Speech 02 Turbo dient interaktiver Sprachsynthese. Der Hersteller beschreibt die Verbindung von Geschwindigkeit mit stabilem Rhythmus und natürlichem Klang; zu den Szenarien gehören Sprachantworten, Spieläusserungen und interaktive Inhalte. Das Modell erhält Text und erstellt Sprachaudio.
Die Speech-02-Familie ermöglicht die Kombination von Stimme, Sprache, Akzent und emotionaler Färbung. Ein gemeinsam trainierter autoregressiver Transformer und Sprecherencoder verbinden Klangfarbe und Inhalt. Text lässt sich mit einer vorbereiteten Stimme synthetisieren; die Erstellung einer neuen geklonten Stimme gehört zu einer separaten Vorbereitung.
Das Modell wählt die emotionale Intonation anhand des Texts selbst oder nimmt einen vorgegebenen Zustand entgegen: Freude, Trauer, Wut, Angst, Ekel, Überraschung oder Ruhe. Zusätzlich werden Geschwindigkeit, Tonhöhe und Lautstärke gesteuert, um die Äusserung auf das gewünschte Interaktionstempo abzustimmen.
Unterstützt werden Russisch und weitere Sprachen, darunter Englisch, Chinesisch, Kantonesisch, Japanisch, Koreanisch, Französisch, Deutsch, Spanisch, Portugiesisch, Türkisch, Arabisch und Ukrainisch. Die aktuelle Spezifikation für Speech 02 schliesst Persisch, Filipino und Tamil separat aus.
Die Aussprache lässt sich mit einem Ersetzungswörterbuch, internationaler phonetischer Notation, chinesischem Pinyin und japanischen Lesevarianten präzisieren. Pausen zwischen gesprochenen Teilen werden im Bereich 0,01–99,99 Sekunden festgelegt. Ihre Dauer wird mit zwei Nachkommastellen angegeben; Marker stehen zwischen gesprochenen Abschnitten und werden nicht unmittelbar hintereinander gesetzt. Das Modell sieht eine Geschwindigkeit von 0,5–2, Lautstärke oberhalb von 0 und bis 10 sowie eine Tonhöhenänderung von −12 bis 12 vor.
Die synchrone Eingabe ist auf Text mit weniger als 10 000 Zeichen begrenzt; bei mehr als 3000 Zeichen empfiehlt der Hersteller eine schrittweise Ausgabe. Zu den Modellfähigkeiten gehören MP3, WAV, FLAC und PCM; die allgemeinen Einstellungen beschreiben auch Opus und G.711 μ-law sowie einen oder zwei Audiokanäle.
Diese Ailoot-Karte nimmt Text entgegen und gibt Sprache zurück. Die Geschwindigkeit von Turbo gehört zum Einsatzzweck der Modellvariante; die Dauer einer konkreten Antwort und die Verfügbarkeit erweiterter Formate werden durch die gewählte Aufrufart bestimmt.
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": "### Schnelle Sprache für interaktive Antworten\n\nSpeech 02 Turbo dient interaktiver Sprachsynthese. Der Hersteller beschreibt die Verbindung von Geschwindigkeit mit stabilem Rhythmus und natürlichem Klang; zu den Szenarien gehören Sprachantworten, Spieläusserungen und interaktive Inhalte. Das Modell erhält Text und erstellt Sprachaudio.\n\n### Wahl des Klangcharakters\n\nDie Speech-02-Familie ermöglicht die Kombination von Stimme, Sprache, Akzent und emotionaler Färbung. Ein gemeinsam trainierter autoregressiver Transformer und Sprecherencoder verbinden Klangfarbe und Inhalt. Text lässt sich mit einer vorbereiteten Stimme synthetisieren; die Erstellung einer neuen geklonten Stimme gehört zu einer separaten Vorbereitung.\n\nDas Modell wählt die emotionale Intonation anhand des Texts selbst oder nimmt einen vorgegebenen Zustand entgegen: Freude, Trauer, Wut, Angst, Ekel, Überraschung oder Ruhe. Zusätzlich werden Geschwindigkeit, Tonhöhe und Lautstärke gesteuert, um die Äusserung auf das gewünschte Interaktionstempo abzustimmen.\n\n### Sprachen und Aussprache von Wörtern\n\nUnterstützt werden Russisch und weitere Sprachen, darunter Englisch, Chinesisch, Kantonesisch, Japanisch, Koreanisch, Französisch, Deutsch, Spanisch, Portugiesisch, Türkisch, Arabisch und Ukrainisch. Die aktuelle Spezifikation für Speech 02 schliesst Persisch, Filipino und Tamil separat aus.\n\nDie Aussprache lässt sich mit einem Ersetzungswörterbuch, internationaler phonetischer Notation, chinesischem Pinyin und japanischen Lesevarianten präzisieren. Pausen zwischen gesprochenen Teilen werden im Bereich **0,01–99,99 Sekunden** festgelegt. Ihre Dauer wird mit zwei Nachkommastellen angegeben; Marker stehen zwischen gesprochenen Abschnitten und werden nicht unmittelbar hintereinander gesetzt. Das Modell sieht eine Geschwindigkeit von **0,5–2**, Lautstärke oberhalb von 0 und bis **10** sowie eine Tonhöhenänderung von **−12 bis 12** vor.\n\n### Audio zur Wiedergabe\n\nDie synchrone Eingabe ist auf Text mit weniger als **10 000 Zeichen** begrenzt; bei mehr als 3000 Zeichen empfiehlt der Hersteller eine schrittweise Ausgabe. Zu den Modellfähigkeiten gehören MP3, WAV, FLAC und PCM; die allgemeinen Einstellungen beschreiben auch Opus und G.711 μ-law sowie einen oder zwei Audiokanäle.\n\nDiese Ailoot-Karte nimmt Text entgegen und gibt Sprache zurück. Die Geschwindigkeit von Turbo gehört zum Einsatzzweck der Modellvariante; die Dauer einer konkreten Antwort und die Verfügbarkeit erweiterter Formate werden durch die gewählte Aufrufart bestimmt.\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": "11ef9adeb62f305ea20607e4a08cce9cb97119edd299552dc55c6a7f9eea09b4", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-ch", "methods": [ { "html": "speech-02-turboSpeech-02 Turbo dient schneller Sprachsynthese mit stabilem Rhythmus und mehrsprachigem Klang.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Speech 02 Turbo dient interaktiver Sprachsynthese. Der Hersteller beschreibt die Verbindung von Geschwindigkeit mit stabilem Rhythmus und natürlichem Klang; zu den Szenarien gehören Sprachantworten, Spieläusserungen und interaktive Inhalte. Das Modell erhält Text und erstellt Sprachaudio.
Die Speech-02-Familie ermöglicht die Kombination von Stimme, Sprache, Akzent und emotionaler Färbung. Ein gemeinsam trainierter autoregressiver Transformer und Sprecherencoder verbinden Klangfarbe und Inhalt. Text lässt sich mit einer vorbereiteten Stimme synthetisieren; die Erstellung einer neuen geklonten Stimme gehört zu einer separaten Vorbereitung.
Das Modell wählt die emotionale Intonation anhand des Texts selbst oder nimmt einen vorgegebenen Zustand entgegen: Freude, Trauer, Wut, Angst, Ekel, Überraschung oder Ruhe. Zusätzlich werden Geschwindigkeit, Tonhöhe und Lautstärke gesteuert, um die Äusserung auf das gewünschte Interaktionstempo abzustimmen.
Unterstützt werden Russisch und weitere Sprachen, darunter Englisch, Chinesisch, Kantonesisch, Japanisch, Koreanisch, Französisch, Deutsch, Spanisch, Portugiesisch, Türkisch, Arabisch und Ukrainisch. Die aktuelle Spezifikation für Speech 02 schliesst Persisch, Filipino und Tamil separat aus.
Die Aussprache lässt sich mit einem Ersetzungswörterbuch, internationaler phonetischer Notation, chinesischem Pinyin und japanischen Lesevarianten präzisieren. Pausen zwischen gesprochenen Teilen werden im Bereich 0,01–99,99 Sekunden festgelegt. Ihre Dauer wird mit zwei Nachkommastellen angegeben; Marker stehen zwischen gesprochenen Abschnitten und werden nicht unmittelbar hintereinander gesetzt. Das Modell sieht eine Geschwindigkeit von 0,5–2, Lautstärke oberhalb von 0 und bis 10 sowie eine Tonhöhenänderung von −12 bis 12 vor.
Die synchrone Eingabe ist auf Text mit weniger als 10 000 Zeichen begrenzt; bei mehr als 3000 Zeichen empfiehlt der Hersteller eine schrittweise Ausgabe. Zu den Modellfähigkeiten gehören MP3, WAV, FLAC und PCM; die allgemeinen Einstellungen beschreiben auch Opus und G.711 μ-law sowie einen oder zwei Audiokanäle.
Diese Ailoot-Karte nimmt Text entgegen und gibt Sprache zurück. Die Geschwindigkeit von Turbo gehört zum Einsatzzweck der Modellvariante; die Dauer einer konkreten Antwort und die Verfügbarkeit erweiterter Formate werden durch die gewählte Aufrufart bestimmt.
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-turbo | Standard— |
Feldinput | Typstring | AnforderungErforderlich | Werte und Limits Mindestlänge: 1 Maximale Länge (exklusiv): 10'000 Einheit: Unicode-Zeichen | Standard— |
Feldvoice | Typstring | AnforderungErforderlich | Werte und Limits Muster: ^[A-Za-z0-9_-]{1,128}$ | Standard— |
Feldresponse_format | Typstring | AnforderungOptional | Werte und Limits mp3 | Standard— |
text_to_speech · Erforderlich: input
| Parameter | Vertrag |
|---|---|
Parametermaterial_types | Vertragtext |
Parameterrequired | Vertragnull |
Parameteroptional_controls | Vertragnull |
Lebenszyklus: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · die tatsächlich zurückgegebene task_id oder ein Eintrag in der Medienbibliothek
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Methodenstrukturen und IDs sind exakt; die Fähigkeiten des Anbieters sind von der Zulassung einer Anfrage zu unterscheiden.
POST /v1/audio/speechAiloot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 narration script}"\nexport AILOOT_TEXT_FILE\n: "${AILOOT_VOICE_ID:?Set the actual accepted voice ID for this model}"\nexport AILOOT_VOICE_ID\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "speech-02-turbo", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=text\nimport re\nvoice=os.environ["AILOOT_VOICE_ID"]\nif not re.fullmatch(r"[A-Za-z0-9_-]{1,128}",voice):raise SystemExit("Set an actual accepted voice ID")\np["voice"]=voice\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o speech.mp3\nmp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Das vollständige Binärergebnis und die Header aufbewahren. Wenn JSON oder mehrere Ausgaben zurückgegeben werden, jedes Datenelement aufbewahren und jede tatsächlich zurückgegebene signierte Asset-URL abrufen.
Die ursprüngliche operation_id/X-Client-Request-ID für den Abgleich ohne erneute Einreichung aufbewahren; es gibt keine eigene Route zur Abfrage des Audiostatus.
| Feld | Typ |
|---|---|
Feldbinary audio | Typbytes |
Feldresponse headers | Typheaders |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Antwortserver_error | BedingungDie zurückgegebene Antwort gibt an, dass der Vorgang oder das Ergebnis eine Prüfung erfordert | Nächster SchrittDie ursprünglich zurückgegebene Vorgangs-/Aufgaben-ID, die Anfrageheader und die Antwort aufbewahren; mit unterstützten Leseaufrufen für diesen ursprünglichen Vorgang fortfahren. Die Erstellungsanfrage nicht erneut senden. |
Ailoot speech-02-turbo
Verwenden Sie die oben angezeigten Methodenpfade.