speech-02-hd
Speech-02 HD ist ein Sprachsynthesemodell mit Schwerpunkt auf Klangqualität und Stimmähnlichkeit.
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.
Stimme für Vertonung und längeres Vorlesen
Speech 02 HD erzeugt Sprache mit Schwerpunkt auf Qualität, Rhythmus und Klangstabilität. Der Hersteller hebt Materialvertonung und Hörbücher hervor, bei denen die Stimme ihren Charakter erhalten und längere Texte gleichmäßig durchlaufen soll. Das ist ein Synthesemodell: Es nimmt Text entgegen und wandelt ihn in gesprochenes Audio um.
Wie Text und Klangfarbe verbunden werden
Die Speech-02-Familie basiert auf einer autoregressiven Transformer-Architektur und einem trainierbaren Sprecherencoder. Klangfarbenextraktion und Sprachgenerierung wurden gemeinsam trainiert, um Stimmeigenschaften auf den Inhalt abzustimmen. Zu den Familienfähigkeiten gehören die Verwendung vorbereiteter geklonter Stimmen und die Kombination von Sprache, Akzent und Ausspracheweise.
Emotion und mehrsprachiges Vorlesen
Die emotionale Färbung kann aus der Textbedeutung abgeleitet oder manuell vorgegeben werden. Verfügbar sind Freude, Trauer, Wut, Angst, Ekel, Überraschung und Ruhe. Das Modell verarbeitet Russisch, Englisch und weitere Sprachen; der Hersteller beschreibt verschiedene englische Akzente, Chinesisch und Kantonesisch, Japanisch, Koreanisch, europäische und weitere Sprachen.
Die aktuelle Speech-02-Beschreibung schließt Persisch, Filipino und Tamil ausdrücklich aus. Die allgemeine Sprachliste neuerer Speech-Generationen darf nicht automatisch auf diese Version übertragen werden.
Stimme einstellen
Für die Synthese sind Stimmenauswahl, Geschwindigkeitsänderung von 0,5–2, Lautstärke über 0 und bis 10 sowie Tonhöhe von −12 bis 12 vorgesehen. Im Aussprachewörterbuch lässt sich die Ersetzung einer Schreibweise durch die gewünschte Aussprache festlegen; phonetische Notationen und japanische Aussprachevarianten werden unterstützt. Damit lässt sich steuern, wie Namen und mehrdeutige Wörter klingen.
Pausen und fertiges Audio
Der Hersteller erlaubt Pausen zwischen gesprochenen Abschnitten mit einer Dauer von 0,01–99,99 Sekunden. Die Pausendauer wird mit zwei Nachkommastellen angegeben; Markierungen stehen zwischen gesprochenen Abschnitten und nicht unmittelbar hintereinander. Der Text einer synchronen Anfrage muss weniger als 10 000 Zeichen enthalten. Audio kann vollständig oder schrittweise empfangen werden; für Text mit mehr als 3000 Zeichen wird Streaming-Ausgabe empfohlen.
Zu den Modellformaten gehören MP3, WAV, FLAC und PCM; allgemeine Syntheseeinstellungen beschreiben außerdem Opus und G.711 μ-law-Varianten. Mono und Stereo lassen sich verwenden. Diese Karte bietet Textvertonung; separate Stimmenvorbereitung und erweiterte Einstellungen gelten nur innerhalb des über Ailoot unterstützten Zugriffswegs.
Zusätzliche Audioeinstellungen umfassen Abtastraten von 8, 16, 22,05, 24, 32 und 44,1 kHz. Für MP3 sind Bitraten von 32, 64, 128 oder 256 kbit/s vorgesehen. Außerdem kann die Stimmfärbung geändert und ein einzelner Effekt angewendet werden: weiträumiges Echo, Hallenecho, Telefonklang oder Roboterstimme. Stimmveränderungseffekte werden bei vollständigem Audioempfang für MP3, WAV und FLAC unterstützt, bei Streaming-Ausgabe nur für MP3. G.711 μ-law-Formate verwenden 8 kHz. Diese Fähigkeiten gehören zu den MiniMax-Syntheseeinstellungen.
Der Hersteller sieht die Synchronisierung von Sprache und Text vor: Zeitstempel auf Satzebene, auf Wortebene oder für Wörter bei schrittweiser Ausgabe. Ein solches Ergebnis hilft, Aussprache und Textanzeige zu verbinden. Diese Zusatzfunktion erfordert Unterstützung des entsprechenden Antwortformats.
Ailoot · Sprachausgabe POST /v1/audio/speech speech-02-hd
speech-02-hdStart
Speech-02 HD ist ein Sprachsynthesemodell mit Schwerpunkt auf Klangqualität und Stimmähnlichkeit.
- Zulässige Eingaben
- Text
- Ergebnisse
- speech
In Ailoot verfügbar · Eingaben und Methoden
Ailoot · Sprachausgabe POST /v1/audio/speech
- Eingabetypen
text- Ausgabetypen
speech- Ausgabeformat
- mp3
| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits speech-02-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— |
Kombinationen von Eingabematerialien
text_to_speech · Erforderlich: input
Methodenparameter und Lebenszyklus
| 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.
Tarife
Ailoot-Methodentarife
POST /v1/audio/speech- Eingabe
- 100,00 $ pro 1 Million Zeichen
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 · Sprachausgabe
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 narration script}"
export AILOOT_TEXT_FILE
: "${AILOOT_VOICE_ID:?Set the actual accepted voice ID for this model}"
export AILOOT_VOICE_ID
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "speech-02-hd", "input": ""}')
f=Path(os.environ["AILOOT_TEXT_FILE"])
if not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")
text=f.read_text(encoding="utf-8")
if not text.strip():raise SystemExit("Source material must contain text")
p["input"]=text
import re
voice=os.environ["AILOOT_VOICE_ID"]
if not re.fullmatch(r"[A-Za-z0-9_-]{1,128}",voice):raise SystemExit("Set an actual accepted voice ID")
p["voice"]=voice
Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \
-H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o speech.mp3
Ergebnisse abrufen und speichern
Ailoot · Sprachausgabe
mp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Alle fertiggestellten Ergebnisse aufbewahren
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.
Wenn die ursprüngliche Antwort geprüft werden muss
Die ursprüngliche operation_id/X-Client-Request-ID für den Abgleich ohne erneute Einreichung aufbewahren; es gibt keine eigene Route zur Abfrage des Audiostatus.
Antwortfelder
| Feld | Typ |
|---|---|
Feldbinary audio | Typbytes |
Feldresponse headers | Typheaders |
Fehler und nächste Schritte
| 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. |
Aliasnamen
Modellaliasnamen
Ailoot speech-02-hd
Aliasnamen für Methodenpfade
Verwenden Sie die oben angezeigten Methodenpfade.
Zugehörige Aufrufer-IDs
FAQ · speech-02-hd
- Welche Eingaben und Ergebnisse sind verfügbar?
POST /v1/audio/speech·speech-02-hd:text→speech- Welche Felder verwendet die Anfrage?
POST /v1/audio/speech·speech-02-hd:model,input,voice,response_format