Speech 2.6 HD ist für natürliche Sprachsynthese und Anwendungen vorgesehen, bei denen die Antwort rasch beginnen soll. Der Hersteller legt Wert auf Intonation, flüssige Sprache und die Verarbeitung des Textes vor dem Sprechen. Die HD-Variante betont die Klangqualität. Die Eingabe dieser Karte ist Text, die Ausgabe gesprochenes Audio.
Die Speech-2.6-Generation verarbeitet Schreibweisen, die häufig in Arbeitsnachrichten vorkommen: Webseitenadressen, E-Mail-Adressen, Telefonnummern, Datumsangaben und Geldbeträge. Das Modell wandelt sie in eine sprechbare Form um, damit die Äußerung beim Zuhören verständlich bleibt. Der Hersteller beschreibt diese Aufgaben in mehreren Sprachen.
Speech 2.6 bietet den Modus Fluent LoRA zur Verbesserung des Sprachflusses. Er dient zur Synthese mit einer vorbereiteten Stimme: Er hilft, ihre Klangfarbe zu erhalten und zugleich zusammenhängender zu sprechen, selbst wenn die ursprüngliche Vorlage ungleichmäßig war oder einen Akzent enthielt. Die Vorbereitung einer geklonten Stimme und ihr Einsatz bei der Vertonung sind unterschiedliche Aktionen.
Unterstützt werden 40 Sprachen, darunter Russisch. Zusätzlich zu sieben grundlegenden emotionalen Zuständen sieht Speech 2.6 die Varianten fluent für flüssige Sprache und whisper für Flüstern vor. Wird keine Emotion angegeben, wählt das Modell sie anhand des Textinhalts.
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.
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.
Laut MiniMax ist die Generation auf geringe Latenz in Sprachanwendungen ausgerichtet. Das beschreibt das Modell. Die Dauer einer konkreten Antwort und die Verfügbarkeit erweiterter Einstellungen hängen vom gewählten Zugriffsverfahren in Ailoot 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": "### Eine natürliche Stimme für die Interaktion\n\nSpeech 2.6 HD ist für natürliche Sprachsynthese und Anwendungen vorgesehen, bei denen die Antwort rasch beginnen soll. Der Hersteller legt Wert auf Intonation, flüssige Sprache und die Verarbeitung des Textes vor dem Sprechen. Die HD-Variante betont die Klangqualität. Die Eingabe dieser Karte ist Text, die Ausgabe gesprochenes Audio.\n\n### Ungewöhnliche Schreibweisen vorlesen\n\nDie Speech-2.6-Generation verarbeitet Schreibweisen, die häufig in Arbeitsnachrichten vorkommen: Webseitenadressen, E-Mail-Adressen, Telefonnummern, Datumsangaben und Geldbeträge. Das Modell wandelt sie in eine sprechbare Form um, damit die Äußerung beim Zuhören verständlich bleibt. Der Hersteller beschreibt diese Aufgaben in mehreren Sprachen.\n\n### Flüssige Sprache bei gleicher Klangfarbe\n\nSpeech 2.6 bietet den Modus Fluent LoRA zur Verbesserung des Sprachflusses. Er dient zur Synthese mit einer vorbereiteten Stimme: Er hilft, ihre Klangfarbe zu erhalten und zugleich zusammenhängender zu sprechen, selbst wenn die ursprüngliche Vorlage ungleichmäßig war oder einen Akzent enthielt. Die Vorbereitung einer geklonten Stimme und ihr Einsatz bei der Vertonung sind unterschiedliche Aktionen.\n\nUnterstützt werden **40 Sprachen**, darunter Russisch. Zusätzlich zu sieben grundlegenden emotionalen Zuständen sieht Speech 2.6 die Varianten `fluent` für flüssige Sprache und `whisper` für Flüstern vor. Wird keine Emotion angegeben, wählt das Modell sie anhand des Textinhalts.\n\n### Spracheinstellungen\n\nMiniMax 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.\n\nDie 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.\n\n### Textlänge und Audio\n\nDie 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.\n\nLaut MiniMax ist die Generation auf geringe Latenz in Sprachanwendungen ausgerichtet. Das beschreibt das Modell. Die Dauer einer konkreten Antwort und die Verfügbarkeit erweiterter Einstellungen hängen vom gewählten Zugriffsverfahren in Ailoot 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": "46d3f8e4c4af7e4eec019803ed01d36d01ac63ce2dc7b1d67abc771a56fa01ad", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-at", "methods": [ { "html": "speech-2.6-hdSpeech 2.6 HD ist ein Modell für hochwertige Sprachsynthese mit Schwerpunkt auf Natürlichkeit 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 2.6 HD ist für natürliche Sprachsynthese und Anwendungen vorgesehen, bei denen die Antwort rasch beginnen soll. Der Hersteller legt Wert auf Intonation, flüssige Sprache und die Verarbeitung des Textes vor dem Sprechen. Die HD-Variante betont die Klangqualität. Die Eingabe dieser Karte ist Text, die Ausgabe gesprochenes Audio.
Die Speech-2.6-Generation verarbeitet Schreibweisen, die häufig in Arbeitsnachrichten vorkommen: Webseitenadressen, E-Mail-Adressen, Telefonnummern, Datumsangaben und Geldbeträge. Das Modell wandelt sie in eine sprechbare Form um, damit die Äußerung beim Zuhören verständlich bleibt. Der Hersteller beschreibt diese Aufgaben in mehreren Sprachen.
Speech 2.6 bietet den Modus Fluent LoRA zur Verbesserung des Sprachflusses. Er dient zur Synthese mit einer vorbereiteten Stimme: Er hilft, ihre Klangfarbe zu erhalten und zugleich zusammenhängender zu sprechen, selbst wenn die ursprüngliche Vorlage ungleichmäßig war oder einen Akzent enthielt. Die Vorbereitung einer geklonten Stimme und ihr Einsatz bei der Vertonung sind unterschiedliche Aktionen.
Unterstützt werden 40 Sprachen, darunter Russisch. Zusätzlich zu sieben grundlegenden emotionalen Zuständen sieht Speech 2.6 die Varianten fluent für flüssige Sprache und whisper für Flüstern vor. Wird keine Emotion angegeben, wählt das Modell sie anhand des Textinhalts.
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.
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.
Laut MiniMax ist die Generation auf geringe Latenz in Sprachanwendungen ausgerichtet. Das beschreibt das Modell. Die Dauer einer konkreten Antwort und die Verfügbarkeit erweiterter Einstellungen hängen vom gewählten Zugriffsverfahren in Ailoot 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-2.6-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-2.6-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-2.6-hd
Verwenden Sie die oben angezeigten Methodenpfade.