speech-2.6-hd

Eine natürliche Stimme für Interaktion

Speech 2.6 HD dient natürlicher Sprachsynthese und Szenarien, bei denen ein schneller Antwortbeginn wichtig ist. Der Hersteller legt Wert auf Intonation, flüssige Sprache und Textverarbeitung vor dem Sprechen. Die HD-Variante betont Klangqualität; die Eingabe dieser Karte ist Text, die Ausgabe Sprachaudio.

Nicht standardisierte Schreibweisen vorlesen

Die Generation Speech 2.6 kann Schreibweisen verarbeiten, die häufig in Arbeitsnachrichten vorkommen: Webadressen, E-Mail-Adressen, Telefonnummern, Daten und Geldbeträge. Das Modell wandelt sie in eine sprechbare Form um, damit die Äusserung beim Hören verständlich bleibt. Der Hersteller beschreibt solche Aufgaben in mehreren Sprachen.

Flüssige Sprache bei erhaltener Klangfarbe

Speech 2.6 bietet den Modus Fluent LoRA zur Verbesserung des Redeflusses. Er dient der Synthese mit einer vorbereiteten Stimme: Er hilft, die Klangfarbe zu erhalten und zugleich zusammenhängendere Sprache zu erzeugen, selbst wenn das Ausgangsmuster ungleichmässig war oder einen Akzent enthielt. Die Vorbereitung einer geklonten Stimme und ihre Verwendung bei der Vertonung sind verschiedene Aktionen.

Unterstützt werden 40 Sprachen, einschliesslich Russisch. Neben sieben grundlegenden emotionalen Zuständen sieht Speech 2.6 die Varianten für flüssige Sprache fluent und Flüstern whisper vor. Wird keine Emotion angegeben, wählt das Modell sie anhand der Textbedeutung.

Sprecheinstellungen

MiniMax sieht die Stimmwahl und die Steuerung von Tempo, Lautstärke und Tonhöhe vor. Die Geschwindigkeit wird im Bereich 0,5–2 festgelegt, die Lautstärke oberhalb von 0 und bis 10, die Tonhöhenänderung von −12 bis 12. Die Emotion kann dem Modell anhand der Textbedeutung überlassen oder manuell festgelegt werden: Freude, Trauer, Wut, Angst, Ekel, Überraschung oder Ruhe.

Die Aussprache lässt sich mit einem Ersetzungswörterbuch und phonetischer Notation präzisieren; vorgesehen sind das internationale phonetische Alphabet, chinesisches Pinyin und japanische Lesevarianten. Pausen werden zwischen gesprochenen Abschnitten 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. Diese Einstellungen ermöglichen es, den Klang von Namen, Abkürzungen und mehrdeutigen Wörtern auf die beabsichtigte Vertonung abzustimmen.

Textlänge und Audio

Die Synthese nimmt Text mit weniger als 10 000 Zeichen entgegen. Für lange Texte mit mehr als 3000 Zeichen empfiehlt der Hersteller Streaming; auch der Empfang des vollständigen fertigen Audios ist vorgesehen. Die allgemeinen Syntheseeinstellungen umfassen MP3, PCM, FLAC, WAV, Opus und G.711-μ-law-Varianten, Mono oder Stereo; die verfügbaren Formate einer konkreten Anfrage werden durch die Mittel von Ailoot bestimmt.

Laut MiniMax ist die Generation auf geringe Verzögerung in Sprachszenarien ausgerichtet. Das beschreibt das Modell; die Zeit einer konkreten Antwort und die Verfügbarkeit erweiterter Einstellungen hängen von der gewählten Ailoot-Aufrufart ab.

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.