speech-02-turbo
Speech-02 Turbo ist für schnelle Sprachsynthese mit stabilem Rhythmus und mehrsprachiger Wiedergabe vorgesehen.
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.
Schnelle Sprache für interaktive Antworten
Speech 02 Turbo ist für interaktive Sprachsynthese vorgesehen. Der Hersteller beschreibt die Verbindung von Geschwindigkeit, stabilem Rhythmus und natürlichem Klang; zu den Szenarien gehören Sprachantworten, Dialogzeilen in Spielen und interaktive Inhalte. Das Modell erhält Text und erstellt gesprochenes Audio.
Klangcharakter wählen
Die Speech-02-Familie ermöglicht die Verbindung von Stimme, Sprache, Akzent und emotionaler Färbung. Gemeinsam trainierte autoregressive Transformer und Sprecherencoder verknüpfen die Klangfarbe mit dem Inhalt. Text lässt sich mit einer vorhandenen Stimme synthetisieren; die Erstellung einer neuen geklonten Stimme gehört zu einer separaten Vorbereitung.
Das Modell wählt die emotionale Intonation selbst anhand des Textes oder übernimmt einen vorgegebenen Zustand: Freude, Trauer, Wut, Angst, Ekel, Überraschung oder Ruhe. Zusätzlich werden Geschwindigkeit, Tonhöhe und Lautstärke gesteuert, um den Beitrag an das gewünschte Interaktionstempo anzupassen.
Sprachen und Aussprache
Russisch und weitere Sprachen werden unterstützt, darunter Englisch, Chinesisch, Kantonesisch, Japanisch, Koreanisch, Französisch, Deutsch, Spanisch, Portugiesisch, Türkisch, Arabisch und Ukrainisch. Die aktuelle Speech-02-Spezifikation schließt Persisch, Filipino und Tamil gesondert aus.
Die Aussprache lässt sich durch ein Ersetzungswörterbuch, internationale phonetische Notation, chinesisches Pinyin und japanische Lesevarianten präzisieren. Pausen zwischen gesprochenen Abschnitten können 0,01–99,99 Sekunden dauern. Die Pausendauer wird mit zwei Nachkommastellen angegeben; Markierungen stehen zwischen gesprochenen Abschnitten und nicht unmittelbar hintereinander. Das Modell sieht eine Geschwindigkeit von 0,5–2, Lautstärke über 0 und bis 10 sowie Tonhöhenänderungen von −12 bis 12 vor.
Audio zur Wiedergabe
Die synchrone Eingabe ist auf Text mit weniger als 10 000 Zeichen begrenzt; für mehr als 3000 Zeichen empfiehlt der Hersteller schrittweise Ausgabe. Zu den Modellfähigkeiten gehören MP3, WAV, FLAC und PCM; allgemeine Einstellungen beschreiben außerdem Opus und G.711 μ-law sowie einen oder zwei Audiokanäle.
Diese Ailoot-Karte akzeptiert Text und gibt Sprache zurück. Die Turbo-Geschwindigkeit betrifft den Zweck der Modellvariante; die Dauer einer konkreten Antwort und die Verfügbarkeit erweiterter Formate hängen vom gewählten Zugriffsweg ab.
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-turbo
speech-02-turboStart
Speech-02 Turbo ist für schnelle Sprachsynthese mit stabilem Rhythmus und mehrsprachiger Wiedergabe vorgesehen.
- 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-turbo | 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
- 60,00 $ 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-turbo", "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-turbo
Aliasnamen für Methodenpfade
Verwenden Sie die oben angezeigten Methodenpfade.
Zugehörige Aufrufer-IDs
FAQ · speech-02-turbo
- Welche Eingaben und Ergebnisse sind verfügbar?
POST /v1/audio/speech·speech-02-turbo:text→speech- Welche Felder verwendet die Anfrage?
POST /v1/audio/speech·speech-02-turbo:model,input,voice,response_format