speech-02-turbo
Speech-02 Turbo ist für schnelle Sprachsynthese mit gleichmäßigem Rhythmus und mehrsprachigem Klang vorgesehen.
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.
Schnelle Sprache für interaktive Antworten
Speech 02 Turbo ist für interaktive Sprachsynthese vorgesehen. Der Hersteller beschreibt die Verbindung von Geschwindigkeit mit gleichmäßigem Rhythmus und natürlichem Klang. Zu den Anwendungsfällen gehören Sprachantworten, Spieläußerungen und interaktive Inhalte. Das Modell erhält Text und erzeugt gesprochenes Audio.
Den Klangcharakter wählen
Die Speech-02-Familie ermöglicht die Kombination von Stimme, Sprache, Akzent und emotionaler Färbung. Ein gemeinsam trainierter autoregressiver Transformer und Sprecherencoder verbinden Klangfarbe und Inhalt. Text kann mit einer fertigen Stimme synthetisiert werden; die Erstellung einer neuen geklonten Stimme gehört zu einer gesonderten Vorbereitung.
Das Modell wählt eine emotionale Intonation anhand des Textes selbst oder nimmt einen vorgegebenen Zustand an: Freude, Traurigkeit, Ärger, Angst, Ekel, Überraschung oder Ruhe. Geschwindigkeit, Tonhöhe und Lautstärke lassen sich zusätzlich steuern, um eine Äußerung an das gewünschte Interaktionstempo anzupassen.
Sprachen und Aussprache
Russisch und weitere Sprachen werden unterstützt, darunter Englisch, Chinesisch, Kantonesisch, Japanisch, Koreanisch, Französisch, Deutsch, Spanisch, Portugiesisch, Türkisch, Arabisch und Ukrainisch. Für Speech 02 schließt die aktuelle Spezifikation Persisch, Filipino und Tamil gesondert aus.
Die Aussprache kann mit einem Ersetzungswörterbuch, internationaler Lautschrift, chinesischem Pinyin und japanischen Lesevarianten präzisiert werden. Pausen zwischen gesprochenen Abschnitten liegen im Bereich 0,01–99,99 Sekunden. Die Dauer wird auf zwei Dezimalstellen genau festgelegt; Markierungen werden zwischen gesprochenen Abschnitten platziert, nicht direkt hintereinander. Das Modell sieht Geschwindigkeit von 0,5–2, Lautstärke über 0 bis 10 und Tonhöhenänderungen von −12 bis 12 vor.
Audio zur Wiedergabe
Eine synchrone Eingabe ist auf weniger als 10 000 Zeichen begrenzt. Für mehr als 3000 Zeichen empfiehlt der Hersteller schrittweise Ausgabe. Die Modellfähigkeiten umfassen MP3, WAV, FLAC und PCM; die allgemeinen Einstellungen beschreiben außerdem Opus und G.711 μ-law sowie ein oder zwei Audiokanäle.
Diese Ailoot-Karte nimmt Text an und gibt Sprache zurück. Die Turbo-Geschwindigkeit beschreibt den Zweck der Modellvariante. Die Dauer einer konkreten Antwort und die Verfügbarkeit erweiterter Formate hängen vom gewählten Zugriffsverfahren ab.
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 · Sprachausgabe POST /v1/audio/speech speech-02-turbo
speech-02-turboEinstieg
Speech-02 Turbo ist für schnelle Sprachsynthese mit gleichmäßigem Rhythmus und mehrsprachigem Klang vorgesehen.
- Zulässige Eingaben
- Text
- Ergebnisse
- speech
In Ailoot verfügbar · Eingaben und Methoden
Ailoot · Sprachausgabe POST /v1/audio/speech
- Eingabe
text- Ausgabe
speech- Ausgabeformat
- mp3
| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits speech-02-turbo | 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— |
Kombinationen von Eingabematerialien
text_to_speech · Erforderlich: input
Methodenparameter und Lebenszyklus
| 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.
Tarife
Ailoot-Methodentarife
POST /v1/audio/speech- Eingabe
- $ 60,00 pro 1 Million Zeichen
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 · Sprachausgabe
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-02-turbo", "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
Ergebnisse abrufen und speichern
Ailoot · Sprachausgabe
mp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
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 |
|---|---|
Feldbinary audio | Typbytes |
Feldresponse 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. |
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. |
Aliasnamen
Modellaliasnamen
Ailoot speech-02-turbo
Aliasnamen für Methodenpfade
Verwenden Sie die oben angezeigten Methodenpfade.
Zugehörige Aufrufer-IDs
FAQ · speech-02-turbo
- Welche Eingaben und Ergebnisse sind verfügbar?
POST /v1/audio/speech·speech-02-turbo:text→speech- Welche Felder verwendet die Anfrage?
POST /v1/audio/speech·speech-02-turbo:model,input,voice,response_format