{ "aboutHtml": "

MiniMax Speech 02 HD wandelt bereitgestellten Text in gesprochene Audiodaten um. Seine genaue Ailoot-Modell-ID lautet minimax/speech-02-hd, und seine dokumentierte Syntheseauswahlkennung ist speech-02-hd. 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.

", "aboutText": "MiniMax Speech 02 HD wandelt bereitgestellten Text in gesprochene Audiodaten um. Seine genaue Ailoot-Modell-ID lautet minimax/speech-02-hd, und seine dokumentierte Syntheseauswahlkennung ist speech-02-hd. 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.\n\nBereiten 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.\n\nDer 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.\n\nvoice_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.\n\nDie 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.\n\naudio_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.\n\nWeitere 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.\n\nDas 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.\n\nSpeichern 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "b4825e629069995bf75b98e69e9ad54bdc744104d8e1f6aa675ea250893d4591", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de", "methods": [ { "html": "
MM

MiniMax: Speech 02 HD

MiniMax /minimax/speech-02-hd

Start

MiniMax Speech 02 HD liest bereitgestellten Text als generierte Sprache über eine synchrone audio_speech-Anfrage vor. Es akzeptiert Text mit weniger als 10 000 Zeichen und bietet Einstellungen für Stimme, Sprechtempo und Tonhöhe mit MP3-, PCM-, FLAC- oder WAV-Ausgabe.

Zulässige Eingaben
Text
Ergebnisse
Audio
Über das Modell

Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.

MiniMax Speech 02 HD wandelt bereitgestellten Text in gesprochene Audiodaten um. Seine genaue Ailoot-Modell-ID lautet minimax/speech-02-hd, und seine dokumentierte Syntheseauswahlkennung ist speech-02-hd. 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.

In Ailoot verfügbar · Eingaben und Methoden

Ailoot Ultra · Speech POST /v1/audio/speech
Eingabetypen
text
Ausgabetypen
audio
Ausgabeformat
mp3,pcm,flac,wav
FeldTypAnforderungWerte und LimitsStandard
FeldmodelTypstringAnforderungErforderlichWerte und Limits
minimax/speech-02-hd
Standard—
FeldtextTypstringAnforderungErforderlichWerte und LimitsStandard—
FeldstreamTypbooleanAnforderungOptionalWerte und Limits
false
Standardfalse
Feldvoice_settingTypobjectAnforderungOptionalWerte und LimitsStandard—
Feldvoice_setting.voice_idTypstringAnforderungOptionalWerte und LimitsStandard—
Feldvoice_setting.speedTypnumberAnforderungOptionalWerte und Limits
Minimum: 0,5
Maximum: 2
Standard1
Feldvoice_setting.volTypnumberAnforderungOptionalWerte und Limits
Minimum: 0
Maximum: 10
Standard1
Feldvoice_setting.pitchTypintegerAnforderungOptionalWerte und Limits
Minimum: -12
Maximum: 12
Standard0
Feldvoice_setting.emotionTypstringAnforderungOptionalWerte und Limits
happy, sad, angry, fearful, disgusted, surprised, calm, fluent
Standard—
Feldvoice_setting.text_normalizationTypbooleanAnforderungOptionalWerte und LimitsStandardfalse
Feldvoice_setting.latex_readTypbooleanAnforderungOptionalWerte und LimitsStandardfalse
Feldaudio_settingTypobjectAnforderungOptionalWerte und LimitsStandard—
Feldaudio_setting.sample_rateTypintegerAnforderungOptionalWerte und Limits
8.000, 16.000, 22.050, 24.000, 32.000, 44.100
Standard32.000
Feldaudio_setting.bitrateTypintegerAnforderungOptionalWerte und Limits
32.000, 64.000, 128.000, 256.000
Standard128.000
Feldaudio_setting.formatTypstringAnforderungOptionalWerte und Limits
mp3, pcm, flac, wav
Standardmp3
Feldaudio_setting.channelTypintegerAnforderungOptionalWerte und Limits
1, 2
Standard1
Feldaudio_setting.force_cbrTypbooleanAnforderungOptionalWerte und LimitsStandardfalse
Feldpronunciation_dictTypobjectAnforderungOptionalWerte und LimitsStandard—
Feldpronunciation_dict.toneTyparrayAnforderungOptionalWerte und LimitsStandard—
Feldtimber_weightsTyparrayAnforderungOptionalWerte und LimitsStandard—
Feldlanguage_boostTypstringAnforderungOptionalWerte und Limits
Chinese, Chinese,Yue, English, Arabic, Russian, Spanish, French, Portuguese, German, Turkish, Dutch, Ukrainian, Vietnamese, Indonesian, Japanese, Italian, Korean, Thai, Polish, Romanian, Greek, Czech, Finnish, Hindi, Bulgarian, Danish, Hebrew, Malay, Persian, Slovak, Swedish, Croatian, Filipino, Hungarian, Norwegian, Slovenian, Catalan, Nynorsk, Tamil, Afrikaans, auto
Standard—
Feldvoice_modifyTypobjectAnforderungOptionalWerte und LimitsStandard—
Feldvoice_modify.pitchTypintegerAnforderungOptionalWerte und Limits
-100, 100
Standard—
Feldvoice_modify.intensityTypintegerAnforderungOptionalWerte und Limits
-100, 100
Standard—
Feldvoice_modify.timbreTypintegerAnforderungOptionalWerte und Limits
-100, 100
Standard—
Feldvoice_modify.sound_effectsTypstringAnforderungOptionalWerte und Limits
spacious_echo, auditorium_echo, lofi_telephone, robotic
Standard—
Feldsubtitle_enableTypbooleanAnforderungOptionalWerte und LimitsStandardfalse
Feldoutput_formatTypstringAnforderungOptionalWerte und Limits
url, hex
Standardhex
Feldaigc_watermarkTypbooleanAnforderungOptionalWerte und LimitsStandardfalse
Methodenparameter und Lebenszyklus
ParameterVertrag
Parametercontent_typeVertragapplication/json
ParameterrequiredVertragmodel, text
ParameteroptionalVertragstream, voice_setting, audio_setting, pronunciation_dict, timber_weights, language_boost, voice_modify, subtitle_enable, output_format, aigc_watermark
Parametermaterial_typesVertragtext
ParameterconditionsVertragUse text, not input or contents. Fewer than 10000 Unicode characters; stream is false or omitted., PCM is raw audio with its returned sample geometry; do not invent a WAV header or bit depth.

Lebenszyklus: synchronous_result_then_owned_library

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Tarife

Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.

Schnellmodus
Nicht angegeben Wenn der Schnellmodus ausgewählt ist
Flex-Modus
Nicht angegeben Wenn der Modus flex ausgewählt ist
Maximaler Denkaufwand
Nicht angegeben Wenn beim maximalen Denkaufwand die Standardanpassung (default) verwendet wird

Ailoot-Tarife

Preise nach Konfiguration

Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.

KonfigurationTarifstaffelAbrechnungseinheitGebühr
KonfigurationBasistarife für TokenTarifstaffelGrundtarifAbrechnungseinheit—Gebühr
Eingabe · Eingabetoken — / 1K Token
Ausgabe · Ausgabetoken — / 1K Token
Eingabe · Cache-Lesen — / 1K Token
Eingabe · Cache-Schreiben — / 1K Token
Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token
KonfigurationEingabezeichenTarifstaffel—Abrechnungseinheitpro EingabezeichenGebühr
Eingabe · Eingabezeichen $0.0002 pro Eingabezeichen

Ailoot 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 →

Beispielanfragen

Ailoot Ultra · Speech

set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "minimax/speech-02-hd", "text": "Hello, this is a short speech example.", "stream": false, "output_format": "hex", "audio_setting": {"format": "mp3", "sample_rate": 32000, "channel": 1}}')\n\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 result.json\n# Submit once. Retain the complete result, original identifiers and every response header.\n

Ergebnisse abrufen und speichern

Ailoot Ultra · Speech

mp3,pcm,flac,wav

Alle fertiggestellten Ergebnisse aufbewahren

Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.

Retain the full JSON. Decode every hex audio byte or use the returned owned URL. Keep the actual format, sample rate, channel count and usage_characters.

Wenn die ursprüngliche Antwort geprüft werden muss

Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.

Antwortfelder
FeldTyp
Felddata.audioTypstring
Feldextra_infoTypobject
Feldtrace_idTypstring

Aliasnamen

Modellaliasnamen

Ailoot Ultra minimax/speech-02-hd

Aliasnamen für Methodenpfade

Verwenden Sie die oben angezeigten Methodenpfade.

Zugehörige Aufrufer-IDs

minimax/speech-02-hd

", "method_identity": { "effective_request_model_id": "minimax/speech-02-hd", "fmt": "speech", "http": "POST", "path": "/v1/audio/speech", "request_model_id": "minimax/speech-02-hd", "route_label": "Ultra" }, "method_key": "Ultra|speech|/v1/audio/speech|minimax%2Fspeech-02-hd", "ordinal": 0, "rawMethod": { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Retain the complete response, all actual results, original identifiers, usage and response headers.", "authentication": { "api_key_source": "AILOOT_API_KEY", "header": "Authorization: Bearer" }, "example_body": { "audio_setting": { "channel": 1, "format": "mp3", "sample_rate": 32000 }, "model": "minimax/speech-02-hd", "output_format": "hex", "stream": false, "text": "Hello, this is a short speech example." }, "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets", "query": { "cursor": "actual returned next_cursor, when present", "family": "audio" } }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "cancel_endpoint": null, "create": { "http": "POST", "path": "/v1/audio/speech" }, "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "owned_content": { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "Use the exact returned content_url. Refresh an expired link by reading the same existing asset." }, "status": [], "unknown": "Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.", "unknown_no_replay": true }, "outputs": { "all_results": "Retain the full JSON. Decode every hex audio byte or use the returned owned URL. Keep the actual format, sample rate, channel count and usage_characters.", "family": "audio", "fields": [ { "name": "data.audio", "type": "string" }, { "name": "extra_info", "type": "object" }, { "name": "trace_id", "type": "string" } ], "format": [ "mp3", "pcm", "flac", "wav" ] }, "parameters": [ { "default_known": false, "enum": [ "minimax/speech-02-hd" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "default_known": false, "enum_known": false, "maxLength": 9999, "minLength": 1, "name": "text", "required": true, "type": "string" }, { "default": false, "default_known": true, "enum": [ false ], "enum_known": true, "name": "stream", "required": false, "type": "boolean" }, { "default_known": false, "enum_known": false, "name": "voice_setting", "properties": { "emotion": { "enum": [ "happy", "sad", "angry", "fearful", "disgusted", "surprised", "calm", "fluent" ], "type": "string" }, "latex_read": { "default": false, "type": "boolean" }, "pitch": { "default": 0, "maximum": 12, "minimum": -12, "type": "integer" }, "speed": { "default": 1, "maximum": 2, "minimum": 0.5, "type": "number" }, "text_normalization": { "default": false, "type": "boolean" }, "voice_id": { "type": "string" }, "vol": { "default": 1, "exclusiveMinimum": true, "maximum": 10, "minimum": 0, "type": "number" } }, "required": false, "type": "object" }, { "default_known": false, "enum_known": false, "name": "voice_setting.voice_id", "required": false, "type": "string" }, { "default": 1, "default_known": true, "enum_known": false, "maximum": 2, "minimum": 0.5, "name": "voice_setting.speed", "required": false, "type": "number" }, { "default": 1, "default_known": true, "enum_known": false, "exclusiveMinimum": true, "maximum": 10, "minimum": 0, "name": "voice_setting.vol", "required": false, "type": "number" }, { "default": 0, "default_known": true, "enum_known": false, "maximum": 12, "minimum": -12, "name": "voice_setting.pitch", "required": false, "type": "integer" }, { "default_known": false, "enum": [ "happy", "sad", "angry", "fearful", "disgusted", "surprised", "calm", "fluent" ], "enum_known": true, "name": "voice_setting.emotion", "required": false, "type": "string" }, { "default": false, "default_known": true, "enum_known": false, "name": "voice_setting.text_normalization", "required": false, "type": "boolean" }, { "default": false, "default_known": true, "enum_known": false, "name": "voice_setting.latex_read", "required": false, "type": "boolean" }, { "default_known": false, "enum_known": false, "name": "audio_setting", "properties": { "bitrate": { "default": 128000, "enum": [ 32000, 64000, 128000, 256000 ], "type": "integer" }, "channel": { "default": 1, "enum": [ 1, 2 ], "type": "integer" }, "force_cbr": { "default": false, "type": "boolean" }, "format": { "default": "mp3", "enum": [ "mp3", "pcm", "flac", "wav" ], "type": "string" }, "sample_rate": { "default": 32000, "enum": [ 8000, 16000, 22050, 24000, 32000, 44100 ], "type": "integer" } }, "required": false, "type": "object" }, { "default": 32000, "default_known": true, "enum": [ 8000, 16000, 22050, 24000, 32000, 44100 ], "enum_known": true, "name": "audio_setting.sample_rate", "required": false, "type": "integer" }, { "default": 128000, "default_known": true, "enum": [ 32000, 64000, 128000, 256000 ], "enum_known": true, "name": "audio_setting.bitrate", "required": false, "type": "integer" }, { "default": "mp3", "default_known": true, "enum": [ "mp3", "pcm", "flac", "wav" ], "enum_known": true, "name": "audio_setting.format", "required": false, "type": "string" }, { "default": 1, "default_known": true, "enum": [ 1, 2 ], "enum_known": true, "name": "audio_setting.channel", "required": false, "type": "integer" }, { "default": false, "default_known": true, "enum_known": false, "name": "audio_setting.force_cbr", "required": false, "type": "boolean" }, { "default_known": false, "enum_known": false, "name": "pronunciation_dict", "properties": { "tone": { "items": { "type": "string" }, "type": "array" } }, "required": false, "type": "object" }, { "default_known": false, "enum_known": false, "items": { "type": "string" }, "name": "pronunciation_dict.tone", "required": false, "type": "array" }, { "default_known": false, "enum_known": false, "items": { "properties": { "voice_id": { "type": "string" }, "weight": { "type": "integer" } }, "type": "object" }, "name": "timber_weights", "required": false, "type": "array" }, { "default_known": false, "enum": [ "Chinese", "Chinese,Yue", "English", "Arabic", "Russian", "Spanish", "French", "Portuguese", "German", "Turkish", "Dutch", "Ukrainian", "Vietnamese", "Indonesian", "Japanese", "Italian", "Korean", "Thai", "Polish", "Romanian", "Greek", "Czech", "Finnish", "Hindi", "Bulgarian", "Danish", "Hebrew", "Malay", "Persian", "Slovak", "Swedish", "Croatian", "Filipino", "Hungarian", "Norwegian", "Slovenian", "Catalan", "Nynorsk", "Tamil", "Afrikaans", "auto" ], "enum_known": true, "name": "language_boost", "required": false, "type": "string" }, { "default_known": false, "enum_known": false, "name": "voice_modify", "properties": { "intensity": { "enum": [ -100, 100 ], "type": "integer" }, "pitch": { "enum": [ -100, 100 ], "type": "integer" }, "sound_effects": { "enum": [ "spacious_echo", "auditorium_echo", "lofi_telephone", "robotic" ], "type": "string" }, "timbre": { "enum": [ -100, 100 ], "type": "integer" } }, "required": false, "type": "object" }, { "default_known": false, "enum": [ -100, 100 ], "enum_known": true, "name": "voice_modify.pitch", "required": false, "type": "integer" }, { "default_known": false, "enum": [ -100, 100 ], "enum_known": true, "name": "voice_modify.intensity", "required": false, "type": "integer" }, { "default_known": false, "enum": [ -100, 100 ], "enum_known": true, "name": "voice_modify.timbre", "required": false, "type": "integer" }, { "default_known": false, "enum": [ "spacious_echo", "auditorium_echo", "lofi_telephone", "robotic" ], "enum_known": true, "name": "voice_modify.sound_effects", "required": false, "type": "string" }, { "default": false, "default_known": true, "enum_known": false, "name": "subtitle_enable", "required": false, "type": "boolean" }, { "default": "hex", "default_known": true, "enum": [ "url", "hex" ], "enum_known": true, "name": "output_format", "required": false, "type": "string" }, { "default": false, "default_known": true, "enum_known": false, "name": "aigc_watermark", "required": false, "type": "boolean" } ], "request_schema": { "properties": { "aigc_watermark": { "default": false, "type": "boolean" }, "audio_setting": { "properties": { "bitrate": { "default": 128000, "enum": [ 32000, 64000, 128000, 256000 ], "type": "integer" }, "channel": { "default": 1, "enum": [ 1, 2 ], "type": "integer" }, "force_cbr": { "default": false, "type": "boolean" }, "format": { "default": "mp3", "enum": [ "mp3", "pcm", "flac", "wav" ], "type": "string" }, "sample_rate": { "default": 32000, "enum": [ 8000, 16000, 22050, 24000, 32000, 44100 ], "type": "integer" } }, "type": "object" }, "language_boost": { "enum": [ "Chinese", "Chinese,Yue", "English", "Arabic", "Russian", "Spanish", "French", "Portuguese", "German", "Turkish", "Dutch", "Ukrainian", "Vietnamese", "Indonesian", "Japanese", "Italian", "Korean", "Thai", "Polish", "Romanian", "Greek", "Czech", "Finnish", "Hindi", "Bulgarian", "Danish", "Hebrew", "Malay", "Persian", "Slovak", "Swedish", "Croatian", "Filipino", "Hungarian", "Norwegian", "Slovenian", "Catalan", "Nynorsk", "Tamil", "Afrikaans", "auto" ], "type": "string" }, "model": { "enum": [ "minimax/speech-02-hd" ], "type": "string" }, "output_format": { "default": "hex", "enum": [ "url", "hex" ], "type": "string" }, "pronunciation_dict": { "properties": { "tone": { "items": { "type": "string" }, "type": "array" } }, "type": "object" }, "stream": { "default": false, "enum": [ false ], "type": "boolean" }, "subtitle_enable": { "default": false, "type": "boolean" }, "text": { "maxLength": 9999, "minLength": 1, "type": "string" }, "timber_weights": { "items": { "properties": { "voice_id": { "type": "string" }, "weight": { "type": "integer" } }, "type": "object" }, "type": "array" }, "voice_modify": { "properties": { "intensity": { "enum": [ -100, 100 ], "type": "integer" }, "pitch": { "enum": [ -100, 100 ], "type": "integer" }, "sound_effects": { "enum": [ "spacious_echo", "auditorium_echo", "lofi_telephone", "robotic" ], "type": "string" }, "timbre": { "enum": [ -100, 100 ], "type": "integer" } }, "type": "object" }, "voice_setting": { "properties": { "emotion": { "enum": [ "happy", "sad", "angry", "fearful", "disgusted", "surprised", "calm", "fluent" ], "type": "string" }, "latex_read": { "default": false, "type": "boolean" }, "pitch": { "default": 0, "maximum": 12, "minimum": -12, "type": "integer" }, "speed": { "default": 1, "maximum": 2, "minimum": 0.5, "type": "number" }, "text_normalization": { "default": false, "type": "boolean" }, "voice_id": { "type": "string" }, "vol": { "default": 1, "exclusiveMinimum": true, "maximum": 10, "minimum": 0, "type": "number" } }, "type": "object" } }, "required": [ "model", "text" ], "type": "object" }, "schema_template": { "body": { "audio_setting": { "channel": 1, "format": "mp3", "sample_rate": 32000 }, "model": "minimax/speech-02-hd", "output_format": "hex", "stream": false, "text": "Hello, this is a short speech example." }, "content_type": "application/json" } }, "input": { "conditions": [ "Use text, not input or contents. Fewer than 10000 Unicode characters; stream is false or omitted.", "PCM is raw audio with its returned sample geometry; do not invent a WAV header or bit depth." ], "content_type": "application/json", "material_types": [ "text" ], "optional": [ "stream", "voice_setting", "audio_setting", "pronunciation_dict", "timber_weights", "language_boost", "voice_modify", "subtitle_enable", "output_format", "aigc_watermark" ], "required": [ "model", "text" ] }, "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets", "query": { "cursor": "actual returned next_cursor, when present", "family": "audio" } }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "cancel_endpoint": null, "create": { "http": "POST", "path": "/v1/audio/speech" }, "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "owned_content": { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "Use the exact returned content_url. Refresh an expired link by reading the same existing asset." }, "status": [], "unknown": "Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.", "unknown_no_replay": true }, "method": { "http": "POST", "path": "/v1/audio/speech" }, "method_aliases": [], "output": { "all_results": "Retain the full JSON. Decode every hex audio byte or use the returned owned URL. Keep the actual format, sample rate, channel count and usage_characters.", "family": "audio", "fields": [ { "name": "data.audio", "type": "string" }, { "name": "extra_info", "type": "object" }, { "name": "trace_id", "type": "string" } ], "format": [ "mp3", "pcm", "flac", "wav" ] } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input character" }, "label": "input character", "units": [ { "amount": "0.0002", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.0002", "native_quantity": 1, "public_unit_label": "per input character", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_character" } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"minimax/speech-02-hd\", \"text\": \"Hello, this is a short speech example.\", \"stream\": false, \"output_format\": \"hex\", \"audio_setting\": {\"format\": \"mp3\", \"sample_rate\": 32000, \"channel\": 1}}')\n\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 result.json\n# Submit once. Retain the complete result, original identifiers and every response header.\n", "label": "curl · create once and retain the complete result", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "speech", "http": "POST", "img_in": null, "img_out": null, "in": null, "input": [ "text" ], "label": "Speech", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": null, "output": [ "audio" ], "path": "/v1/audio/speech", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "per_request", "cache_read_price": null, "cache_write_1h_price": null, "cache_write_price": null, "fast_multiplier": null, "flex_multiplier": null, "image_input_price": null, "image_output_price": null, "input_price": null, "intervals": null, "max_reasoning_effort_multiplier": null, "output_price": null, "per_request_price": null, "unit_prices": { "audio_input_character": "0.0002" } }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input character" }, "label": "input character", "units": [ { "amount": "0.0002", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.0002", "native_quantity": 1, "public_unit_label": "per input character", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_character" } ] } ], "request_model_id": "minimax/speech-02-hd", "route_label": "Ultra", "status_reads": [], "tiers": [], "unit": "per_request", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" }, { "amount": "0.0002", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.0002", "native_quantity": 1, "public_unit_label": "per input character", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_character" } ] } } ], "model_id": "minimax/speech-02-hd", "nativeProvenance": { "input_facts_canonical_sha256": "db14b1cc9a860144143b0ef8da0c75f64bc4ff1a187a6deac652235afae5bb8d", "input_html_sha256": "6f89cce1cf3bac754b3a6fdd93036a55bc7815bd6d1476edc17e908272bdb751", "private_audit_sha256": "9eb728efa12da6d9c462bc40d471cac463056a30e646602ba9bef0fa52c8adb2", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/de/minimax-speech-02-hd/", "description": "MiniMax Speech 02 HD liest bereitgestellten Text als generierte Sprache über eine synchrone audio_speech-Anfrage vor. Es akzeptiert Text mit weniger als 10 000 Zeichen und bietet Einstellungen für Stimme, Sprechtempo und Tonhöhe mit MP3-, PCM-, FLAC- oder WAV-Ausgabe.", "locale": "de", "md_url": "https://ailoot.ai/models/de/minimax-speech-02-hd/index.md", "title": "MiniMax: Speech 02 HD — Ailoot", "url": "https://ailoot.ai/models/de/minimax-speech-02-hd/" }, "rawModel": { "about": "MiniMax Speech 02 HD wandelt bereitgestellten Text in gesprochene Audiodaten um. Seine genaue Ailoot-Modell-ID lautet minimax/speech-02-hd, und seine dokumentierte Syntheseauswahlkennung ist speech-02-hd. 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.\n\nBereiten 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.\n\nDer 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.\n\nvoice_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.\n\nDie 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.\n\naudio_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.\n\nWeitere 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.\n\nDas 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.\n\nSpeichern 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.", "alias_of": null, "aliases": [], "author": "MiniMax", "ctx": null, "formats": [ "speech" ], "id": "minimax/speech-02-hd", "input": [ "text" ], "kind": "speech", "max_out": null, "methods": [ { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Retain the complete response, all actual results, original identifiers, usage and response headers.", "authentication": { "api_key_source": "AILOOT_API_KEY", "header": "Authorization: Bearer" }, "example_body": { "audio_setting": { "channel": 1, "format": "mp3", "sample_rate": 32000 }, "model": "minimax/speech-02-hd", "output_format": "hex", "stream": false, "text": "Hello, this is a short speech example." }, "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets", "query": { "cursor": "actual returned next_cursor, when present", "family": "audio" } }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "cancel_endpoint": null, "create": { "http": "POST", "path": "/v1/audio/speech" }, "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "owned_content": { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "Use the exact returned content_url. Refresh an expired link by reading the same existing asset." }, "status": [], "unknown": "Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.", "unknown_no_replay": true }, "outputs": { "all_results": "Retain the full JSON. Decode every hex audio byte or use the returned owned URL. Keep the actual format, sample rate, channel count and usage_characters.", "family": "audio", "fields": [ { "name": "data.audio", "type": "string" }, { "name": "extra_info", "type": "object" }, { "name": "trace_id", "type": "string" } ], "format": [ "mp3", "pcm", "flac", "wav" ] }, "parameters": [ { "default_known": false, "enum": [ "minimax/speech-02-hd" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "default_known": false, "enum_known": false, "maxLength": 9999, "minLength": 1, "name": "text", "required": true, "type": "string" }, { "default": false, "default_known": true, "enum": [ false ], "enum_known": true, "name": "stream", "required": false, "type": "boolean" }, { "default_known": false, "enum_known": false, "name": "voice_setting", "properties": { "emotion": { "enum": [ "happy", "sad", "angry", "fearful", "disgusted", "surprised", "calm", "fluent" ], "type": "string" }, "latex_read": { "default": false, "type": "boolean" }, "pitch": { "default": 0, "maximum": 12, "minimum": -12, "type": "integer" }, "speed": { "default": 1, "maximum": 2, "minimum": 0.5, "type": "number" }, "text_normalization": { "default": false, "type": "boolean" }, "voice_id": { "type": "string" }, "vol": { "default": 1, "exclusiveMinimum": true, "maximum": 10, "minimum": 0, "type": "number" } }, "required": false, "type": "object" }, { "default_known": false, "enum_known": false, "name": "voice_setting.voice_id", "required": false, "type": "string" }, { "default": 1, "default_known": true, "enum_known": false, "maximum": 2, "minimum": 0.5, "name": "voice_setting.speed", "required": false, "type": "number" }, { "default": 1, "default_known": true, "enum_known": false, "exclusiveMinimum": true, "maximum": 10, "minimum": 0, "name": "voice_setting.vol", "required": false, "type": "number" }, { "default": 0, "default_known": true, "enum_known": false, "maximum": 12, "minimum": -12, "name": "voice_setting.pitch", "required": false, "type": "integer" }, { "default_known": false, "enum": [ "happy", "sad", "angry", "fearful", "disgusted", "surprised", "calm", "fluent" ], "enum_known": true, "name": "voice_setting.emotion", "required": false, "type": "string" }, { "default": false, "default_known": true, "enum_known": false, "name": "voice_setting.text_normalization", "required": false, "type": "boolean" }, { "default": false, "default_known": true, "enum_known": false, "name": "voice_setting.latex_read", "required": false, "type": "boolean" }, { "default_known": false, "enum_known": false, "name": "audio_setting", "properties": { "bitrate": { "default": 128000, "enum": [ 32000, 64000, 128000, 256000 ], "type": "integer" }, "channel": { "default": 1, "enum": [ 1, 2 ], "type": "integer" }, "force_cbr": { "default": false, "type": "boolean" }, "format": { "default": "mp3", "enum": [ "mp3", "pcm", "flac", "wav" ], "type": "string" }, "sample_rate": { "default": 32000, "enum": [ 8000, 16000, 22050, 24000, 32000, 44100 ], "type": "integer" } }, "required": false, "type": "object" }, { "default": 32000, "default_known": true, "enum": [ 8000, 16000, 22050, 24000, 32000, 44100 ], "enum_known": true, "name": "audio_setting.sample_rate", "required": false, "type": "integer" }, { "default": 128000, "default_known": true, "enum": [ 32000, 64000, 128000, 256000 ], "enum_known": true, "name": "audio_setting.bitrate", "required": false, "type": "integer" }, { "default": "mp3", "default_known": true, "enum": [ "mp3", "pcm", "flac", "wav" ], "enum_known": true, "name": "audio_setting.format", "required": false, "type": "string" }, { "default": 1, "default_known": true, "enum": [ 1, 2 ], "enum_known": true, "name": "audio_setting.channel", "required": false, "type": "integer" }, { "default": false, "default_known": true, "enum_known": false, "name": "audio_setting.force_cbr", "required": false, "type": "boolean" }, { "default_known": false, "enum_known": false, "name": "pronunciation_dict", "properties": { "tone": { "items": { "type": "string" }, "type": "array" } }, "required": false, "type": "object" }, { "default_known": false, "enum_known": false, "items": { "type": "string" }, "name": "pronunciation_dict.tone", "required": false, "type": "array" }, { "default_known": false, "enum_known": false, "items": { "properties": { "voice_id": { "type": "string" }, "weight": { "type": "integer" } }, "type": "object" }, "name": "timber_weights", "required": false, "type": "array" }, { "default_known": false, "enum": [ "Chinese", "Chinese,Yue", "English", "Arabic", "Russian", "Spanish", "French", "Portuguese", "German", "Turkish", "Dutch", "Ukrainian", "Vietnamese", "Indonesian", "Japanese", "Italian", "Korean", "Thai", "Polish", "Romanian", "Greek", "Czech", "Finnish", "Hindi", "Bulgarian", "Danish", "Hebrew", "Malay", "Persian", "Slovak", "Swedish", "Croatian", "Filipino", "Hungarian", "Norwegian", "Slovenian", "Catalan", "Nynorsk", "Tamil", "Afrikaans", "auto" ], "enum_known": true, "name": "language_boost", "required": false, "type": "string" }, { "default_known": false, "enum_known": false, "name": "voice_modify", "properties": { "intensity": { "enum": [ -100, 100 ], "type": "integer" }, "pitch": { "enum": [ -100, 100 ], "type": "integer" }, "sound_effects": { "enum": [ "spacious_echo", "auditorium_echo", "lofi_telephone", "robotic" ], "type": "string" }, "timbre": { "enum": [ -100, 100 ], "type": "integer" } }, "required": false, "type": "object" }, { "default_known": false, "enum": [ -100, 100 ], "enum_known": true, "name": "voice_modify.pitch", "required": false, "type": "integer" }, { "default_known": false, "enum": [ -100, 100 ], "enum_known": true, "name": "voice_modify.intensity", "required": false, "type": "integer" }, { "default_known": false, "enum": [ -100, 100 ], "enum_known": true, "name": "voice_modify.timbre", "required": false, "type": "integer" }, { "default_known": false, "enum": [ "spacious_echo", "auditorium_echo", "lofi_telephone", "robotic" ], "enum_known": true, "name": "voice_modify.sound_effects", "required": false, "type": "string" }, { "default": false, "default_known": true, "enum_known": false, "name": "subtitle_enable", "required": false, "type": "boolean" }, { "default": "hex", "default_known": true, "enum": [ "url", "hex" ], "enum_known": true, "name": "output_format", "required": false, "type": "string" }, { "default": false, "default_known": true, "enum_known": false, "name": "aigc_watermark", "required": false, "type": "boolean" } ], "request_schema": { "properties": { "aigc_watermark": { "default": false, "type": "boolean" }, "audio_setting": { "properties": { "bitrate": { "default": 128000, "enum": [ 32000, 64000, 128000, 256000 ], "type": "integer" }, "channel": { "default": 1, "enum": [ 1, 2 ], "type": "integer" }, "force_cbr": { "default": false, "type": "boolean" }, "format": { "default": "mp3", "enum": [ "mp3", "pcm", "flac", "wav" ], "type": "string" }, "sample_rate": { "default": 32000, "enum": [ 8000, 16000, 22050, 24000, 32000, 44100 ], "type": "integer" } }, "type": "object" }, "language_boost": { "enum": [ "Chinese", "Chinese,Yue", "English", "Arabic", "Russian", "Spanish", "French", "Portuguese", "German", "Turkish", "Dutch", "Ukrainian", "Vietnamese", "Indonesian", "Japanese", "Italian", "Korean", "Thai", "Polish", "Romanian", "Greek", "Czech", "Finnish", "Hindi", "Bulgarian", "Danish", "Hebrew", "Malay", "Persian", "Slovak", "Swedish", "Croatian", "Filipino", "Hungarian", "Norwegian", "Slovenian", "Catalan", "Nynorsk", "Tamil", "Afrikaans", "auto" ], "type": "string" }, "model": { "enum": [ "minimax/speech-02-hd" ], "type": "string" }, "output_format": { "default": "hex", "enum": [ "url", "hex" ], "type": "string" }, "pronunciation_dict": { "properties": { "tone": { "items": { "type": "string" }, "type": "array" } }, "type": "object" }, "stream": { "default": false, "enum": [ false ], "type": "boolean" }, "subtitle_enable": { "default": false, "type": "boolean" }, "text": { "maxLength": 9999, "minLength": 1, "type": "string" }, "timber_weights": { "items": { "properties": { "voice_id": { "type": "string" }, "weight": { "type": "integer" } }, "type": "object" }, "type": "array" }, "voice_modify": { "properties": { "intensity": { "enum": [ -100, 100 ], "type": "integer" }, "pitch": { "enum": [ -100, 100 ], "type": "integer" }, "sound_effects": { "enum": [ "spacious_echo", "auditorium_echo", "lofi_telephone", "robotic" ], "type": "string" }, "timbre": { "enum": [ -100, 100 ], "type": "integer" } }, "type": "object" }, "voice_setting": { "properties": { "emotion": { "enum": [ "happy", "sad", "angry", "fearful", "disgusted", "surprised", "calm", "fluent" ], "type": "string" }, "latex_read": { "default": false, "type": "boolean" }, "pitch": { "default": 0, "maximum": 12, "minimum": -12, "type": "integer" }, "speed": { "default": 1, "maximum": 2, "minimum": 0.5, "type": "number" }, "text_normalization": { "default": false, "type": "boolean" }, "voice_id": { "type": "string" }, "vol": { "default": 1, "exclusiveMinimum": true, "maximum": 10, "minimum": 0, "type": "number" } }, "type": "object" } }, "required": [ "model", "text" ], "type": "object" }, "schema_template": { "body": { "audio_setting": { "channel": 1, "format": "mp3", "sample_rate": 32000 }, "model": "minimax/speech-02-hd", "output_format": "hex", "stream": false, "text": "Hello, this is a short speech example." }, "content_type": "application/json" } }, "input": { "conditions": [ "Use text, not input or contents. Fewer than 10000 Unicode characters; stream is false or omitted.", "PCM is raw audio with its returned sample geometry; do not invent a WAV header or bit depth." ], "content_type": "application/json", "material_types": [ "text" ], "optional": [ "stream", "voice_setting", "audio_setting", "pronunciation_dict", "timber_weights", "language_boost", "voice_modify", "subtitle_enable", "output_format", "aigc_watermark" ], "required": [ "model", "text" ] }, "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets", "query": { "cursor": "actual returned next_cursor, when present", "family": "audio" } }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "cancel_endpoint": null, "create": { "http": "POST", "path": "/v1/audio/speech" }, "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "owned_content": { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "Use the exact returned content_url. Refresh an expired link by reading the same existing asset." }, "status": [], "unknown": "Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.", "unknown_no_replay": true }, "method": { "http": "POST", "path": "/v1/audio/speech" }, "method_aliases": [], "output": { "all_results": "Retain the full JSON. Decode every hex audio byte or use the returned owned URL. Keep the actual format, sample rate, channel count and usage_characters.", "family": "audio", "fields": [ { "name": "data.audio", "type": "string" }, { "name": "extra_info", "type": "object" }, { "name": "trace_id", "type": "string" } ], "format": [ "mp3", "pcm", "flac", "wav" ] } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input character" }, "label": "input character", "units": [ { "amount": "0.0002", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.0002", "native_quantity": 1, "public_unit_label": "per input character", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_character" } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"minimax/speech-02-hd\", \"text\": \"Hello, this is a short speech example.\", \"stream\": false, \"output_format\": \"hex\", \"audio_setting\": {\"format\": \"mp3\", \"sample_rate\": 32000, \"channel\": 1}}')\n\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 result.json\n# Submit once. Retain the complete result, original identifiers and every response header.\n", "label": "curl · create once and retain the complete result", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "speech", "http": "POST", "img_in": null, "img_out": null, "in": null, "input": [ "text" ], "label": "Speech", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": null, "output": [ "audio" ], "path": "/v1/audio/speech", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "per_request", "cache_read_price": null, "cache_write_1h_price": null, "cache_write_price": null, "fast_multiplier": null, "flex_multiplier": null, "image_input_price": null, "image_output_price": null, "input_price": null, "intervals": null, "max_reasoning_effort_multiplier": null, "output_price": null, "per_request_price": null, "unit_prices": { "audio_input_character": "0.0002" } }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input character" }, "label": "input character", "units": [ { "amount": "0.0002", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.0002", "native_quantity": 1, "public_unit_label": "per input character", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_character" } ] } ], "request_model_id": "minimax/speech-02-hd", "route_label": "Ultra", "status_reads": [], "tiers": [], "unit": "per_request", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" }, { "amount": "0.0002", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.0002", "native_quantity": 1, "public_unit_label": "per input character", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_character" } ] } ], "model_aliases": [ { "canonical_model_id": "minimax/speech-02-hd", "request_model_id": "minimax/speech-02-hd", "route_label": "Ultra" } ], "name": "MiniMax: Speech 02 HD", "price": { "in": "0.0002", "in_label": "per input character", "out": null, "out_label": null, "sort_in": null, "sort_out": null, "varies": false }, "short": "MiniMax Speech 02 HD liest bereitgestellten Text als generierte Sprache über eine synchrone audio_speech-Anfrage vor. Es akzeptiert Text mit weniger als 10 000 Zeichen und bietet Einstellungen für Stimme, Sprechtempo und Tonhöhe mit MP3-, PCM-, FLAC- oder WAV-Ausgabe." }, "renderer_schema": { "method_order": "Original DTO methods order; every exact route/format/path/caller survives.", "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers." }, "representation": "exact-public-dto-and-native-renderer-html", "representationNotes": { "current_reference": { "about_json_pointer": "/aboutHtml", "methods": [ { "contract_json_pointer": "/methods/0/rawMethod/contract", "html_json_pointer": "/methods/0/html", "method_ordinal": 0 } ], "role": "current-semantic-reference" }, "raw_input": { "examples_role": "historical-input-not-current-ready-examples", "json_pointers": [ "/rawModel", "/methods/0/rawMethod" ], "role": "historical-owner-input" }, "schema": "ailoot-native-model-representations-v1" }, "schema": "ailoot-static-model-facts-v1", "schema_version": 1, "shortText": "MiniMax Speech 02 HD liest bereitgestellten Text als generierte Sprache über eine synchrone audio_speech-Anfrage vor. Es akzeptiert Text mit weniger als 10 000 Zeichen und bietet Einstellungen für Stimme, Sprechtempo und Tonhöhe mit MP3-, PCM-, FLAC- oder WAV-Ausgabe.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "3480707af66e1fd122e3529c32309f4ebcc609ef630c4233932c44f273af861c", "renderer_sha256": "8bd3076b303b7b3aa4d961032854071403a471ec26a4f50c64e3a32556ea2925" }, "sourceRevision": "f9756a803d63e3c4f6f884a8c4f674f640b72a4454b91c78d143255d3198bab9" }