MiniMax: Speech 01 Turbo

MiniMax Speech 01 Turbo wandelt bereitgestellten Text in gesprochene Audiodaten um. Seine genaue Ailoot-Modell-ID lautet minimax/speech-01-turbo, und seine dokumentierte Syntheseauswahlkennung ist speech-01-turbo. Verwenden Sie die Methode audio_speech für einen Sprechertext, eine gesprochene Lektion, eine Produkterklärung oder einen Erzählentwurf, dessen Wortlaut bereits vorliegt. Die Eingabe ist die vorzulesende Passage, und das Ergebnis ist synthetisierte Sprache im gewählten Audioformat.

Bereiten Sie den Text als zum Sprechen bestimmte Wörter vor, mit Satzzeichen, die die Phrasierung widerspiegeln. Geben Sie für einen Erzählentwurf die endgültige Satzreihenfolge und die Schreibweise von Namen an, bevor Sie die Stimmeinstellungen wählen. Halten Sie Regieanweisungen von der gesprochenen Passage getrennt, sofern diese Wörter nicht in die Aufnahme gehören. Achten Sie beim Anhören des Ergebnisses auf wichtige Namen, Zahlen und Übergänge und vergleichen Sie sie mit dem Ausgangstext.

Der Text muss kürzer als 10 000 Zeichen sein. Der veröffentlichte Synthesevertrag erfordert model und text. Bereiten Sie bei längerem Material Passagen innerhalb dieses Limits vor und bewahren Sie ihre Reihenfolge für die Bearbeitung auf. Das synchrone Profil verwendet eine vollständige Antwort, mit stream=false als dokumentiertem Standardwert. Die allgemeine API beschreibt auch Streamingoptionen, doch die ausgewählte Methode dieser Karte ist der synchrone Sprachablauf.

voice_setting wählt eine verfügbare voice_id und steuert speed, vol und pitch. Der dokumentierte speed-Bereich beträgt 0.5–2 mit dem Standardwert 1. vol muss größer als 0 und höchstens 10 sein, mit dem Standardwert 1; pitch ist eine Ganzzahl von -12 bis 12 mit dem Standardwert 0. Richten Sie jede Einstellung auf die Passage aus: Vergleichen Sie das Sprechtempo und die Hörbarkeit der tatsächlichen Aufnahme, statt anzunehmen, eine numerische Änderung erzeuge eine bestimmte Darbietung.

Die dokumentierten emotion-Werte sind happy, sad, angry, fearful, disgusted, surprised, calm und fluent. Auch der Text kann die Emotion des Modells steuern. text_normalization ist eine separate boolesche Steuerung zur Vorbereitung der Aussprache von Zahlen auf Chinesisch und Englisch, und latex_read steuert das Lesen von LaTeX-Formeln; beide haben den Standardwert false. pronunciation_dict.tone kann dokumentierte Regeln zum Ersetzen von Aussprachen enthalten. Prüfen Sie einen Namen oder Fachausdruck in der entstandenen Audiodatei, bevor Sie ihn in einem längeren Sprechertext verwenden.

audio_setting.format akzeptiert mp3, pcm, flac oder wav mit dem Standardwert mp3. sample_rate akzeptiert 8000, 16000, 22050, 24000, 32000 oder 44100 und hat den Standardwert 32000. bitrate akzeptiert 32000, 64000, 128000 oder 256000, hat den Standardwert 128000 und gilt für MP3. channel wählt 1 für Mono oder 2 für Stereo mit dem Standardwert 1. Bewahren Sie diese Auswahl zusammen mit der Ausgangspassage auf, damit die zurückgegebene Datei für den vorgesehenen Bearbeitungs- oder Wiedergabeort geprüft werden kann.

Weitere dokumentierte Steuerungen umfassen language_boost, zu dessen genauen benannten Auswahlwerten English, Russian, Chinese und Chinese,Yue gehören; wählen Sie für die Passage einen tatsächlich aufgeführten Wert. timber_weights kann bestehende voice_id-Einträge mit ganzzahligen weight-Werten von 1 bis 100 kombinieren. Die veröffentlichten sound_effects-Werte sind spacious_echo, auditorium_echo, lofi_telephone und robotic. Dies sind optionale Steuerungen zur Gestaltung einer ausgewählten Stimme; halten Sie beim Vergleichen von Lesungen ihre tatsächlichen Einstellungen fest.

Das synchrone Ergebnis enthält generierte Sprache. output_format wählt url oder hex und hat im Syntheseschema den Standardwert hex. Laden Sie die von einem URL-Ergebnis referenzierte Datei herunter oder dekodieren Sie ein hex-Ergebnis vor der Wiedergabe in Audiobytes. Bewahren Sie die zurückgegebenen Audiometadaten einschließlich Format, Abtastrate, Kanalzahl und Größe zusammen mit der Aufnahme auf. subtitle_enable hat den Standardwert false und gilt bei Aktivierung nur für Ausgaben ohne Streaming; die Quelle legt für dieses Profil kein Untertiteldateiformat fest.

Speichern Sie Ausgangspassage, genaue Modell-ID, Stimmauswahl und fertige Aufnahme zusammen. Prüfen Sie die gesamte Lesung auf den vorgesehenen Wortlaut, Pausen und die gewählten Vortragseinstellungen, bevor Sie sie in ein Video, eine Lektion oder eine gesprochene Anleitung einfügen. Wenn die Antwort unvollständig ist, bewahren Sie ihre ursprüngliche Anfrageidentität und die zurückgegebenen Informationen zum Abgleich auf, bevor Sie eine weitere Aufnahme anfordern. Eine spätere Überarbeitung kann einen bestimmten Ausdruck oder eine Stimmeinstellung ändern und den Rest des Skripts für einen klaren Vergleich beibehalten.