptivatingStoryteller, English_DecentYoungMan, English_SentimentalLady, English_ImposingManner, English_SadTeen, English_PassionateWarrior, English_WiseScholar, English_Soft-spokenGirl, English_SereneWoman, English_ConfidentWoman, English_PatientMan, English_Comedian, English_BossyLeader, English_Strong-WilledBoy, English_StressedLady, English_AssertiveQueen, English_AnimeCharacter, English_Jovialman, English_WhimsicalGirl, English_Kind-heartedGirl	Standard—
Feld`response_format`	Typ`string`	AnforderungErforderlich	Werte und Limits mp3	Standard—

Kombinationen von Eingabematerialien

text_to_speech · Erforderlich: input

Methodenparameter und Lebenszyklus

Parameter	Vertrag
Parameter`content_type`	Vertragapplication/json
Parameter`required`	Vertragmodel, input, voice, response_format
Parameter`voice_ids`	VertragEnglish_expressive_narrator, English_radiant_girl, English_magnetic_voiced_man, English_compelling_lady1, English_Aussie_Bloke, English_captivating_female1, English_Upbeat_Woman, English_Trustworth_Man, English_CalmWoman, English_UpsetGirl, English_Gentle-voiced_man, English_Whispering_girl, English_Diligent_Man, English_Graceful_Lady, English_ReservedYoungMan, English_PlayfulGirl, English_ManWithDeepVoice, English_MaturePartner, English_FriendlyPerson, English_MatureBoss, English_Debator, English_LovelyGirl, English_Steadymentor, English_Deep-VoicedGentleman, English_Wiselady, English_CaptivatingStoryteller, English_DecentYoungMan, English_SentimentalLady, English_ImposingManner, English_SadTeen, English_PassionateWarrior, English_WiseScholar, English_Soft-spokenGirl, English_SereneWoman, English_ConfidentWoman, English_PatientMan, English_Comedian, English_BossyLeader, English_Strong-WilledBoy, English_StressedLady, English_AssertiveQueen, English_AnimeCharacter, English_Jovialman, English_WhimsicalGirl, English_Kind-heartedGirl
Parameter`response_format`	Vertragmp3
Parameter`max_input_characters`	Vertragnull
Parameter`other_options`	Vertragfalse
Parameter`input`	Vertragexakter UTF-8-Text; Unicode-Zeichenzahl ohne Normalisierung
Parameter`material_types`	Vertragtext

Lebenszyklus: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · die tatsächlich zurückgegebene task_id oder ein Eintrag in der Medienbibliothek

GET /v1/media/assets/{asset_id}/content

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Wählen Sie die genaue Stimme aus diesem Modellprofil.

Eingabezeichen und Audiosekunden sind unterschiedliche Messgrößen.

Tarife

Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.

Schnellmodus: Nicht angegeben Wenn der Schnellmodus ausgewählt ist
Flex-Modus: Nicht angegeben Wenn der Modus flex ausgewählt ist
Maximaler Denkaufwand: Nicht angegeben Wenn beim maximalen Denkaufwand die Standardanpassung (default) verwendet wird

Ailoot-Tarife

Preise nach Konfiguration

Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.

Konfiguration	Tarifstaffel	Abrechenbare Menge	Abrechnungseinheit	Gebühr
KonfigurationBasistarife für Tokens	TarifstaffelGrundtarif	Abrechenbare Menge—	Abrechnungseinheit—	Gebühr Eingabe · Eingabetoken — / 1K Tokens Ausgabe · Ausgabetoken — / 1K Tokens Eingabe · Cache lesen — / 1K Tokens Eingabe · In Cache schreiben — / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens
KonfigurationUltra	Tarifstaffel—	Abrechenbare MengeJeder Unicode-Codepunkt zählt als ein Zeichen, einschließlich Han-Zeichen.	Abrechnungseinheitpro 1K Eingabezeichen	Gebühr Eingabe · Eingabezeichen $0.2 pro 1K Eingabezeichen

Details zum Referenztarif

Referenztarifstaffeln auf Modellebene ändern weder Methodenauswahl noch Kostenvoranschläge oder Gebühren. Für die aktive Abrechnung gelten die Tarife der ausgewählten Ailoot-Methode.

MiniMax: Speech 2.8 HD

Preise nach Konfiguration

Konfiguration	Abrechnungsbedingungen	Gebühr
KonfigurationMiniMax: Speech 2.8 HD · Standardkonfiguration	AbrechnungsbedingungenStandardkonfiguration	Gebühr Eingabe · Eingabezeichen $ 0,0002 pro Eingabezeichen

Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →

Beispielanfragen

Ailoot Ultra · Sprachausgabe

curl

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_VOICE_ID:?Choose an accepted voice ID from this exact model profile}"
export AILOOT_VOICE_ID
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "minimax/speech-2.8-hd", "input": "Good afternoon! This is a short voice take."}')
voice=os.environ["AILOOT_VOICE_ID"]
allowed=json.loads('["English_expressive_narrator", "English_radiant_girl", "English_magnetic_voiced_man", "English_compelling_lady1", "English_Aussie_Bloke", "English_captivating_female1", "English_Upbeat_Woman", "English_Trustworth_Man", "English_CalmWoman", "English_UpsetGirl", "English_Gentle-voiced_man", "English_Whispering_girl", "English_Diligent_Man", "English_Graceful_Lady", "English_ReservedYoungMan", "English_PlayfulGirl", "English_ManWithDeepVoice", "English_MaturePartner", "English_FriendlyPerson", "English_MatureBoss", "English_Debator", "English_LovelyGirl", "English_Steadymentor", "English_Deep-VoicedGentleman", "English_Wiselady", "English_CaptivatingStoryteller", "English_DecentYoungMan", "English_SentimentalLady", "English_ImposingManner", "English_SadTeen", "English_PassionateWarrior", "English_WiseScholar", "English_Soft-spokenGirl", "English_SereneWoman", "English_ConfidentWoman", "English_PatientMan", "English_Comedian", "English_BossyLeader", "English_Strong-WilledBoy", "English_StressedLady", "English_AssertiveQueen", "English_AnimeCharacter", "English_Jovialman", "English_WhimsicalGirl", "English_Kind-heartedGirl"]')
if voice not in allowed: raise SystemExit("Choose an accepted voice ID from this exact model profile")
p["voice"]=voice
p["response_format"]="mp3"
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

Ergebnisse abrufen und speichern

Ailoot Ultra · Sprachausgabe

mp3

GET /v1/media/tasks/{task_id}
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}

Abrufe anderer Inhalte

MedienbibliothekAufgabenstatusDateidetails

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-assets.json

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_MEDIA_TASK_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_MEDIA_TASK_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_MEDIA_TASK_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/tasks/$resource_id" \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-task.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-task.json").read_text())))
PY_RESULT

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_ASSET_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_ASSET_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_ASSET_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/assets/$resource_id" \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-asset.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-asset.json").read_text())))
PY_RESULT

Alle fertiggestellten Ergebnisse aufbewahren

Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.

Das vollständige Binärergebnis und die Header aufbewahren. Wenn JSON oder mehrere Ausgaben zurückgegeben werden, jedes Datenelement aufbewahren und jede tatsächlich zurückgegebene signierte Asset-URL abrufen.

Wenn die ursprüngliche Antwort geprüft werden muss

Die ursprüngliche operation_id/X-Client-Request-ID für den Abgleich ohne erneute Einreichung aufbewahren; es gibt keine eigene Route zur Abfrage des Audiostatus.

Antwortfelder

Feld	Typ
Feld`binary audio`	Typbytes
Feld`response headers`	Typheaders

Fehler und nächste Schritte

Antwort	Bedingung	Nächster Schritt
Antwort400 · `invalid_request_error`	BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig	Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren.
Antwort`server_error`	BedingungDie zurückgegebene Antwort gibt an, dass der Vorgang oder das Ergebnis eine Prüfung erfordert	Nächster SchrittDie ursprünglich zurückgegebene Vorgangs-/Aufgaben-ID, die Anfrageheader und die Antwort aufbewahren; mit unterstützten Leseaufrufen für diesen ursprünglichen Vorgang fortfahren. Die Erstellungsanfrage nicht erneut senden.

Aliasnamen

Modellaliasnamen

Ailoot Ultra minimax/speech-2.8-hd

Aliasnamen für Methodenpfade

Verwenden Sie die oben angezeigten Methodenpfade.

Zugehörige Aufrufer-IDs

minimax/speech-2.8-hd

FAQ · MiniMax: Speech 2.8 HD

Welche Eingaben und Ergebnisse sind verfügbar?: POST /v1/audio/speech · minimax/speech-2.8-hd: text → audio
Welche Felder verwendet die Anfrage?: POST /v1/audio/speech · minimax/speech-2.8-hd: model, input, voice, response_format

MiniMax: Speech 2.8 HD