Speech 02 HD erzeugt Sprache mit Schwerpunkt auf Qualität, Rhythmus und einem gleichbleibenden Klang. Der Hersteller hebt die Vertonung von Materialien und Hörbüchern hervor, bei denen die Stimme ihren Charakter über längere Texte hinweg gleichmäßig beibehalten soll. Es ist ein Synthesemodell: Es nimmt Text an und wandelt ihn in gesprochenes Audio um.
Die Speech-02-Familie basiert auf einer autoregressiven Transformer-Architektur und einem trainierbaren Sprecherencoder. Die Extraktion der Klangfarbe und die Sprachgenerierung wurden gemeinsam trainiert, um Stimmmerkmale mit dem Inhalt abzustimmen. Die Familienfähigkeiten umfassen die Verwendung vorbereiteter geklonter Stimmen sowie die Kombination von Sprache, Akzent und Ausspracheweise.
Die emotionale Färbung kann aus dem Textinhalt abgeleitet oder manuell festgelegt werden. Verfügbar sind Freude, Traurigkeit, Ärger, Angst, Ekel, Überraschung und Ruhe. Das Modell arbeitet mit Russisch, Englisch und weiteren Sprachen. Der Hersteller beschreibt unterschiedliche englische Akzente, Chinesisch und Kantonesisch, Japanisch, Koreanisch sowie europäische und weitere Sprachen.
Die aktuelle Speech-02-Beschreibung schließt Persisch, Filipino und Tamil gesondert aus. Die allgemeine Sprachenliste neuerer Speech-Generationen darf nicht automatisch auf diese Version übertragen werden.
Für die Synthese sind Stimmenwahl, Geschwindigkeit von 0,5–2, Lautstärke über 0 bis 10 und Tonhöhe von −12 bis 12 vorgesehen. Im Aussprachewörterbuch kann eine Schreibweise durch die gewünschte Aussprache ersetzt werden. Phonetische Darstellungen und japanische Aussprachevarianten werden unterstützt. So lässt sich steuern, wie Namen und mehrdeutige Wörter gesprochen werden.
Der Hersteller ermöglicht Pausen zwischen gesprochenen Abschnitten mit einer Dauer von 0,01–99,99 Sekunden. Die Dauer wird auf zwei Dezimalstellen genau festgelegt; Markierungen werden zwischen gesprochenen Abschnitten platziert, nicht direkt hintereinander. Der Text einer synchronen Anfrage muss weniger als 10 000 Zeichen enthalten. Vollständige und schrittweise Audioausgabe sind vorgesehen; bei mehr als 3000 Zeichen wird Streaming empfohlen.
Zu den Modellformaten zählen MP3, WAV, FLAC und PCM. Die allgemeinen Syntheseeinstellungen beschreiben außerdem Opus und Varianten von G.711 μ-law. Mono oder Stereo sind möglich. In dieser Karte ist Textvertonung verfügbar; eine gesonderte Stimmenvorbereitung und erweiterte Einstellungen gelten nur innerhalb des unterstützten Zugriffsverfahrens über Ailoot.
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.
", "aboutText": "### Eine Stimme für Vertonung und längeres Vorlesen\n\nSpeech 02 HD erzeugt Sprache mit Schwerpunkt auf Qualität, Rhythmus und einem gleichbleibenden Klang. Der Hersteller hebt die Vertonung von Materialien und Hörbüchern hervor, bei denen die Stimme ihren Charakter über längere Texte hinweg gleichmäßig beibehalten soll. Es ist ein Synthesemodell: Es nimmt Text an und wandelt ihn in gesprochenes Audio um.\n\n### Wie Text und Klangfarbe zusammenwirken\n\nDie Speech-02-Familie basiert auf einer autoregressiven Transformer-Architektur und einem trainierbaren Sprecherencoder. Die Extraktion der Klangfarbe und die Sprachgenerierung wurden gemeinsam trainiert, um Stimmmerkmale mit dem Inhalt abzustimmen. Die Familienfähigkeiten umfassen die Verwendung vorbereiteter geklonter Stimmen sowie die Kombination von Sprache, Akzent und Ausspracheweise.\n\n### Emotion und mehrsprachiges Vorlesen\n\nDie emotionale Färbung kann aus dem Textinhalt abgeleitet oder manuell festgelegt werden. Verfügbar sind Freude, Traurigkeit, Ärger, Angst, Ekel, Überraschung und Ruhe. Das Modell arbeitet mit Russisch, Englisch und weiteren Sprachen. Der Hersteller beschreibt unterschiedliche englische Akzente, Chinesisch und Kantonesisch, Japanisch, Koreanisch sowie europäische und weitere Sprachen.\n\nDie aktuelle Speech-02-Beschreibung schließt Persisch, Filipino und Tamil gesondert aus. Die allgemeine Sprachenliste neuerer Speech-Generationen darf nicht automatisch auf diese Version übertragen werden.\n\n### Stimmeinstellungen\n\nFür die Synthese sind Stimmenwahl, Geschwindigkeit von **0,5–2**, Lautstärke über 0 bis **10** und Tonhöhe von **−12 bis 12** vorgesehen. Im Aussprachewörterbuch kann eine Schreibweise durch die gewünschte Aussprache ersetzt werden. Phonetische Darstellungen und japanische Aussprachevarianten werden unterstützt. So lässt sich steuern, wie Namen und mehrdeutige Wörter gesprochen werden.\n\n### Pausen und fertiges Audio\n\nDer Hersteller ermöglicht Pausen zwischen gesprochenen Abschnitten mit einer Dauer von **0,01–99,99 Sekunden**. Die Dauer wird auf zwei Dezimalstellen genau festgelegt; Markierungen werden zwischen gesprochenen Abschnitten platziert, nicht direkt hintereinander. Der Text einer synchronen Anfrage muss weniger als **10 000 Zeichen** enthalten. Vollständige und schrittweise Audioausgabe sind vorgesehen; bei mehr als 3000 Zeichen wird Streaming empfohlen.\n\nZu den Modellformaten zählen MP3, WAV, FLAC und PCM. Die allgemeinen Syntheseeinstellungen beschreiben außerdem Opus und Varianten von G.711 μ-law. Mono oder Stereo sind möglich. In dieser Karte ist Textvertonung verfügbar; eine gesonderte Stimmenvorbereitung und erweiterte Einstellungen gelten nur innerhalb des unterstützten Zugriffsverfahrens über Ailoot.\n\nZu 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.\n\nDer 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "25c151796d300368734ac97311a9c1da23d58d2d402881b98546c5733c115280", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-at", "methods": [ { "html": "speech-02-hdSpeech-02 HD ist ein Sprachsynthesemodell mit Schwerpunkt auf Klangqualität und Stimmenähnlichkeit.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Speech 02 HD erzeugt Sprache mit Schwerpunkt auf Qualität, Rhythmus und einem gleichbleibenden Klang. Der Hersteller hebt die Vertonung von Materialien und Hörbüchern hervor, bei denen die Stimme ihren Charakter über längere Texte hinweg gleichmäßig beibehalten soll. Es ist ein Synthesemodell: Es nimmt Text an und wandelt ihn in gesprochenes Audio um.
Die Speech-02-Familie basiert auf einer autoregressiven Transformer-Architektur und einem trainierbaren Sprecherencoder. Die Extraktion der Klangfarbe und die Sprachgenerierung wurden gemeinsam trainiert, um Stimmmerkmale mit dem Inhalt abzustimmen. Die Familienfähigkeiten umfassen die Verwendung vorbereiteter geklonter Stimmen sowie die Kombination von Sprache, Akzent und Ausspracheweise.
Die emotionale Färbung kann aus dem Textinhalt abgeleitet oder manuell festgelegt werden. Verfügbar sind Freude, Traurigkeit, Ärger, Angst, Ekel, Überraschung und Ruhe. Das Modell arbeitet mit Russisch, Englisch und weiteren Sprachen. Der Hersteller beschreibt unterschiedliche englische Akzente, Chinesisch und Kantonesisch, Japanisch, Koreanisch sowie europäische und weitere Sprachen.
Die aktuelle Speech-02-Beschreibung schließt Persisch, Filipino und Tamil gesondert aus. Die allgemeine Sprachenliste neuerer Speech-Generationen darf nicht automatisch auf diese Version übertragen werden.
Für die Synthese sind Stimmenwahl, Geschwindigkeit von 0,5–2, Lautstärke über 0 bis 10 und Tonhöhe von −12 bis 12 vorgesehen. Im Aussprachewörterbuch kann eine Schreibweise durch die gewünschte Aussprache ersetzt werden. Phonetische Darstellungen und japanische Aussprachevarianten werden unterstützt. So lässt sich steuern, wie Namen und mehrdeutige Wörter gesprochen werden.
Der Hersteller ermöglicht Pausen zwischen gesprochenen Abschnitten mit einer Dauer von 0,01–99,99 Sekunden. Die Dauer wird auf zwei Dezimalstellen genau festgelegt; Markierungen werden zwischen gesprochenen Abschnitten platziert, nicht direkt hintereinander. Der Text einer synchronen Anfrage muss weniger als 10 000 Zeichen enthalten. Vollständige und schrittweise Audioausgabe sind vorgesehen; bei mehr als 3000 Zeichen wird Streaming empfohlen.
Zu den Modellformaten zählen MP3, WAV, FLAC und PCM. Die allgemeinen Syntheseeinstellungen beschreiben außerdem Opus und Varianten von G.711 μ-law. Mono oder Stereo sind möglich. In dieser Karte ist Textvertonung verfügbar; eine gesonderte Stimmenvorbereitung und erweiterte Einstellungen gelten nur innerhalb des unterstützten Zugriffsverfahrens über Ailoot.
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.
POST /v1/audio/speechtextspeech| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits speech-02-hd | Standard— |
Feldinput | Typstring | AnforderungErforderlich | Werte und Limits Mindestlänge: 1 Maximale Länge (exklusiv): 10 000 Einheit: Unicode-Zeichen | Standard— |
Feldvoice | Typstring | AnforderungErforderlich | Werte und Limits Muster: ^[A-Za-z0-9_-]{1,128}$ | Standard— |
Feldresponse_format | Typstring | AnforderungOptional | Werte und Limits mp3 | Standard— |
text_to_speech · Erforderlich: input
| Parameter | Vertrag |
|---|---|
Parametermaterial_types | Vertragtext |
Parameterrequired | Vertragnull |
Parameteroptional_controls | Vertragnull |
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}
Methodenstrukturen und IDs sind exakt; die Fähigkeiten des Anbieters sind von der Zulassung einer Anfrage zu unterscheiden.
POST /v1/audio/speechAiloot 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 →
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-02-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}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.
Die ursprüngliche operation_id/X-Client-Request-ID für den Abgleich ohne erneute Einreichung aufbewahren; es gibt keine eigene Route zur Abfrage des Audiostatus.
| Feld | Typ |
|---|---|
Feldbinary audio | Typbytes |
Feldresponse headers | Typheaders |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Antwortserver_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. |
Ailoot speech-02-hd
Verwenden Sie die oben angezeigten Methodenpfade.