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.
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.
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.
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.
", "aboutText": "### Schnelle Sprache für interaktive Antworten\n\nSpeech 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.\n\n### Den Klangcharakter wählen\n\nDie 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.\n\nDas 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.\n\n### Sprachen und Aussprache\n\nRussisch 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.\n\nDie 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.\n\n### Audio zur Wiedergabe\n\nEine 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.\n\nDiese 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.\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": "43bfc8b94e53ef5934b8ad54ddd27ccc0306677425286c98abe27a149af98968", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-at", "methods": [ { "html": "speech-02-turboSpeech-02 Turbo ist für schnelle Sprachsynthese mit gleichmäßigem Rhythmus und mehrsprachigem Klang vorgesehen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
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.
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.
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.
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.
POST /v1/audio/speechtextspeech| 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— |
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-turbo", "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-turbo
Verwenden Sie die oben angezeigten Methodenpfade.