Speech 02 HD erzeugt Sprache mit Schwerpunkt auf Qualität, Rhythmus und stabilem Klang. Der Hersteller hebt die Vertonung von Materialien und Hörbücher hervor, bei denen die Stimme ihren Charakter behalten und gleichmässig durch einen langen Text führen soll. Es ist ein Synthesemodell: Es nimmt Text entgegen und wandelt ihn in Sprachaudio um.
Die Grundlage der Speech-02-Familie sind eine autoregressive Transformer-Architektur und ein trainierbarer Sprecherencoder. Die Extraktion der Klangfarbe und die Spracherzeugung wurden gemeinsam trainiert, um Stimmeigenschaften auf den Inhalt abzustimmen. Zu den Familienfähigkeiten gehören die Nutzung vorbereiteter geklonter Stimmen und die Kombination von Sprache, Akzent und Sprechweise.
Die emotionale Färbung kann anhand der Textbedeutung bestimmt oder manuell festgelegt werden. Verfügbar sind Freude, Trauer, Wut, Angst, Ekel, Überraschung und Ruhe. Das Modell arbeitet mit Russisch, Englisch und weiteren Sprachen; der Hersteller beschreibt unterschiedliche englische Akzente, Chinesisch und Kantonesisch, Japanisch, Koreanisch sowie europäische und weitere Sprachen.
Die aktuelle Beschreibung von Speech 02 schliesst Persisch, Filipino und Tamil separat aus. Die allgemeine Sprachenliste neuerer Speech-Generationen darf nicht automatisch auf diese Version übertragen werden.
Für die Synthese sind Stimmwahl, Geschwindigkeitsänderungen von 0,5–2, Lautstärke oberhalb von 0 und bis 10 sowie Tonhöhe von −12 bis 12 vorgesehen. Im Aussprachewörterbuch lässt sich eine Schreibweise durch die gewünschte Aussprache ersetzen; phonetische Notationen und japanische Aussprachevarianten werden unterstützt. Das hilft bei der Steuerung des Klangs von Namen und mehrdeutigen Wörtern.
Der Hersteller erlaubt Pausen zwischen gesprochenen Abschnitten von 0,01–99,99 Sekunden. Ihre Dauer wird mit zwei Nachkommastellen angegeben; Marker stehen zwischen gesprochenen Abschnitten und werden nicht unmittelbar hintereinander gesetzt. Der Text einer synchronen Anfrage muss weniger als 10 000 Zeichen enthalten. Vollständiger und schrittweiser Audioempfang sind vorgesehen; bei Texten mit mehr als 3000 Zeichen wird Streaming empfohlen.
Zu den Modellformaten gehören MP3, WAV, FLAC und PCM; die allgemeinen Syntheseeinstellungen beschreiben auch Opus und G.711-μ-law-Varianten. Mono oder Stereo sind möglich. In dieser Karte ist Textvertonung verfügbar; separate Stimmvorbereitung und erweiterte Einstellungen werden nur innerhalb der unterstützten Ailoot-Aufrufmethode angewendet.
Zusätzliche Audioeinstellungen umfassen die Abtastraten 8, 16, 22,05, 24, 32 und 44,1 kHz. Für MP3 sind die Bitraten 32, 64, 128 oder 256 kbit/s vorgesehen. Auch die Stimmfarbe lässt sich verändern und ein Effekt anwenden: weitläufiges Echo, Saalecho, Telefonklang oder eine Roboterstimme. Effekte zur Stimmveränderung werden bei vollständigem Audioempfang für MP3, WAV und FLAC unterstützt, bei Streaming nur für MP3. G.711-μ-law-Formate verwenden eine Abtastrate von 8 kHz. Diese Möglichkeiten gehören zu den Syntheseeinstellungen von MiniMax.
Der Hersteller sieht die Synchronisation von Sprache und Text vor: Zeitmarken für Sätze, Wörter oder Wörter bei schrittweiser Ausgabe. Ein solches Ergebnis hilft, das Sprechen mit der Textanzeige abzustimmen. Diese Zusatzfunktion benötigt Unterstützung des entsprechenden Antwortformats.
", "aboutText": "### Stimme für Vertonung und langes Vorlesen\n\nSpeech 02 HD erzeugt Sprache mit Schwerpunkt auf Qualität, Rhythmus und stabilem Klang. Der Hersteller hebt die Vertonung von Materialien und Hörbücher hervor, bei denen die Stimme ihren Charakter behalten und gleichmässig durch einen langen Text führen soll. Es ist ein Synthesemodell: Es nimmt Text entgegen und wandelt ihn in Sprachaudio um.\n\n### Wie Text und Klangfarbe verbunden werden\n\nDie Grundlage der Speech-02-Familie sind eine autoregressive Transformer-Architektur und ein trainierbarer Sprecherencoder. Die Extraktion der Klangfarbe und die Spracherzeugung wurden gemeinsam trainiert, um Stimmeigenschaften auf den Inhalt abzustimmen. Zu den Familienfähigkeiten gehören die Nutzung vorbereiteter geklonter Stimmen und die Kombination von Sprache, Akzent und Sprechweise.\n\n### Emotion und mehrsprachiges Vorlesen\n\nDie emotionale Färbung kann anhand der Textbedeutung bestimmt oder manuell festgelegt werden. Verfügbar sind Freude, Trauer, Wut, Angst, Ekel, Überraschung und Ruhe. Das Modell arbeitet mit Russisch, Englisch und weiteren Sprachen; der Hersteller beschreibt unterschiedliche englische Akzente, Chinesisch und Kantonesisch, Japanisch, Koreanisch sowie europäische und weitere Sprachen.\n\nDie aktuelle Beschreibung von Speech 02 schliesst Persisch, Filipino und Tamil separat aus. Die allgemeine Sprachenliste neuerer Speech-Generationen darf nicht automatisch auf diese Version übertragen werden.\n\n### Stimmeinstellungen\n\nFür die Synthese sind Stimmwahl, Geschwindigkeitsänderungen von **0,5–2**, Lautstärke oberhalb von 0 und bis **10** sowie Tonhöhe von **−12 bis 12** vorgesehen. Im Aussprachewörterbuch lässt sich eine Schreibweise durch die gewünschte Aussprache ersetzen; phonetische Notationen und japanische Aussprachevarianten werden unterstützt. Das hilft bei der Steuerung des Klangs von Namen und mehrdeutigen Wörtern.\n\n### Pausen und fertiges Audio\n\nDer Hersteller erlaubt Pausen zwischen gesprochenen Abschnitten von **0,01–99,99 Sekunden**. Ihre Dauer wird mit zwei Nachkommastellen angegeben; Marker stehen zwischen gesprochenen Abschnitten und werden nicht unmittelbar hintereinander gesetzt. Der Text einer synchronen Anfrage muss weniger als **10 000 Zeichen** enthalten. Vollständiger und schrittweiser Audioempfang sind vorgesehen; bei Texten mit mehr als 3000 Zeichen wird Streaming empfohlen.\n\nZu den Modellformaten gehören MP3, WAV, FLAC und PCM; die allgemeinen Syntheseeinstellungen beschreiben auch Opus und G.711-μ-law-Varianten. Mono oder Stereo sind möglich. In dieser Karte ist Textvertonung verfügbar; separate Stimmvorbereitung und erweiterte Einstellungen werden nur innerhalb der unterstützten Ailoot-Aufrufmethode angewendet.\n\nZusätzliche Audioeinstellungen umfassen die Abtastraten **8, 16, 22,05, 24, 32 und 44,1 kHz**. Für MP3 sind die Bitraten **32, 64, 128 oder 256 kbit/s** vorgesehen. Auch die Stimmfarbe lässt sich verändern und ein Effekt anwenden: weitläufiges Echo, Saalecho, Telefonklang oder eine Roboterstimme. Effekte zur Stimmveränderung werden bei vollständigem Audioempfang für MP3, WAV und FLAC unterstützt, bei Streaming nur für MP3. G.711-μ-law-Formate verwenden eine Abtastrate von 8 kHz. Diese Möglichkeiten gehören zu den Syntheseeinstellungen von MiniMax.\n\nDer Hersteller sieht die Synchronisation von Sprache und Text vor: Zeitmarken für Sätze, Wörter oder Wörter bei schrittweiser Ausgabe. Ein solches Ergebnis hilft, das Sprechen mit der Textanzeige abzustimmen. Diese Zusatzfunktion benötigt Unterstützung des entsprechenden Antwortformats.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "7cca5d65f4ae8ea3c0a6b9daaa38957876c18818017b89b7b54825f08044deb1", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-ch", "methods": [ { "html": "speech-02-hdSpeech-02 HD ist ein Sprachsynthesemodell mit Schwerpunkt auf Klangqualität und Stimmähnlichkeit.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Speech 02 HD erzeugt Sprache mit Schwerpunkt auf Qualität, Rhythmus und stabilem Klang. Der Hersteller hebt die Vertonung von Materialien und Hörbücher hervor, bei denen die Stimme ihren Charakter behalten und gleichmässig durch einen langen Text führen soll. Es ist ein Synthesemodell: Es nimmt Text entgegen und wandelt ihn in Sprachaudio um.
Die Grundlage der Speech-02-Familie sind eine autoregressive Transformer-Architektur und ein trainierbarer Sprecherencoder. Die Extraktion der Klangfarbe und die Spracherzeugung wurden gemeinsam trainiert, um Stimmeigenschaften auf den Inhalt abzustimmen. Zu den Familienfähigkeiten gehören die Nutzung vorbereiteter geklonter Stimmen und die Kombination von Sprache, Akzent und Sprechweise.
Die emotionale Färbung kann anhand der Textbedeutung bestimmt oder manuell festgelegt werden. Verfügbar sind Freude, Trauer, Wut, Angst, Ekel, Überraschung und Ruhe. Das Modell arbeitet mit Russisch, Englisch und weiteren Sprachen; der Hersteller beschreibt unterschiedliche englische Akzente, Chinesisch und Kantonesisch, Japanisch, Koreanisch sowie europäische und weitere Sprachen.
Die aktuelle Beschreibung von Speech 02 schliesst Persisch, Filipino und Tamil separat aus. Die allgemeine Sprachenliste neuerer Speech-Generationen darf nicht automatisch auf diese Version übertragen werden.
Für die Synthese sind Stimmwahl, Geschwindigkeitsänderungen von 0,5–2, Lautstärke oberhalb von 0 und bis 10 sowie Tonhöhe von −12 bis 12 vorgesehen. Im Aussprachewörterbuch lässt sich eine Schreibweise durch die gewünschte Aussprache ersetzen; phonetische Notationen und japanische Aussprachevarianten werden unterstützt. Das hilft bei der Steuerung des Klangs von Namen und mehrdeutigen Wörtern.
Der Hersteller erlaubt Pausen zwischen gesprochenen Abschnitten von 0,01–99,99 Sekunden. Ihre Dauer wird mit zwei Nachkommastellen angegeben; Marker stehen zwischen gesprochenen Abschnitten und werden nicht unmittelbar hintereinander gesetzt. Der Text einer synchronen Anfrage muss weniger als 10 000 Zeichen enthalten. Vollständiger und schrittweiser Audioempfang sind vorgesehen; bei Texten mit mehr als 3000 Zeichen wird Streaming empfohlen.
Zu den Modellformaten gehören MP3, WAV, FLAC und PCM; die allgemeinen Syntheseeinstellungen beschreiben auch Opus und G.711-μ-law-Varianten. Mono oder Stereo sind möglich. In dieser Karte ist Textvertonung verfügbar; separate Stimmvorbereitung und erweiterte Einstellungen werden nur innerhalb der unterstützten Ailoot-Aufrufmethode angewendet.
Zusätzliche Audioeinstellungen umfassen die Abtastraten 8, 16, 22,05, 24, 32 und 44,1 kHz. Für MP3 sind die Bitraten 32, 64, 128 oder 256 kbit/s vorgesehen. Auch die Stimmfarbe lässt sich verändern und ein Effekt anwenden: weitläufiges Echo, Saalecho, Telefonklang oder eine Roboterstimme. Effekte zur Stimmveränderung werden bei vollständigem Audioempfang für MP3, WAV und FLAC unterstützt, bei Streaming nur für MP3. G.711-μ-law-Formate verwenden eine Abtastrate von 8 kHz. Diese Möglichkeiten gehören zu den Syntheseeinstellungen von MiniMax.
Der Hersteller sieht die Synchronisation von Sprache und Text vor: Zeitmarken für Sätze, Wörter oder Wörter bei schrittweiser Ausgabe. Ein solches Ergebnis hilft, das Sprechen mit der Textanzeige abzustimmen. Diese Zusatzfunktion benötigt Unterstützung des entsprechenden Antwortformats.
POST /v1/audio/speechtextspeech| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits speech-02-hd | Standard— |
Feldinput | Typstring | AnforderungErforderlich | Werte und Limits Mindestlänge: 1 Maximale Länge (exklusiv): 10'000 Einheit: Unicode-Zeichen | Standard— |
Feldvoice | Typstring | AnforderungErforderlich | Werte und Limits Muster: ^[A-Za-z0-9_-]{1,128}$ | Standard— |
Feldresponse_format | Typstring | AnforderungOptional | Werte und Limits mp3 | Standard— |
text_to_speech · Erforderlich: input
| Parameter | Vertrag |
|---|---|
Parametermaterial_types | Vertragtext |
Parameterrequired | Vertragnull |
Parameteroptional_controls | Vertragnull |
Lebenszyklus: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · die tatsächlich zurückgegebene task_id oder ein Eintrag in der Medienbibliothek
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Methodenstrukturen und IDs sind exakt; die Fähigkeiten des Anbieters sind von der Zulassung einer Anfrage zu unterscheiden.
POST /v1/audio/speechAiloot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 narration script}"\nexport AILOOT_TEXT_FILE\n: "${AILOOT_VOICE_ID:?Set the actual accepted voice ID for this model}"\nexport AILOOT_VOICE_ID\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "speech-02-hd", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=text\nimport re\nvoice=os.environ["AILOOT_VOICE_ID"]\nif not re.fullmatch(r"[A-Za-z0-9_-]{1,128}",voice):raise SystemExit("Set an actual accepted voice ID")\np["voice"]=voice\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o speech.mp3\nmp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Das vollständige Binärergebnis und die Header aufbewahren. Wenn JSON oder mehrere Ausgaben zurückgegeben werden, jedes Datenelement aufbewahren und jede tatsächlich zurückgegebene signierte Asset-URL abrufen.
Die ursprüngliche operation_id/X-Client-Request-ID für den Abgleich ohne erneute Einreichung aufbewahren; es gibt keine eigene Route zur Abfrage des Audiostatus.
| Feld | Typ |
|---|---|
Feldbinary audio | Typbytes |
Feldresponse headers | Typheaders |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Antwortserver_error | BedingungDie zurückgegebene Antwort gibt an, dass der Vorgang oder das Ergebnis eine Prüfung erfordert | Nächster SchrittDie ursprünglich zurückgegebene Vorgangs-/Aufgaben-ID, die Anfrageheader und die Antwort aufbewahren; mit unterstützten Leseaufrufen für diesen ursprünglichen Vorgang fortfahren. Die Erstellungsanfrage nicht erneut senden. |
Ailoot speech-02-hd
Verwenden Sie die oben angezeigten Methodenpfade.