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.
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.
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.
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.
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.
", "aboutText": "### Eine natürliche Stimme für Interaktion\n\nSpeech 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.\n\n### Nicht standardisierte Schreibweisen vorlesen\n\nDie 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.\n\n### Flüssige Sprache bei erhaltener Klangfarbe\n\nSpeech 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.\n\nUnterstützt 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.\n\n### Sprecheinstellungen\n\nMiniMax 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.\n\nDie 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.\n\n### Textlänge und Audio\n\nDie 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.\n\nLaut 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.\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": "d3145ad879811549501237882259d51a9b70c8991681f6af25a36ebdc907d44b", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-ch", "methods": [ { "html": "speech-2.6-hdSpeech 2.6 HD ist ein Modell für hochwertige Sprachsynthese mit Schwerpunkt auf Natürlichkeit 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 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.
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.
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.
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.
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.
POST /v1/audio/speechtextspeech| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits speech-2.6-hd | Standard— |
Feldinput | Typstring | AnforderungErforderlich | Werte und Limits Mindestlänge: 1 Maximale Länge (exklusiv): 10'000 Einheit: Unicode-Zeichen | Standard— |
Feldvoice | Typstring | AnforderungErforderlich | Werte und Limits Muster: ^[A-Za-z0-9_-]{1,128}$ | Standard— |
Feldresponse_format | Typstring | AnforderungOptional | Werte und Limits mp3 | Standard— |
text_to_speech · Erforderlich: input
| Parameter | Vertrag |
|---|---|
Parametermaterial_types | Vertragtext |
Parameterrequired | Vertragnull |
Parameteroptional_controls | Vertragnull |
Lebenszyklus: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · die tatsächlich zurückgegebene task_id oder ein Eintrag in der Medienbibliothek
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Methodenstrukturen und IDs sind exakt; die Fähigkeiten des Anbieters sind von der Zulassung einer Anfrage zu unterscheiden.
POST /v1/audio/speechAiloot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschliessenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 narration script}"\nexport AILOOT_TEXT_FILE\n: "${AILOOT_VOICE_ID:?Set the actual accepted voice ID for this model}"\nexport AILOOT_VOICE_ID\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "speech-2.6-hd", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=text\nimport re\nvoice=os.environ["AILOOT_VOICE_ID"]\nif not re.fullmatch(r"[A-Za-z0-9_-]{1,128}",voice):raise SystemExit("Set an actual accepted voice ID")\np["voice"]=voice\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o speech.mp3\nmp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Das vollständige Binärergebnis und die Header aufbewahren. Wenn JSON oder mehrere Ausgaben zurückgegeben werden, jedes Datenelement aufbewahren und jede tatsächlich zurückgegebene signierte Asset-URL abrufen.
Die ursprüngliche operation_id/X-Client-Request-ID für den Abgleich ohne erneute Einreichung aufbewahren; es gibt keine eigene Route zur Abfrage des Audiostatus.
| Feld | Typ |
|---|---|
Feldbinary audio | Typbytes |
Feldresponse headers | Typheaders |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Antwortserver_error | BedingungDie zurückgegebene Antwort gibt an, dass der Vorgang oder das Ergebnis eine Prüfung erfordert | Nächster SchrittDie ursprünglich zurückgegebene Vorgangs-/Aufgaben-ID, die Anfrageheader und die Antwort aufbewahren; mit unterstützten Leseaufrufen für diesen ursprünglichen Vorgang fortfahren. Die Erstellungsanfrage nicht erneut senden. |
Ailoot speech-2.6-hd
Verwenden Sie die oben angezeigten Methodenpfade.