{ "aboutHtml": "

Speech 2.6 HD ist genau die MiniMax-Sprachmodellversion, die durch model: "minimax/speech-2.6-hd" ausgewählt wird. Verwenden Sie POST /v1/audio/speech mit einem application/json-Body, der model und den zu sprechenden text enthält. Die Eingabe ist ein schriftliches Skript, das Ergebnis synthetisiertes Audio. Bereiten Sie für eine Lernpassage die genaue Erklärung und die vorzulesenden Beispiele vor. Schreiben Sie für eine Produktführung die gesprochene Abfolge in derselben Reihenfolge wie die sichtbaren Schritte. Ein Erzählskript kann vollständige Sätze und bewusst gesetzte Satzzeichen enthalten; halten Sie redaktionelle Anweisungen, die stumm bleiben sollen, ausserhalb von text.

Das Feld text darf nicht leer sein und muss weniger als 10 000 Unicode-Zeichen enthalten. Senden Sie das vollständige gesprochene Skript mit stream:false oder lassen Sie stream weg. Teilen Sie längeres Material vor der Übermittlung der einzelnen Segmente in separate vollständige Skriptabschnitte auf. Ein Dokument lässt sich verwenden, indem Sie seinen tatsächlichen Inhalt lesen und die relevante Passage in text einfügen; eine Dokument-URL ersetzt das Skript nicht.

Wählen Sie über voice_setting.voice_id eine Stimme. Die dokumentierten Stimmkategorien umfassen Systemstimmen sowie bereits erstellte geklonte oder anhand von Text gestaltete Stimmen; verwenden Sie eine gültige Stimm-ID für die gewählte Kategorie. Die Beispielstimme lautet audiobook_male_1. Dasselbe Objekt steuert speed von 0.5 bis 2, vol über 0 und bis zu 10 sowie den ganzzahligen pitch von -12 bis 12. Ihre Standardwerte sind 1, 1 und 0. Diese Steuerungen passen verschiedene Aspekte des gesprochenen Vortrags an; wählen Sie sie daher separat, statt ihre Namen in das Skript einzufügen.

voice_setting.emotion akzeptiert happy, sad, angry, fearful, disgusted, surprised, calm und fluent. Die Dokumentation beschreibt ausserdem eine automatische Anpassung der Emotion an den Text. Bei Skripten mit vielen Zahlen aktiviert voice_setting.text_normalization die chinesische und englische Textnormalisierung und hat den Standardwert false. voice_setting.latex_read steuert das Lesen von LaTeX-Ausdrücken und hat ebenfalls den Standardwert false. pronunciation_dict.tone ist ein Array von Zeichenfolgen mit Ausspracheregeln. Das veröffentlichte Beispiel lautet ["草地/(cao3)(di1)"]; behalten Sie beim Angeben einer Regel das Wort, den Schrägstrich und die Aussprache in Klammern bei.

audio_setting.format akzeptiert mp3, pcm, flac und wav mit dem Standardwert mp3. sample_rate akzeptiert 8000, 16000, 22050, 24000, 32000 und 44100 Hz; der Standardwert ist 32000. channel ist 1 für Mono oder 2 für zwei Kanäle und hat den Standardwert 1. Die bitrate-Werte sind 32000, 64000, 128000 und 256000 Bits pro Sekunde mit dem Standardwert 128000 und gelten für mp3. Wählen Sie die Kodierung, die der Player oder das Bearbeitungswerkzeug benötigt, das das Ergebnis verwenden wird.

language_boost ist eine optionale Zeichenfolge und hat den Standardwert null. Die erlaubten Werte sind Chinese, Chinese,Yue, English, Arabic, Russian, Spanish, French, Portuguese, German, Turkish, Dutch, Ukrainian, Vietnamese, Indonesian, Japanese, Italian, Korean, Thai, Polish, Romanian, Greek, Czech, Finnish, Hindi, Bulgarian, Danish, Hebrew, Malay, Persian, Slovak, Swedish, Croatian, Filipino, Hungarian, Norwegian, Slovenian, Catalan, Nynorsk, Tamil, Afrikaans und auto. "Chinese,Yue" ist ein Wert. Es ist eine vom Skript und der Stimm-ID getrennte Steuerung. Das Schema stellt ausserdem timber_weights für eine Liste von Paaren aus voice_id und ganzzahligem weight bereit, mit jedem weight von 1 bis 100. Behalten Sie beim Vorbereiten einer Anfrage die Parameterschreibweise timber_weights bei. voice_modify.sound_effects ist eine optionale Zeichenfolge mit den Werten spacious_echo, auditorium_echo, lofi_telephone und robotic.

stream hat den Standardwert false. Für eine vollständige Antwort wählt output_format url oder hex und hat den Standardwert hex. Im dokumentierten JSON-Ergebnis enthält data.audio die gewählte Darstellung: Laden Sie die vollständige signierte Ailoot-URL einschliesslich ihrer Abfragezeichenfolge herunter oder dekodieren Sie die vollständigen hexadezimalen Audiodaten in Bytes. Bewahren Sie das ursprüngliche Ergebnis zusammen mit data.status, base_resp, trace_id und extra_info auf; Letzteres enthält das tatsächliche Audioformat, die Abtastrate, die Kanalzahl, die Grösse und usage_characters.

subtitle_enable ist ein boolescher Wert mit dem Standardwert false und gilt für Ausgaben ohne Streaming. aigc_watermark ist ein boolescher Wert mit dem Standardwert false und steuert eine hörbare Rhythmusmarkierung am Ende der generierten Audiodatei. Bewahren Sie jedes zurückgegebene Audio- oder Untertitelergebnis auf und prüfen Sie Aussprache, Zahlen und die fertige Datei, bevor Sie sie in die Anwendung einfügen. Ist die Übertragung ungewiss, bewahren Sie die ursprüngliche Anfragekennung und die Antwort auf, um den bestehenden Versuch zu prüfen. Ailoot speichert die fertige Audiodatei ausserdem in Ihrer Medienbibliothek. Bei output_format:"url" enthält data.audio einen signierten Link zu diesem gespeicherten Asset; die Asset-ID steht in dessen Pfad /v1/media/assets/{asset_id}/content. Signierte Ailoot-Dateilinks sind ab Ausstellung 24 Stunden gültig. Verwenden Sie denselben API-Schlüssel, um GET /v1/media/assets?family=audio abzurufen, und folgen Sie jedem next_cursor, um die Audio-Asset-Datensätze zu finden. Lesen Sie GET /v1/media/assets/{asset_id} für jeden ausgewählten Datensatz und laden Sie dessen genaue content_url einschliesslich der Abfragezeichenfolge herunter. Wenn eine Dateianfrage 404 mit dem Code link_expired zurückgibt, lesen Sie dasselbe Asset erneut, um eine aktualisierte content_url zu erhalten. Aktualisieren Sie das gespeicherte Ergebnis, statt zur Ersetzung eines abgelaufenen Links erneut Audio zu generieren.

", "aboutText": "Speech 2.6 HD ist genau die MiniMax-Sprachmodellversion, die durch model: \"minimax/speech-2.6-hd\" ausgewählt wird. Verwenden Sie POST /v1/audio/speech mit einem application/json-Body, der model und den zu sprechenden text enthält. Die Eingabe ist ein schriftliches Skript, das Ergebnis synthetisiertes Audio. Bereiten Sie für eine Lernpassage die genaue Erklärung und die vorzulesenden Beispiele vor. Schreiben Sie für eine Produktführung die gesprochene Abfolge in derselben Reihenfolge wie die sichtbaren Schritte. Ein Erzählskript kann vollständige Sätze und bewusst gesetzte Satzzeichen enthalten; halten Sie redaktionelle Anweisungen, die stumm bleiben sollen, ausserhalb von text.\n\nDas Feld text darf nicht leer sein und muss weniger als 10 000 Unicode-Zeichen enthalten. Senden Sie das vollständige gesprochene Skript mit stream:false oder lassen Sie stream weg. Teilen Sie längeres Material vor der Übermittlung der einzelnen Segmente in separate vollständige Skriptabschnitte auf. Ein Dokument lässt sich verwenden, indem Sie seinen tatsächlichen Inhalt lesen und die relevante Passage in text einfügen; eine Dokument-URL ersetzt das Skript nicht.\n\nWählen Sie über voice_setting.voice_id eine Stimme. Die dokumentierten Stimmkategorien umfassen Systemstimmen sowie bereits erstellte geklonte oder anhand von Text gestaltete Stimmen; verwenden Sie eine gültige Stimm-ID für die gewählte Kategorie. Die Beispielstimme lautet audiobook_male_1. Dasselbe Objekt steuert speed von 0.5 bis 2, vol über 0 und bis zu 10 sowie den ganzzahligen pitch von -12 bis 12. Ihre Standardwerte sind 1, 1 und 0. Diese Steuerungen passen verschiedene Aspekte des gesprochenen Vortrags an; wählen Sie sie daher separat, statt ihre Namen in das Skript einzufügen.\n\nvoice_setting.emotion akzeptiert happy, sad, angry, fearful, disgusted, surprised, calm und fluent. Die Dokumentation beschreibt ausserdem eine automatische Anpassung der Emotion an den Text. Bei Skripten mit vielen Zahlen aktiviert voice_setting.text_normalization die chinesische und englische Textnormalisierung und hat den Standardwert false. voice_setting.latex_read steuert das Lesen von LaTeX-Ausdrücken und hat ebenfalls den Standardwert false. pronunciation_dict.tone ist ein Array von Zeichenfolgen mit Ausspracheregeln. Das veröffentlichte Beispiel lautet [\"草地/(cao3)(di1)\"]; behalten Sie beim Angeben einer Regel das Wort, den Schrägstrich und die Aussprache in Klammern bei.\n\naudio_setting.format akzeptiert mp3, pcm, flac und wav mit dem Standardwert mp3. sample_rate akzeptiert 8000, 16000, 22050, 24000, 32000 und 44100 Hz; der Standardwert ist 32000. channel ist 1 für Mono oder 2 für zwei Kanäle und hat den Standardwert 1. Die bitrate-Werte sind 32000, 64000, 128000 und 256000 Bits pro Sekunde mit dem Standardwert 128000 und gelten für mp3. Wählen Sie die Kodierung, die der Player oder das Bearbeitungswerkzeug benötigt, das das Ergebnis verwenden wird.\n\nlanguage_boost ist eine optionale Zeichenfolge und hat den Standardwert null. Die erlaubten Werte sind Chinese, Chinese,Yue, English, Arabic, Russian, Spanish, French, Portuguese, German, Turkish, Dutch, Ukrainian, Vietnamese, Indonesian, Japanese, Italian, Korean, Thai, Polish, Romanian, Greek, Czech, Finnish, Hindi, Bulgarian, Danish, Hebrew, Malay, Persian, Slovak, Swedish, Croatian, Filipino, Hungarian, Norwegian, Slovenian, Catalan, Nynorsk, Tamil, Afrikaans und auto. \"Chinese,Yue\" ist ein Wert. Es ist eine vom Skript und der Stimm-ID getrennte Steuerung. Das Schema stellt ausserdem timber_weights für eine Liste von Paaren aus voice_id und ganzzahligem weight bereit, mit jedem weight von 1 bis 100. Behalten Sie beim Vorbereiten einer Anfrage die Parameterschreibweise timber_weights bei. voice_modify.sound_effects ist eine optionale Zeichenfolge mit den Werten spacious_echo, auditorium_echo, lofi_telephone und robotic.\n\nstream hat den Standardwert false. Für eine vollständige Antwort wählt output_format url oder hex und hat den Standardwert hex. Im dokumentierten JSON-Ergebnis enthält data.audio die gewählte Darstellung: Laden Sie die vollständige signierte Ailoot-URL einschliesslich ihrer Abfragezeichenfolge herunter oder dekodieren Sie die vollständigen hexadezimalen Audiodaten in Bytes. Bewahren Sie das ursprüngliche Ergebnis zusammen mit data.status, base_resp, trace_id und extra_info auf; Letzteres enthält das tatsächliche Audioformat, die Abtastrate, die Kanalzahl, die Grösse und usage_characters.\n\nsubtitle_enable ist ein boolescher Wert mit dem Standardwert false und gilt für Ausgaben ohne Streaming. aigc_watermark ist ein boolescher Wert mit dem Standardwert false und steuert eine hörbare Rhythmusmarkierung am Ende der generierten Audiodatei. Bewahren Sie jedes zurückgegebene Audio- oder Untertitelergebnis auf und prüfen Sie Aussprache, Zahlen und die fertige Datei, bevor Sie sie in die Anwendung einfügen. Ist die Übertragung ungewiss, bewahren Sie die ursprüngliche Anfragekennung und die Antwort auf, um den bestehenden Versuch zu prüfen. Ailoot speichert die fertige Audiodatei ausserdem in Ihrer Medienbibliothek. Bei output_format:\"url\" enthält data.audio einen signierten Link zu diesem gespeicherten Asset; die Asset-ID steht in dessen Pfad /v1/media/assets/{asset_id}/content. Signierte Ailoot-Dateilinks sind ab Ausstellung 24 Stunden gültig. Verwenden Sie denselben API-Schlüssel, um GET /v1/media/assets?family=audio abzurufen, und folgen Sie jedem next_cursor, um die Audio-Asset-Datensätze zu finden. Lesen Sie GET /v1/media/assets/{asset_id} für jeden ausgewählten Datensatz und laden Sie dessen genaue content_url einschliesslich der Abfragezeichenfolge herunter. Wenn eine Dateianfrage 404 mit dem Code link_expired zurückgibt, lesen Sie dasselbe Asset erneut, um eine aktualisierte content_url zu erhalten. Aktualisieren Sie das gespeicherte Ergebnis, statt zur Ersetzung eines abgelaufenen Links erneut Audio zu generieren.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "53753d3ceb2b0d27901574c48898a45cd7b89fb866bb5478bd14dbac12712b23", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-ch", "methods": [ { "html": "
MM

MiniMax: Speech 2.6 HD

MiniMax /minimax/speech-2.6-hd

Einstieg

Speech 2.6 HD ist ein MiniMax-Modell zur Sprachsynthese, das ein fertiges Skript in Audio umwandelt. Die Ausgabe minimax/speech-2.6-hd stellt Steuerungen für Stimme, Vortrag und Audioformat mit einer vollständigen JSON-Antwort und einer Auswahl zwischen URL- und hexadezimaler Audioausgabe bereit. Verwenden Sie es, um einen bereitgestellten Sprechertext, eine Lernpassage oder eine Produktführung als Sprache auszugeben.

Zulässige Eingaben
Text
Ergebnisse
Audio
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.

Speech 2.6 HD ist genau die MiniMax-Sprachmodellversion, die durch model: "minimax/speech-2.6-hd" ausgewählt wird. Verwenden Sie POST /v1/audio/speech mit einem application/json-Body, der model und den zu sprechenden text enthält. Die Eingabe ist ein schriftliches Skript, das Ergebnis synthetisiertes Audio. Bereiten Sie für eine Lernpassage die genaue Erklärung und die vorzulesenden Beispiele vor. Schreiben Sie für eine Produktführung die gesprochene Abfolge in derselben Reihenfolge wie die sichtbaren Schritte. Ein Erzählskript kann vollständige Sätze und bewusst gesetzte Satzzeichen enthalten; halten Sie redaktionelle Anweisungen, die stumm bleiben sollen, ausserhalb von text.

Das Feld text darf nicht leer sein und muss weniger als 10 000 Unicode-Zeichen enthalten. Senden Sie das vollständige gesprochene Skript mit stream:false oder lassen Sie stream weg. Teilen Sie längeres Material vor der Übermittlung der einzelnen Segmente in separate vollständige Skriptabschnitte auf. Ein Dokument lässt sich verwenden, indem Sie seinen tatsächlichen Inhalt lesen und die relevante Passage in text einfügen; eine Dokument-URL ersetzt das Skript nicht.

Wählen Sie über voice_setting.voice_id eine Stimme. Die dokumentierten Stimmkategorien umfassen Systemstimmen sowie bereits erstellte geklonte oder anhand von Text gestaltete Stimmen; verwenden Sie eine gültige Stimm-ID für die gewählte Kategorie. Die Beispielstimme lautet audiobook_male_1. Dasselbe Objekt steuert speed von 0.5 bis 2, vol über 0 und bis zu 10 sowie den ganzzahligen pitch von -12 bis 12. Ihre Standardwerte sind 1, 1 und 0. Diese Steuerungen passen verschiedene Aspekte des gesprochenen Vortrags an; wählen Sie sie daher separat, statt ihre Namen in das Skript einzufügen.

voice_setting.emotion akzeptiert happy, sad, angry, fearful, disgusted, surprised, calm und fluent. Die Dokumentation beschreibt ausserdem eine automatische Anpassung der Emotion an den Text. Bei Skripten mit vielen Zahlen aktiviert voice_setting.text_normalization die chinesische und englische Textnormalisierung und hat den Standardwert false. voice_setting.latex_read steuert das Lesen von LaTeX-Ausdrücken und hat ebenfalls den Standardwert false. pronunciation_dict.tone ist ein Array von Zeichenfolgen mit Ausspracheregeln. Das veröffentlichte Beispiel lautet ["草地/(cao3)(di1)"]; behalten Sie beim Angeben einer Regel das Wort, den Schrägstrich und die Aussprache in Klammern bei.

audio_setting.format akzeptiert mp3, pcm, flac und wav mit dem Standardwert mp3. sample_rate akzeptiert 8000, 16000, 22050, 24000, 32000 und 44100 Hz; der Standardwert ist 32000. channel ist 1 für Mono oder 2 für zwei Kanäle und hat den Standardwert 1. Die bitrate-Werte sind 32000, 64000, 128000 und 256000 Bits pro Sekunde mit dem Standardwert 128000 und gelten für mp3. Wählen Sie die Kodierung, die der Player oder das Bearbeitungswerkzeug benötigt, das das Ergebnis verwenden wird.

language_boost ist eine optionale Zeichenfolge und hat den Standardwert null. Die erlaubten Werte sind Chinese, Chinese,Yue, English, Arabic, Russian, Spanish, French, Portuguese, German, Turkish, Dutch, Ukrainian, Vietnamese, Indonesian, Japanese, Italian, Korean, Thai, Polish, Romanian, Greek, Czech, Finnish, Hindi, Bulgarian, Danish, Hebrew, Malay, Persian, Slovak, Swedish, Croatian, Filipino, Hungarian, Norwegian, Slovenian, Catalan, Nynorsk, Tamil, Afrikaans und auto. "Chinese,Yue" ist ein Wert. Es ist eine vom Skript und der Stimm-ID getrennte Steuerung. Das Schema stellt ausserdem timber_weights für eine Liste von Paaren aus voice_id und ganzzahligem weight bereit, mit jedem weight von 1 bis 100. Behalten Sie beim Vorbereiten einer Anfrage die Parameterschreibweise timber_weights bei. voice_modify.sound_effects ist eine optionale Zeichenfolge mit den Werten spacious_echo, auditorium_echo, lofi_telephone und robotic.

stream hat den Standardwert false. Für eine vollständige Antwort wählt output_format url oder hex und hat den Standardwert hex. Im dokumentierten JSON-Ergebnis enthält data.audio die gewählte Darstellung: Laden Sie die vollständige signierte Ailoot-URL einschliesslich ihrer Abfragezeichenfolge herunter oder dekodieren Sie die vollständigen hexadezimalen Audiodaten in Bytes. Bewahren Sie das ursprüngliche Ergebnis zusammen mit data.status, base_resp, trace_id und extra_info auf; Letzteres enthält das tatsächliche Audioformat, die Abtastrate, die Kanalzahl, die Grösse und usage_characters.

subtitle_enable ist ein boolescher Wert mit dem Standardwert false und gilt für Ausgaben ohne Streaming. aigc_watermark ist ein boolescher Wert mit dem Standardwert false und steuert eine hörbare Rhythmusmarkierung am Ende der generierten Audiodatei. Bewahren Sie jedes zurückgegebene Audio- oder Untertitelergebnis auf und prüfen Sie Aussprache, Zahlen und die fertige Datei, bevor Sie sie in die Anwendung einfügen. Ist die Übertragung ungewiss, bewahren Sie die ursprüngliche Anfragekennung und die Antwort auf, um den bestehenden Versuch zu prüfen. Ailoot speichert die fertige Audiodatei ausserdem in Ihrer Medienbibliothek. Bei output_format:"url" enthält data.audio einen signierten Link zu diesem gespeicherten Asset; die Asset-ID steht in dessen Pfad /v1/media/assets/{asset_id}/content. Signierte Ailoot-Dateilinks sind ab Ausstellung 24 Stunden gültig. Verwenden Sie denselben API-Schlüssel, um GET /v1/media/assets?family=audio abzurufen, und folgen Sie jedem next_cursor, um die Audio-Asset-Datensätze zu finden. Lesen Sie GET /v1/media/assets/{asset_id} für jeden ausgewählten Datensatz und laden Sie dessen genaue content_url einschliesslich der Abfragezeichenfolge herunter. Wenn eine Dateianfrage 404 mit dem Code link_expired zurückgibt, lesen Sie dasselbe Asset erneut, um eine aktualisierte content_url zu erhalten. Aktualisieren Sie das gespeicherte Ergebnis, statt zur Ersetzung eines abgelaufenen Links erneut Audio zu generieren.

In Ailoot verfügbar · Eingaben und Methoden

Ailoot Ultra · Speech POST /v1/audio/speech
Eingabe
text
Ausgabe
audio
Ausgabeformat
mp3,pcm,flac,wav
FeldTypAnforderungWerte und LimitsStandard
FeldmodelTypstringAnforderungErforderlichWerte und Limits
minimax/speech-2.6-hd
Standard—
FeldtextTypstringAnforderungErforderlichWerte und LimitsStandard—
FeldstreamTypbooleanAnforderungOptionalWerte und Limits
false
Standardfalse
Feldvoice_settingTypobjectAnforderungOptionalWerte und LimitsStandard—
Feldvoice_setting.voice_idTypstringAnforderungOptionalWerte und LimitsStandard—
Feldvoice_setting.speedTypnumberAnforderungOptionalWerte und Limits
Minimum: 0.5
Maximum: 2
Standard1
Feldvoice_setting.volTypnumberAnforderungOptionalWerte und Limits
Minimum: 0
Maximum: 10
Standard1
Feldvoice_setting.pitchTypintegerAnforderungOptionalWerte und Limits
Minimum: -12
Maximum: 12
Standard0
Feldvoice_setting.emotionTypstringAnforderungOptionalWerte und Limits
happy, sad, angry, fearful, disgusted, surprised, calm, fluent
Standard—
Feldvoice_setting.text_normalizationTypbooleanAnforderungOptionalWerte und LimitsStandardfalse
Feldvoice_setting.latex_readTypbooleanAnforderungOptionalWerte und LimitsStandardfalse
Feldaudio_settingTypobjectAnforderungOptionalWerte und LimitsStandard—
Feldaudio_setting.sample_rateTypintegerAnforderungOptionalWerte und Limits
8'000, 16'000, 22'050, 24'000, 32'000, 44'100
Standard32'000
Feldaudio_setting.bitrateTypintegerAnforderungOptionalWerte und Limits
32'000, 64'000, 128'000, 256'000
Standard128'000
Feldaudio_setting.formatTypstringAnforderungOptionalWerte und Limits
mp3, pcm, flac, wav
Standardmp3
Feldaudio_setting.channelTypintegerAnforderungOptionalWerte und Limits
1, 2
Standard1
Feldaudio_setting.force_cbrTypbooleanAnforderungOptionalWerte und LimitsStandardfalse
Feldpronunciation_dictTypobjectAnforderungOptionalWerte und LimitsStandard—
Feldpronunciation_dict.toneTyparrayAnforderungOptionalWerte und LimitsStandard—
Feldtimber_weightsTyparrayAnforderungOptionalWerte und LimitsStandard—
Feldlanguage_boostTypstringAnforderungOptionalWerte und Limits
Chinese, Chinese,Yue, English, Arabic, Russian, Spanish, French, Portuguese, German, Turkish, Dutch, Ukrainian, Vietnamese, Indonesian, Japanese, Italian, Korean, Thai, Polish, Romanian, Greek, Czech, Finnish, Hindi, Bulgarian, Danish, Hebrew, Malay, Persian, Slovak, Swedish, Croatian, Filipino, Hungarian, Norwegian, Slovenian, Catalan, Nynorsk, Tamil, Afrikaans, auto
Standard—
Feldvoice_modifyTypobjectAnforderungOptionalWerte und LimitsStandard—
Feldvoice_modify.pitchTypintegerAnforderungOptionalWerte und Limits
-100, 100
Standard—
Feldvoice_modify.intensityTypintegerAnforderungOptionalWerte und Limits
-100, 100
Standard—
Feldvoice_modify.timbreTypintegerAnforderungOptionalWerte und Limits
-100, 100
Standard—
Feldvoice_modify.sound_effectsTypstringAnforderungOptionalWerte und Limits
spacious_echo, auditorium_echo, lofi_telephone, robotic
Standard—
Feldsubtitle_enableTypbooleanAnforderungOptionalWerte und LimitsStandardfalse
Feldoutput_formatTypstringAnforderungOptionalWerte und Limits
url, hex
Standardhex
Feldaigc_watermarkTypbooleanAnforderungOptionalWerte und LimitsStandardfalse
Methodenparameter und Lebenszyklus
ParameterVertrag
Parametercontent_typeVertragapplication/json
ParameterrequiredVertragmodel, text
ParameteroptionalVertragstream, voice_setting, audio_setting, pronunciation_dict, timber_weights, language_boost, voice_modify, subtitle_enable, output_format, aigc_watermark
Parametermaterial_typesVertragtext
ParameterconditionsVertragUse text, not input or contents. Fewer than 10000 Unicode characters; stream is false or omitted., PCM is raw audio with its returned sample geometry; do not invent a WAV header or bit depth.

Lebenszyklus: synchronous_result_then_owned_library

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

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.

KonfigurationTarifstaffelAbrechnungseinheitGebühr
KonfigurationToken-BasistarifeTarifstaffelGrundtarifAbrechnungseinheit—Gebühr
Eingabe · Eingabetoken — / 1K Tokens
Ausgabe · Ausgabetoken — / 1K Tokens
Eingabe · Cache lesen — / 1K Tokens
Eingabe · Cache schreiben — / 1K Tokens
Eingabe · Cache schreiben, 1 Stunde — / 1K Tokens
KonfigurationEingabezeichenTarifstaffel—Abrechnungseinheitpro EingabezeichenGebühr
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 · Speech

set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "minimax/speech-2.6-hd", "text": "Hello, this is a short speech example.", "stream": false, "output_format": "hex", "audio_setting": {"format": "mp3", "sample_rate": 32000, "channel": 1}}')\n\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 result.json\n# Submit once. Retain the complete result, original identifiers and every response header.\n

Ergebnisse abrufen und speichern

Ailoot Ultra · Speech

mp3,pcm,flac,wav

Alle fertiggestellten Ergebnisse aufbewahren

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

Retain the full JSON. Decode every hex audio byte or use the returned owned URL. Keep the actual format, sample rate, channel count and usage_characters.

Wenn die ursprüngliche Antwort geprüft werden muss

Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.

Antwortfelder
FeldTyp
Felddata.audioTypstring
Feldextra_infoTypobject
Feldtrace_idTypstring

Aliasnamen

Modellaliasnamen

Ailoot Ultra minimax/speech-2.6-hd

Aliasnamen für Methodenpfade

Verwenden Sie die oben angezeigten Methodenpfade.

Zugehörige Aufrufer-IDs

minimax/speech-2.6-hd

", "method_identity": { "effective_request_model_id": "minimax/speech-2.6-hd", "fmt": "speech", "http": "POST", "path": "/v1/audio/speech", "request_model_id": "minimax/speech-2.6-hd", "route_label": "Ultra" }, "method_key": "Ultra|speech|/v1/audio/speech|minimax%2Fspeech-2.6-hd", "ordinal": 0, "rawMethod": { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Retain the complete response, all actual results, original identifiers, usage and response headers.", "authentication": { "api_key_source": "AILOOT_API_KEY", "header": "Authorization: Bearer" }, "example_body": { "audio_setting": { "channel": 1, "format": "mp3", "sample_rate": 32000 }, "model": "minimax/speech-2.6-hd", "output_format": "hex", "stream": false, "text": "Hello, this is a short speech example." }, "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets", "query": { "cursor": "actual returned next_cursor, when present", "family": "audio" } }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "cancel_endpoint": null, "create": { "http": "POST", "path": "/v1/audio/speech" }, "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "owned_content": { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "Use the exact returned content_url. Refresh an expired link by reading the same existing asset." }, "status": [], "unknown": "Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.", "unknown_no_replay": true }, "outputs": { "all_results": "Retain the full JSON. Decode every hex audio byte or use the returned owned URL. Keep the actual format, sample rate, channel count and usage_characters.", "family": "audio", "fields": [ { "name": "data.audio", "type": "string" }, { "name": "extra_info", "type": "object" }, { "name": "trace_id", "type": "string" } ], "format": [ "mp3", "pcm", "flac", "wav" ] }, "parameters": [ { "default_known": false, "enum": [ "minimax/speech-2.6-hd" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "default_known": false, "enum_known": false, "maxLength": 9999, "minLength": 1, "name": "text", "required": true, "type": "string" }, { "default": false, "default_known": true, "enum": [ false ], "enum_known": true, "name": "stream", "required": false, "type": "boolean" }, { "default_known": false, "enum_known": false, "name": "voice_setting", "properties": { "emotion": { "enum": [ "happy", "sad", "angry", "fearful", "disgusted", "surprised", "calm", "fluent" ], "type": "string" }, "latex_read": { "default": false, "type": "boolean" }, "pitch": { "default": 0, "maximum": 12, "minimum": -12, "type": "integer" }, "speed": { "default": 1, "maximum": 2, "minimum": 0.5, "type": "number" }, "text_normalization": { "default": false, "type": "boolean" }, "voice_id": { "type": "string" }, "vol": { "default": 1, "exclusiveMinimum": true, "maximum": 10, "minimum": 0, "type": "number" } }, "required": false, "type": "object" }, { "default_known": false, "enum_known": false, "name": "voice_setting.voice_id", "required": false, "type": "string" }, { "default": 1, "default_known": true, "enum_known": false, "maximum": 2, "minimum": 0.5, "name": "voice_setting.speed", "required": false, "type": "number" }, { "default": 1, "default_known": true, "enum_known": false, "exclusiveMinimum": true, "maximum": 10, "minimum": 0, "name": "voice_setting.vol", "required": false, "type": "number" }, { "default": 0, "default_known": true, "enum_known": false, "maximum": 12, "minimum": -12, "name": "voice_setting.pitch", "required": false, "type": "integer" }, { "default_known": false, "enum": [ "happy", "sad", "angry", "fearful", "disgusted", "surprised", "calm", "fluent" ], "enum_known": true, "name": "voice_setting.emotion", "required": false, "type": "string" }, { "default": false, "default_known": true, "enum_known": false, "name": "voice_setting.text_normalization", "required": false, "type": "boolean" }, { "default": false, "default_known": true, "enum_known": false, "name": "voice_setting.latex_read", "required": false, "type": "boolean" }, { "default_known": false, "enum_known": false, "name": "audio_setting", "properties": { "bitrate": { "default": 128000, "enum": [ 32000, 64000, 128000, 256000 ], "type": "integer" }, "channel": { "default": 1, "enum": [ 1, 2 ], "type": "integer" }, "force_cbr": { "default": false, "type": "boolean" }, "format": { "default": "mp3", "enum": [ "mp3", "pcm", "flac", "wav" ], "type": "string" }, "sample_rate": { "default": 32000, "enum": [ 8000, 16000, 22050, 24000, 32000, 44100 ], "type": "integer" } }, "required": false, "type": "object" }, { "default": 32000, "default_known": true, "enum": [ 8000, 16000, 22050, 24000, 32000, 44100 ], "enum_known": true, "name": "audio_setting.sample_rate", "required": false, "type": "integer" }, { "default": 128000, "default_known": true, "enum": [ 32000, 64000, 128000, 256000 ], "enum_known": true, "name": "audio_setting.bitrate", "required": false, "type": "integer" }, { "default": "mp3", "default_known": true, "enum": [ "mp3", "pcm", "flac", "wav" ], "enum_known": true, "name": "audio_setting.format", "required": false, "type": "string" }, { "default": 1, "default_known": true, "enum": [ 1, 2 ], "enum_known": true, "name": "audio_setting.channel", "required": false, "type": "integer" }, { "default": false, "default_known": true, "enum_known": false, "name": "audio_setting.force_cbr", "required": false, "type": "boolean" }, { "default_known": false, "enum_known": false, "name": "pronunciation_dict", "properties": { "tone": { "items": { "type": "string" }, "type": "array" } }, "required": false, "type": "object" }, { "default_known": false, "enum_known": false, "items": { "type": "string" }, "name": "pronunciation_dict.tone", "required": false, "type": "array" }, { "default_known": false, "enum_known": false, "items": { "properties": { "voice_id": { "type": "string" }, "weight": { "type": "integer" } }, "type": "object" }, "name": "timber_weights", "required": false, "type": "array" }, { "default_known": false, "enum": [ "Chinese", "Chinese,Yue", "English", "Arabic", "Russian", "Spanish", "French", "Portuguese", "German", "Turkish", "Dutch", "Ukrainian", "Vietnamese", "Indonesian", "Japanese", "Italian", "Korean", "Thai", "Polish", "Romanian", "Greek", "Czech", "Finnish", "Hindi", "Bulgarian", "Danish", "Hebrew", "Malay", "Persian", "Slovak", "Swedish", "Croatian", "Filipino", "Hungarian", "Norwegian", "Slovenian", "Catalan", "Nynorsk", "Tamil", "Afrikaans", "auto" ], "enum_known": true, "name": "language_boost", "required": false, "type": "string" }, { "default_known": false, "enum_known": false, "name": "voice_modify", "properties": { "intensity": { "enum": [ -100, 100 ], "type": "integer" }, "pitch": { "enum": [ -100, 100 ], "type": "integer" }, "sound_effects": { "enum": [ "spacious_echo", "auditorium_echo", "lofi_telephone", "robotic" ], "type": "string" }, "timbre": { "enum": [ -100, 100 ], "type": "integer" } }, "required": false, "type": "object" }, { "default_known": false, "enum": [ -100, 100 ], "enum_known": true, "name": "voice_modify.pitch", "required": false, "type": "integer" }, { "default_known": false, "enum": [ -100, 100 ], "enum_known": true, "name": "voice_modify.intensity", "required": false, "type": "integer" }, { "default_known": false, "enum": [ -100, 100 ], "enum_known": true, "name": "voice_modify.timbre", "required": false, "type": "integer" }, { "default_known": false, "enum": [ "spacious_echo", "auditorium_echo", "lofi_telephone", "robotic" ], "enum_known": true, "name": "voice_modify.sound_effects", "required": false, "type": "string" }, { "default": false, "default_known": true, "enum_known": false, "name": "subtitle_enable", "required": false, "type": "boolean" }, { "default": "hex", "default_known": true, "enum": [ "url", "hex" ], "enum_known": true, "name": "output_format", "required": false, "type": "string" }, { "default": false, "default_known": true, "enum_known": false, "name": "aigc_watermark", "required": false, "type": "boolean" } ], "request_schema": { "properties": { "aigc_watermark": { "default": false, "type": "boolean" }, "audio_setting": { "properties": { "bitrate": { "default": 128000, "enum": [ 32000, 64000, 128000, 256000 ], "type": "integer" }, "channel": { "default": 1, "enum": [ 1, 2 ], "type": "integer" }, "force_cbr": { "default": false, "type": "boolean" }, "format": { "default": "mp3", "enum": [ "mp3", "pcm", "flac", "wav" ], "type": "string" }, "sample_rate": { "default": 32000, "enum": [ 8000, 16000, 22050, 24000, 32000, 44100 ], "type": "integer" } }, "type": "object" }, "language_boost": { "enum": [ "Chinese", "Chinese,Yue", "English", "Arabic", "Russian", "Spanish", "French", "Portuguese", "German", "Turkish", "Dutch", "Ukrainian", "Vietnamese", "Indonesian", "Japanese", "Italian", "Korean", "Thai", "Polish", "Romanian", "Greek", "Czech", "Finnish", "Hindi", "Bulgarian", "Danish", "Hebrew", "Malay", "Persian", "Slovak", "Swedish", "Croatian", "Filipino", "Hungarian", "Norwegian", "Slovenian", "Catalan", "Nynorsk", "Tamil", "Afrikaans", "auto" ], "type": "string" }, "model": { "enum": [ "minimax/speech-2.6-hd" ], "type": "string" }, "output_format": { "default": "hex", "enum": [ "url", "hex" ], "type": "string" }, "pronunciation_dict": { "properties": { "tone": { "items": { "type": "string" }, "type": "array" } }, "type": "object" }, "stream": { "default": false, "enum": [ false ], "type": "boolean" }, "subtitle_enable": { "default": false, "type": "boolean" }, "text": { "maxLength": 9999, "minLength": 1, "type": "string" }, "timber_weights": { "items": { "properties": { "voice_id": { "type": "string" }, "weight": { "type": "integer" } }, "type": "object" }, "type": "array" }, "voice_modify": { "properties": { "intensity": { "enum": [ -100, 100 ], "type": "integer" }, "pitch": { "enum": [ -100, 100 ], "type": "integer" }, "sound_effects": { "enum": [ "spacious_echo", "auditorium_echo", "lofi_telephone", "robotic" ], "type": "string" }, "timbre": { "enum": [ -100, 100 ], "type": "integer" } }, "type": "object" }, "voice_setting": { "properties": { "emotion": { "enum": [ "happy", "sad", "angry", "fearful", "disgusted", "surprised", "calm", "fluent" ], "type": "string" }, "latex_read": { "default": false, "type": "boolean" }, "pitch": { "default": 0, "maximum": 12, "minimum": -12, "type": "integer" }, "speed": { "default": 1, "maximum": 2, "minimum": 0.5, "type": "number" }, "text_normalization": { "default": false, "type": "boolean" }, "voice_id": { "type": "string" }, "vol": { "default": 1, "exclusiveMinimum": true, "maximum": 10, "minimum": 0, "type": "number" } }, "type": "object" } }, "required": [ "model", "text" ], "type": "object" }, "schema_template": { "body": { "audio_setting": { "channel": 1, "format": "mp3", "sample_rate": 32000 }, "model": "minimax/speech-2.6-hd", "output_format": "hex", "stream": false, "text": "Hello, this is a short speech example." }, "content_type": "application/json" } }, "input": { "conditions": [ "Use text, not input or contents. Fewer than 10000 Unicode characters; stream is false or omitted.", "PCM is raw audio with its returned sample geometry; do not invent a WAV header or bit depth." ], "content_type": "application/json", "material_types": [ "text" ], "optional": [ "stream", "voice_setting", "audio_setting", "pronunciation_dict", "timber_weights", "language_boost", "voice_modify", "subtitle_enable", "output_format", "aigc_watermark" ], "required": [ "model", "text" ] }, "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets", "query": { "cursor": "actual returned next_cursor, when present", "family": "audio" } }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "cancel_endpoint": null, "create": { "http": "POST", "path": "/v1/audio/speech" }, "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "owned_content": { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "Use the exact returned content_url. Refresh an expired link by reading the same existing asset." }, "status": [], "unknown": "Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.", "unknown_no_replay": true }, "method": { "http": "POST", "path": "/v1/audio/speech" }, "method_aliases": [], "output": { "all_results": "Retain the full JSON. Decode every hex audio byte or use the returned owned URL. Keep the actual format, sample rate, channel count and usage_characters.", "family": "audio", "fields": [ { "name": "data.audio", "type": "string" }, { "name": "extra_info", "type": "object" }, { "name": "trace_id", "type": "string" } ], "format": [ "mp3", "pcm", "flac", "wav" ] } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input character" }, "label": "input character", "units": [ { "amount": "0.0002", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.0002", "native_quantity": 1, "public_unit_label": "per input character", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_character" } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"minimax/speech-2.6-hd\", \"text\": \"Hello, this is a short speech example.\", \"stream\": false, \"output_format\": \"hex\", \"audio_setting\": {\"format\": \"mp3\", \"sample_rate\": 32000, \"channel\": 1}}')\n\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 result.json\n# Submit once. Retain the complete result, original identifiers and every response header.\n", "label": "curl · create once and retain the complete result", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "speech", "http": "POST", "img_in": null, "img_out": null, "in": null, "input": [ "text" ], "label": "Speech", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": null, "output": [ "audio" ], "path": "/v1/audio/speech", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "per_request", "cache_read_price": null, "cache_write_1h_price": null, "cache_write_price": null, "fast_multiplier": null, "flex_multiplier": null, "image_input_price": null, "image_output_price": null, "input_price": null, "intervals": null, "max_reasoning_effort_multiplier": null, "output_price": null, "per_request_price": null, "unit_prices": { "audio_input_character": "0.0002" } }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input character" }, "label": "input character", "units": [ { "amount": "0.0002", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.0002", "native_quantity": 1, "public_unit_label": "per input character", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_character" } ] } ], "request_model_id": "minimax/speech-2.6-hd", "route_label": "Ultra", "status_reads": [], "tiers": [], "unit": "per_request", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" }, { "amount": "0.0002", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.0002", "native_quantity": 1, "public_unit_label": "per input character", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_character" } ] } } ], "model_id": "minimax/speech-2.6-hd", "nativeProvenance": { "input_facts_canonical_sha256": "b272aa279a85d18b74bffdd963e82a8d73e085a214f02cd5a69a879a4814cf7d", "input_html_sha256": "8fa50e97a93f1e05a730f68ae561dd29b926ecff062b19a1777945f9be2e40c5", "private_audit_sha256": "b8c18b3ff4973a26b10864e428e0bf13695125ad11d260b9929c7f86d527d1ed", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/de-ch/minimax-speech-2-6-hd/", "description": "Speech 2.6 HD ist ein MiniMax-Modell zur Sprachsynthese, das ein fertiges Skript in Audio umwandelt. Die Ausgabe minimax/speech-2.6-hd stellt Steuerungen für Stimme, Vortrag und Audioformat mit einer vollständigen JSON-Antwort und einer Auswahl zwischen URL- und hexadezimaler Audioausgabe bereit. Verwenden Sie es, um einen bereitgestellten Sprechertext, eine Lernpassage oder eine Produktführung als Sprache auszugeben.", "locale": "de-ch", "md_url": "https://ailoot.ai/models/de-ch/minimax-speech-2-6-hd/index.md", "title": "MiniMax: Speech 2.6 HD — Ailoot", "url": "https://ailoot.ai/models/de-ch/minimax-speech-2-6-hd/" }, "rawModel": { "about": "Speech 2.6 HD ist genau die MiniMax-Sprachmodellversion, die durch model: \"minimax/speech-2.6-hd\" ausgewählt wird. Verwenden Sie POST /v1/audio/speech mit einem application/json-Body, der model und den zu sprechenden text enthält. Die Eingabe ist ein schriftliches Skript, das Ergebnis synthetisiertes Audio. Bereiten Sie für eine Lernpassage die genaue Erklärung und die vorzulesenden Beispiele vor. Schreiben Sie für eine Produktführung die gesprochene Abfolge in derselben Reihenfolge wie die sichtbaren Schritte. Ein Erzählskript kann vollständige Sätze und bewusst gesetzte Satzzeichen enthalten; halten Sie redaktionelle Anweisungen, die stumm bleiben sollen, ausserhalb von text.\n\nDas Feld text darf nicht leer sein und muss weniger als 10 000 Unicode-Zeichen enthalten. Senden Sie das vollständige gesprochene Skript mit stream:false oder lassen Sie stream weg. Teilen Sie längeres Material vor der Übermittlung der einzelnen Segmente in separate vollständige Skriptabschnitte auf. Ein Dokument lässt sich verwenden, indem Sie seinen tatsächlichen Inhalt lesen und die relevante Passage in text einfügen; eine Dokument-URL ersetzt das Skript nicht.\n\nWählen Sie über voice_setting.voice_id eine Stimme. Die dokumentierten Stimmkategorien umfassen Systemstimmen sowie bereits erstellte geklonte oder anhand von Text gestaltete Stimmen; verwenden Sie eine gültige Stimm-ID für die gewählte Kategorie. Die Beispielstimme lautet audiobook_male_1. Dasselbe Objekt steuert speed von 0.5 bis 2, vol über 0 und bis zu 10 sowie den ganzzahligen pitch von -12 bis 12. Ihre Standardwerte sind 1, 1 und 0. Diese Steuerungen passen verschiedene Aspekte des gesprochenen Vortrags an; wählen Sie sie daher separat, statt ihre Namen in das Skript einzufügen.\n\nvoice_setting.emotion akzeptiert happy, sad, angry, fearful, disgusted, surprised, calm und fluent. Die Dokumentation beschreibt ausserdem eine automatische Anpassung der Emotion an den Text. Bei Skripten mit vielen Zahlen aktiviert voice_setting.text_normalization die chinesische und englische Textnormalisierung und hat den Standardwert false. voice_setting.latex_read steuert das Lesen von LaTeX-Ausdrücken und hat ebenfalls den Standardwert false. pronunciation_dict.tone ist ein Array von Zeichenfolgen mit Ausspracheregeln. Das veröffentlichte Beispiel lautet [\"草地/(cao3)(di1)\"]; behalten Sie beim Angeben einer Regel das Wort, den Schrägstrich und die Aussprache in Klammern bei.\n\naudio_setting.format akzeptiert mp3, pcm, flac und wav mit dem Standardwert mp3. sample_rate akzeptiert 8000, 16000, 22050, 24000, 32000 und 44100 Hz; der Standardwert ist 32000. channel ist 1 für Mono oder 2 für zwei Kanäle und hat den Standardwert 1. Die bitrate-Werte sind 32000, 64000, 128000 und 256000 Bits pro Sekunde mit dem Standardwert 128000 und gelten für mp3. Wählen Sie die Kodierung, die der Player oder das Bearbeitungswerkzeug benötigt, das das Ergebnis verwenden wird.\n\nlanguage_boost ist eine optionale Zeichenfolge und hat den Standardwert null. Die erlaubten Werte sind Chinese, Chinese,Yue, English, Arabic, Russian, Spanish, French, Portuguese, German, Turkish, Dutch, Ukrainian, Vietnamese, Indonesian, Japanese, Italian, Korean, Thai, Polish, Romanian, Greek, Czech, Finnish, Hindi, Bulgarian, Danish, Hebrew, Malay, Persian, Slovak, Swedish, Croatian, Filipino, Hungarian, Norwegian, Slovenian, Catalan, Nynorsk, Tamil, Afrikaans und auto. \"Chinese,Yue\" ist ein Wert. Es ist eine vom Skript und der Stimm-ID getrennte Steuerung. Das Schema stellt ausserdem timber_weights für eine Liste von Paaren aus voice_id und ganzzahligem weight bereit, mit jedem weight von 1 bis 100. Behalten Sie beim Vorbereiten einer Anfrage die Parameterschreibweise timber_weights bei. voice_modify.sound_effects ist eine optionale Zeichenfolge mit den Werten spacious_echo, auditorium_echo, lofi_telephone und robotic.\n\nstream hat den Standardwert false. Für eine vollständige Antwort wählt output_format url oder hex und hat den Standardwert hex. Im dokumentierten JSON-Ergebnis enthält data.audio die gewählte Darstellung: Laden Sie die vollständige signierte Ailoot-URL einschliesslich ihrer Abfragezeichenfolge herunter oder dekodieren Sie die vollständigen hexadezimalen Audiodaten in Bytes. Bewahren Sie das ursprüngliche Ergebnis zusammen mit data.status, base_resp, trace_id und extra_info auf; Letzteres enthält das tatsächliche Audioformat, die Abtastrate, die Kanalzahl, die Grösse und usage_characters.\n\nsubtitle_enable ist ein boolescher Wert mit dem Standardwert false und gilt für Ausgaben ohne Streaming. aigc_watermark ist ein boolescher Wert mit dem Standardwert false und steuert eine hörbare Rhythmusmarkierung am Ende der generierten Audiodatei. Bewahren Sie jedes zurückgegebene Audio- oder Untertitelergebnis auf und prüfen Sie Aussprache, Zahlen und die fertige Datei, bevor Sie sie in die Anwendung einfügen. Ist die Übertragung ungewiss, bewahren Sie die ursprüngliche Anfragekennung und die Antwort auf, um den bestehenden Versuch zu prüfen. Ailoot speichert die fertige Audiodatei ausserdem in Ihrer Medienbibliothek. Bei output_format:\"url\" enthält data.audio einen signierten Link zu diesem gespeicherten Asset; die Asset-ID steht in dessen Pfad /v1/media/assets/{asset_id}/content. Signierte Ailoot-Dateilinks sind ab Ausstellung 24 Stunden gültig. Verwenden Sie denselben API-Schlüssel, um GET /v1/media/assets?family=audio abzurufen, und folgen Sie jedem next_cursor, um die Audio-Asset-Datensätze zu finden. Lesen Sie GET /v1/media/assets/{asset_id} für jeden ausgewählten Datensatz und laden Sie dessen genaue content_url einschliesslich der Abfragezeichenfolge herunter. Wenn eine Dateianfrage 404 mit dem Code link_expired zurückgibt, lesen Sie dasselbe Asset erneut, um eine aktualisierte content_url zu erhalten. Aktualisieren Sie das gespeicherte Ergebnis, statt zur Ersetzung eines abgelaufenen Links erneut Audio zu generieren.", "alias_of": null, "aliases": [], "author": "MiniMax", "ctx": null, "formats": [ "speech" ], "id": "minimax/speech-2.6-hd", "input": [ "text" ], "kind": "speech", "max_out": null, "methods": [ { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Retain the complete response, all actual results, original identifiers, usage and response headers.", "authentication": { "api_key_source": "AILOOT_API_KEY", "header": "Authorization: Bearer" }, "example_body": { "audio_setting": { "channel": 1, "format": "mp3", "sample_rate": 32000 }, "model": "minimax/speech-2.6-hd", "output_format": "hex", "stream": false, "text": "Hello, this is a short speech example." }, "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets", "query": { "cursor": "actual returned next_cursor, when present", "family": "audio" } }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "cancel_endpoint": null, "create": { "http": "POST", "path": "/v1/audio/speech" }, "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "owned_content": { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "Use the exact returned content_url. Refresh an expired link by reading the same existing asset." }, "status": [], "unknown": "Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.", "unknown_no_replay": true }, "outputs": { "all_results": "Retain the full JSON. Decode every hex audio byte or use the returned owned URL. Keep the actual format, sample rate, channel count and usage_characters.", "family": "audio", "fields": [ { "name": "data.audio", "type": "string" }, { "name": "extra_info", "type": "object" }, { "name": "trace_id", "type": "string" } ], "format": [ "mp3", "pcm", "flac", "wav" ] }, "parameters": [ { "default_known": false, "enum": [ "minimax/speech-2.6-hd" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "default_known": false, "enum_known": false, "maxLength": 9999, "minLength": 1, "name": "text", "required": true, "type": "string" }, { "default": false, "default_known": true, "enum": [ false ], "enum_known": true, "name": "stream", "required": false, "type": "boolean" }, { "default_known": false, "enum_known": false, "name": "voice_setting", "properties": { "emotion": { "enum": [ "happy", "sad", "angry", "fearful", "disgusted", "surprised", "calm", "fluent" ], "type": "string" }, "latex_read": { "default": false, "type": "boolean" }, "pitch": { "default": 0, "maximum": 12, "minimum": -12, "type": "integer" }, "speed": { "default": 1, "maximum": 2, "minimum": 0.5, "type": "number" }, "text_normalization": { "default": false, "type": "boolean" }, "voice_id": { "type": "string" }, "vol": { "default": 1, "exclusiveMinimum": true, "maximum": 10, "minimum": 0, "type": "number" } }, "required": false, "type": "object" }, { "default_known": false, "enum_known": false, "name": "voice_setting.voice_id", "required": false, "type": "string" }, { "default": 1, "default_known": true, "enum_known": false, "maximum": 2, "minimum": 0.5, "name": "voice_setting.speed", "required": false, "type": "number" }, { "default": 1, "default_known": true, "enum_known": false, "exclusiveMinimum": true, "maximum": 10, "minimum": 0, "name": "voice_setting.vol", "required": false, "type": "number" }, { "default": 0, "default_known": true, "enum_known": false, "maximum": 12, "minimum": -12, "name": "voice_setting.pitch", "required": false, "type": "integer" }, { "default_known": false, "enum": [ "happy", "sad", "angry", "fearful", "disgusted", "surprised", "calm", "fluent" ], "enum_known": true, "name": "voice_setting.emotion", "required": false, "type": "string" }, { "default": false, "default_known": true, "enum_known": false, "name": "voice_setting.text_normalization", "required": false, "type": "boolean" }, { "default": false, "default_known": true, "enum_known": false, "name": "voice_setting.latex_read", "required": false, "type": "boolean" }, { "default_known": false, "enum_known": false, "name": "audio_setting", "properties": { "bitrate": { "default": 128000, "enum": [ 32000, 64000, 128000, 256000 ], "type": "integer" }, "channel": { "default": 1, "enum": [ 1, 2 ], "type": "integer" }, "force_cbr": { "default": false, "type": "boolean" }, "format": { "default": "mp3", "enum": [ "mp3", "pcm", "flac", "wav" ], "type": "string" }, "sample_rate": { "default": 32000, "enum": [ 8000, 16000, 22050, 24000, 32000, 44100 ], "type": "integer" } }, "required": false, "type": "object" }, { "default": 32000, "default_known": true, "enum": [ 8000, 16000, 22050, 24000, 32000, 44100 ], "enum_known": true, "name": "audio_setting.sample_rate", "required": false, "type": "integer" }, { "default": 128000, "default_known": true, "enum": [ 32000, 64000, 128000, 256000 ], "enum_known": true, "name": "audio_setting.bitrate", "required": false, "type": "integer" }, { "default": "mp3", "default_known": true, "enum": [ "mp3", "pcm", "flac", "wav" ], "enum_known": true, "name": "audio_setting.format", "required": false, "type": "string" }, { "default": 1, "default_known": true, "enum": [ 1, 2 ], "enum_known": true, "name": "audio_setting.channel", "required": false, "type": "integer" }, { "default": false, "default_known": true, "enum_known": false, "name": "audio_setting.force_cbr", "required": false, "type": "boolean" }, { "default_known": false, "enum_known": false, "name": "pronunciation_dict", "properties": { "tone": { "items": { "type": "string" }, "type": "array" } }, "required": false, "type": "object" }, { "default_known": false, "enum_known": false, "items": { "type": "string" }, "name": "pronunciation_dict.tone", "required": false, "type": "array" }, { "default_known": false, "enum_known": false, "items": { "properties": { "voice_id": { "type": "string" }, "weight": { "type": "integer" } }, "type": "object" }, "name": "timber_weights", "required": false, "type": "array" }, { "default_known": false, "enum": [ "Chinese", "Chinese,Yue", "English", "Arabic", "Russian", "Spanish", "French", "Portuguese", "German", "Turkish", "Dutch", "Ukrainian", "Vietnamese", "Indonesian", "Japanese", "Italian", "Korean", "Thai", "Polish", "Romanian", "Greek", "Czech", "Finnish", "Hindi", "Bulgarian", "Danish", "Hebrew", "Malay", "Persian", "Slovak", "Swedish", "Croatian", "Filipino", "Hungarian", "Norwegian", "Slovenian", "Catalan", "Nynorsk", "Tamil", "Afrikaans", "auto" ], "enum_known": true, "name": "language_boost", "required": false, "type": "string" }, { "default_known": false, "enum_known": false, "name": "voice_modify", "properties": { "intensity": { "enum": [ -100, 100 ], "type": "integer" }, "pitch": { "enum": [ -100, 100 ], "type": "integer" }, "sound_effects": { "enum": [ "spacious_echo", "auditorium_echo", "lofi_telephone", "robotic" ], "type": "string" }, "timbre": { "enum": [ -100, 100 ], "type": "integer" } }, "required": false, "type": "object" }, { "default_known": false, "enum": [ -100, 100 ], "enum_known": true, "name": "voice_modify.pitch", "required": false, "type": "integer" }, { "default_known": false, "enum": [ -100, 100 ], "enum_known": true, "name": "voice_modify.intensity", "required": false, "type": "integer" }, { "default_known": false, "enum": [ -100, 100 ], "enum_known": true, "name": "voice_modify.timbre", "required": false, "type": "integer" }, { "default_known": false, "enum": [ "spacious_echo", "auditorium_echo", "lofi_telephone", "robotic" ], "enum_known": true, "name": "voice_modify.sound_effects", "required": false, "type": "string" }, { "default": false, "default_known": true, "enum_known": false, "name": "subtitle_enable", "required": false, "type": "boolean" }, { "default": "hex", "default_known": true, "enum": [ "url", "hex" ], "enum_known": true, "name": "output_format", "required": false, "type": "string" }, { "default": false, "default_known": true, "enum_known": false, "name": "aigc_watermark", "required": false, "type": "boolean" } ], "request_schema": { "properties": { "aigc_watermark": { "default": false, "type": "boolean" }, "audio_setting": { "properties": { "bitrate": { "default": 128000, "enum": [ 32000, 64000, 128000, 256000 ], "type": "integer" }, "channel": { "default": 1, "enum": [ 1, 2 ], "type": "integer" }, "force_cbr": { "default": false, "type": "boolean" }, "format": { "default": "mp3", "enum": [ "mp3", "pcm", "flac", "wav" ], "type": "string" }, "sample_rate": { "default": 32000, "enum": [ 8000, 16000, 22050, 24000, 32000, 44100 ], "type": "integer" } }, "type": "object" }, "language_boost": { "enum": [ "Chinese", "Chinese,Yue", "English", "Arabic", "Russian", "Spanish", "French", "Portuguese", "German", "Turkish", "Dutch", "Ukrainian", "Vietnamese", "Indonesian", "Japanese", "Italian", "Korean", "Thai", "Polish", "Romanian", "Greek", "Czech", "Finnish", "Hindi", "Bulgarian", "Danish", "Hebrew", "Malay", "Persian", "Slovak", "Swedish", "Croatian", "Filipino", "Hungarian", "Norwegian", "Slovenian", "Catalan", "Nynorsk", "Tamil", "Afrikaans", "auto" ], "type": "string" }, "model": { "enum": [ "minimax/speech-2.6-hd" ], "type": "string" }, "output_format": { "default": "hex", "enum": [ "url", "hex" ], "type": "string" }, "pronunciation_dict": { "properties": { "tone": { "items": { "type": "string" }, "type": "array" } }, "type": "object" }, "stream": { "default": false, "enum": [ false ], "type": "boolean" }, "subtitle_enable": { "default": false, "type": "boolean" }, "text": { "maxLength": 9999, "minLength": 1, "type": "string" }, "timber_weights": { "items": { "properties": { "voice_id": { "type": "string" }, "weight": { "type": "integer" } }, "type": "object" }, "type": "array" }, "voice_modify": { "properties": { "intensity": { "enum": [ -100, 100 ], "type": "integer" }, "pitch": { "enum": [ -100, 100 ], "type": "integer" }, "sound_effects": { "enum": [ "spacious_echo", "auditorium_echo", "lofi_telephone", "robotic" ], "type": "string" }, "timbre": { "enum": [ -100, 100 ], "type": "integer" } }, "type": "object" }, "voice_setting": { "properties": { "emotion": { "enum": [ "happy", "sad", "angry", "fearful", "disgusted", "surprised", "calm", "fluent" ], "type": "string" }, "latex_read": { "default": false, "type": "boolean" }, "pitch": { "default": 0, "maximum": 12, "minimum": -12, "type": "integer" }, "speed": { "default": 1, "maximum": 2, "minimum": 0.5, "type": "number" }, "text_normalization": { "default": false, "type": "boolean" }, "voice_id": { "type": "string" }, "vol": { "default": 1, "exclusiveMinimum": true, "maximum": 10, "minimum": 0, "type": "number" } }, "type": "object" } }, "required": [ "model", "text" ], "type": "object" }, "schema_template": { "body": { "audio_setting": { "channel": 1, "format": "mp3", "sample_rate": 32000 }, "model": "minimax/speech-2.6-hd", "output_format": "hex", "stream": false, "text": "Hello, this is a short speech example." }, "content_type": "application/json" } }, "input": { "conditions": [ "Use text, not input or contents. Fewer than 10000 Unicode characters; stream is false or omitted.", "PCM is raw audio with its returned sample geometry; do not invent a WAV header or bit depth." ], "content_type": "application/json", "material_types": [ "text" ], "optional": [ "stream", "voice_setting", "audio_setting", "pronunciation_dict", "timber_weights", "language_boost", "voice_modify", "subtitle_enable", "output_format", "aigc_watermark" ], "required": [ "model", "text" ] }, "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets", "query": { "cursor": "actual returned next_cursor, when present", "family": "audio" } }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "cancel_endpoint": null, "create": { "http": "POST", "path": "/v1/audio/speech" }, "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "owned_content": { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "Use the exact returned content_url. Refresh an expired link by reading the same existing asset." }, "status": [], "unknown": "Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.", "unknown_no_replay": true }, "method": { "http": "POST", "path": "/v1/audio/speech" }, "method_aliases": [], "output": { "all_results": "Retain the full JSON. Decode every hex audio byte or use the returned owned URL. Keep the actual format, sample rate, channel count and usage_characters.", "family": "audio", "fields": [ { "name": "data.audio", "type": "string" }, { "name": "extra_info", "type": "object" }, { "name": "trace_id", "type": "string" } ], "format": [ "mp3", "pcm", "flac", "wav" ] } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input character" }, "label": "input character", "units": [ { "amount": "0.0002", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.0002", "native_quantity": 1, "public_unit_label": "per input character", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_character" } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"minimax/speech-2.6-hd\", \"text\": \"Hello, this is a short speech example.\", \"stream\": false, \"output_format\": \"hex\", \"audio_setting\": {\"format\": \"mp3\", \"sample_rate\": 32000, \"channel\": 1}}')\n\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 result.json\n# Submit once. Retain the complete result, original identifiers and every response header.\n", "label": "curl · create once and retain the complete result", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "speech", "http": "POST", "img_in": null, "img_out": null, "in": null, "input": [ "text" ], "label": "Speech", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": null, "output": [ "audio" ], "path": "/v1/audio/speech", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "per_request", "cache_read_price": null, "cache_write_1h_price": null, "cache_write_price": null, "fast_multiplier": null, "flex_multiplier": null, "image_input_price": null, "image_output_price": null, "input_price": null, "intervals": null, "max_reasoning_effort_multiplier": null, "output_price": null, "per_request_price": null, "unit_prices": { "audio_input_character": "0.0002" } }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input character" }, "label": "input character", "units": [ { "amount": "0.0002", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.0002", "native_quantity": 1, "public_unit_label": "per input character", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_character" } ] } ], "request_model_id": "minimax/speech-2.6-hd", "route_label": "Ultra", "status_reads": [], "tiers": [], "unit": "per_request", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" }, { "amount": "0.0002", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.0002", "native_quantity": 1, "public_unit_label": "per input character", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_character" } ] } ], "model_aliases": [ { "canonical_model_id": "minimax/speech-2.6-hd", "request_model_id": "minimax/speech-2.6-hd", "route_label": "Ultra" } ], "name": "MiniMax: Speech 2.6 HD", "price": { "in": "0.0002", "in_label": "per input character", "out": null, "out_label": null, "sort_in": null, "sort_out": null, "varies": false }, "short": "Speech 2.6 HD ist ein MiniMax-Modell zur Sprachsynthese, das ein fertiges Skript in Audio umwandelt. Die Ausgabe minimax/speech-2.6-hd stellt Steuerungen für Stimme, Vortrag und Audioformat mit einer vollständigen JSON-Antwort und einer Auswahl zwischen URL- und hexadezimaler Audioausgabe bereit. Verwenden Sie es, um einen bereitgestellten Sprechertext, eine Lernpassage oder eine Produktführung als Sprache auszugeben." }, "renderer_schema": { "method_order": "Original DTO methods order; every exact route/format/path/caller survives.", "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers." }, "representation": "exact-public-dto-and-native-renderer-html", "representationNotes": { "current_reference": { "about_json_pointer": "/aboutHtml", "methods": [ { "contract_json_pointer": "/methods/0/rawMethod/contract", "html_json_pointer": "/methods/0/html", "method_ordinal": 0 } ], "role": "current-semantic-reference" }, "raw_input": { "examples_role": "historical-input-not-current-ready-examples", "json_pointers": [ "/rawModel", "/methods/0/rawMethod" ], "role": "historical-owner-input" }, "schema": "ailoot-native-model-representations-v1" }, "schema": "ailoot-static-model-facts-v1", "schema_version": 1, "shortText": "Speech 2.6 HD ist ein MiniMax-Modell zur Sprachsynthese, das ein fertiges Skript in Audio umwandelt. Die Ausgabe minimax/speech-2.6-hd stellt Steuerungen für Stimme, Vortrag und Audioformat mit einer vollständigen JSON-Antwort und einer Auswahl zwischen URL- und hexadezimaler Audioausgabe bereit. Verwenden Sie es, um einen bereitgestellten Sprechertext, eine Lernpassage oder eine Produktführung als Sprache auszugeben.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "79fb1a37bf5b9eccb64e83e2548d0b8fd30c1f7b28881b6170f7a10cec36e6c9", "renderer_sha256": "76caa42c097db2ddc47d1e1e6fe7ca45c8363d7211296daf28e4352971e6c0c8" }, "sourceRevision": "7de589a6be2db9e3dcfae663be78da54731aee82d7a2f6ce8b3dac640024aca9" }