Speech 2.6 HD ist für natürliche Sprachsynthese und Szenarien vorgesehen, in denen die Antwort schnell beginnen soll. Der Hersteller legt Wert auf Intonation, flüssige Sprache und Textverarbeitung vor dem Sprechen. Die HD-Variante betont die Klangqualität; die Eingabe dieser Karte ist Text, die Ausgabe gesprochenes Audio.
Die Speech-2.6-Generation kann Schreibweisen verarbeiten, die häufig in Arbeitsnachrichten vorkommen: Webadressen, E-Mail-Adressen, Telefonnummern, Datumsangaben und Geldbeträge. Das Modell wandelt sie in eine aussprechbare Form um, damit der Beitrag beim Hören verständlich bleibt. Der Hersteller beschreibt solche Aufgaben in mehreren Sprachen.
Speech 2.6 sieht den Modus Fluent LoRA zur Verbesserung des Redeflusses vor. Er dient der Synthese anhand einer vorbereiteten Stimme: Er hilft, die Klangfarbe zu erhalten und zugleich zusammenhängendere Sprache zu erzeugen, auch wenn die Ausgangsprobe ungleichmäßig war oder einen Akzent enthielt. Die Vorbereitung einer geklonten Stimme und ihre Verwendung zur Vertonung sind unterschiedliche Aktionen.
Unterstützt werden 40 Sprachen, darunter Russisch. Neben sieben grundlegenden emotionalen Zuständen sind bei Speech 2.6 die Varianten für flüssige Sprache fluent und Flüstern whisper vorgesehen. Wird keine Emotion angegeben, wählt das Modell sie anhand der Textbedeutung.
MiniMax sieht Stimmenauswahl und die Steuerung von Tempo, Lautstärke und Tonhöhe vor. Die Geschwindigkeit liegt im Bereich 0,5–2, die Lautstärke über 0 und bis 10, die Tonhöhenänderung bei −12 bis 12. Die Emotion kann anhand der Textbedeutung dem Modell überlassen oder manuell angegeben werden: Freude, Trauer, Wut, Angst, Ekel, Überraschung oder Ruhe.
Die Aussprache lässt sich mit einem Ersetzungswörterbuch und phonetischer Notation präzisieren; vorgesehen sind das internationale phonetische Alphabet, chinesisches Pinyin und japanische Lesevarianten. Pausen werden zwischen gesprochenen Abschnitten im Bereich 0,01–99,99 Sekunden angegeben. Die Pausendauer wird mit zwei Nachkommastellen festgelegt; Markierungen stehen zwischen gesprochenen Abschnitten und nicht unmittelbar hintereinander. Diese Einstellungen erlauben es, Namen, Abkürzungen und mehrdeutige Wörter auf die Vertonungsidee abzustimmen.
Die Synthese akzeptiert Text mit weniger als 10 000 Zeichen. Für lange Texte mit mehr als 3000 Zeichen empfiehlt der Hersteller Streaming-Ausgabe; vollständiger Audioempfang ist ebenfalls vorgesehen. Allgemeine Syntheseeinstellungen umfassen MP3, PCM, FLAC, WAV, Opus und G.711 μ-law-Varianten sowie Mono oder Stereo; welche Formate eine konkrete Anfrage bietet, wird durch die Mittel von Ailoot bestimmt.
Laut MiniMax ist die Generation auf geringe Latenz in Sprachszenarien ausgerichtet. Das beschreibt das Modell; die Antwortzeit und Verfügbarkeit erweiterter Einstellungen hängen vom gewählten Ailoot-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.
", "aboutText": "### Natürliche Stimme für Interaktion\n\nSpeech 2.6 HD ist für natürliche Sprachsynthese und Szenarien vorgesehen, in denen die Antwort schnell beginnen soll. Der Hersteller legt Wert auf Intonation, flüssige Sprache und Textverarbeitung vor dem Sprechen. Die HD-Variante betont die Klangqualität; die Eingabe dieser Karte ist Text, die Ausgabe gesprochenes Audio.\n\n### Ungewöhnliche Schreibweisen vorlesen\n\nDie Speech-2.6-Generation kann Schreibweisen verarbeiten, die häufig in Arbeitsnachrichten vorkommen: Webadressen, E-Mail-Adressen, Telefonnummern, Datumsangaben und Geldbeträge. Das Modell wandelt sie in eine aussprechbare Form um, damit der Beitrag beim Hören verständlich bleibt. Der Hersteller beschreibt solche Aufgaben in mehreren Sprachen.\n\n### Flüssige Sprache mit erhaltener Klangfarbe\n\nSpeech 2.6 sieht den Modus Fluent LoRA zur Verbesserung des Redeflusses vor. Er dient der Synthese anhand einer vorbereiteten Stimme: Er hilft, die Klangfarbe zu erhalten und zugleich zusammenhängendere Sprache zu erzeugen, auch wenn die Ausgangsprobe ungleichmäßig war oder einen Akzent enthielt. Die Vorbereitung einer geklonten Stimme und ihre Verwendung zur Vertonung sind unterschiedliche Aktionen.\n\nUnterstützt werden **40 Sprachen**, darunter Russisch. Neben sieben grundlegenden emotionalen Zuständen sind bei Speech 2.6 die Varianten für flüssige Sprache `fluent` und Flüstern `whisper` vorgesehen. Wird keine Emotion angegeben, wählt das Modell sie anhand der Textbedeutung.\n\n### Ausspracheeinstellungen\n\nMiniMax sieht Stimmenauswahl und die Steuerung von Tempo, Lautstärke und Tonhöhe vor. Die Geschwindigkeit liegt im Bereich **0,5–2**, die Lautstärke über 0 und bis **10**, die Tonhöhenänderung bei **−12 bis 12**. Die Emotion kann anhand der Textbedeutung dem Modell überlassen oder manuell angegeben werden: Freude, Trauer, Wut, Angst, Ekel, Überraschung oder Ruhe.\n\nDie Aussprache lässt sich mit einem Ersetzungswörterbuch und phonetischer Notation präzisieren; vorgesehen sind das internationale phonetische Alphabet, chinesisches Pinyin und japanische Lesevarianten. Pausen werden zwischen gesprochenen Abschnitten im Bereich **0,01–99,99 Sekunden** angegeben. Die Pausendauer wird mit zwei Nachkommastellen festgelegt; Markierungen stehen zwischen gesprochenen Abschnitten und nicht unmittelbar hintereinander. Diese Einstellungen erlauben es, Namen, Abkürzungen und mehrdeutige Wörter auf die Vertonungsidee abzustimmen.\n\n### Textlänge und Audio\n\nDie Synthese akzeptiert Text mit weniger als **10 000 Zeichen**. Für lange Texte mit mehr als 3000 Zeichen empfiehlt der Hersteller Streaming-Ausgabe; vollständiger Audioempfang ist ebenfalls vorgesehen. Allgemeine Syntheseeinstellungen umfassen MP3, PCM, FLAC, WAV, Opus und G.711 μ-law-Varianten sowie Mono oder Stereo; welche Formate eine konkrete Anfrage bietet, wird durch die Mittel von Ailoot bestimmt.\n\nLaut MiniMax ist die Generation auf geringe Latenz in Sprachszenarien ausgerichtet. Das beschreibt das Modell; die Antwortzeit und Verfügbarkeit erweiterter Einstellungen hängen vom gewählten Ailoot-Zugriffsweg ab.\n\nZusätzliche 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.\n\nDer 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "27b1ef8dd8ee1c28a3d4d10fcd39540c3f37c5bbdcfc47d53dbc5c407549b433", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de", "methods": [ { "html": "speech-2.6-hdSpeech 2.6 HD ist ein Modell für hochwertige Sprachsynthese mit Schwerpunkt auf Natürlichkeit und Stimmähnlichkeit.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Speech 2.6 HD ist für natürliche Sprachsynthese und Szenarien vorgesehen, in denen die Antwort schnell beginnen soll. Der Hersteller legt Wert auf Intonation, flüssige Sprache und Textverarbeitung vor dem Sprechen. Die HD-Variante betont die Klangqualität; die Eingabe dieser Karte ist Text, die Ausgabe gesprochenes Audio.
Die Speech-2.6-Generation kann Schreibweisen verarbeiten, die häufig in Arbeitsnachrichten vorkommen: Webadressen, E-Mail-Adressen, Telefonnummern, Datumsangaben und Geldbeträge. Das Modell wandelt sie in eine aussprechbare Form um, damit der Beitrag beim Hören verständlich bleibt. Der Hersteller beschreibt solche Aufgaben in mehreren Sprachen.
Speech 2.6 sieht den Modus Fluent LoRA zur Verbesserung des Redeflusses vor. Er dient der Synthese anhand einer vorbereiteten Stimme: Er hilft, die Klangfarbe zu erhalten und zugleich zusammenhängendere Sprache zu erzeugen, auch wenn die Ausgangsprobe ungleichmäßig war oder einen Akzent enthielt. Die Vorbereitung einer geklonten Stimme und ihre Verwendung zur Vertonung sind unterschiedliche Aktionen.
Unterstützt werden 40 Sprachen, darunter Russisch. Neben sieben grundlegenden emotionalen Zuständen sind bei Speech 2.6 die Varianten für flüssige Sprache fluent und Flüstern whisper vorgesehen. Wird keine Emotion angegeben, wählt das Modell sie anhand der Textbedeutung.
MiniMax sieht Stimmenauswahl und die Steuerung von Tempo, Lautstärke und Tonhöhe vor. Die Geschwindigkeit liegt im Bereich 0,5–2, die Lautstärke über 0 und bis 10, die Tonhöhenänderung bei −12 bis 12. Die Emotion kann anhand der Textbedeutung dem Modell überlassen oder manuell angegeben werden: Freude, Trauer, Wut, Angst, Ekel, Überraschung oder Ruhe.
Die Aussprache lässt sich mit einem Ersetzungswörterbuch und phonetischer Notation präzisieren; vorgesehen sind das internationale phonetische Alphabet, chinesisches Pinyin und japanische Lesevarianten. Pausen werden zwischen gesprochenen Abschnitten im Bereich 0,01–99,99 Sekunden angegeben. Die Pausendauer wird mit zwei Nachkommastellen festgelegt; Markierungen stehen zwischen gesprochenen Abschnitten und nicht unmittelbar hintereinander. Diese Einstellungen erlauben es, Namen, Abkürzungen und mehrdeutige Wörter auf die Vertonungsidee abzustimmen.
Die Synthese akzeptiert Text mit weniger als 10 000 Zeichen. Für lange Texte mit mehr als 3000 Zeichen empfiehlt der Hersteller Streaming-Ausgabe; vollständiger Audioempfang ist ebenfalls vorgesehen. Allgemeine Syntheseeinstellungen umfassen MP3, PCM, FLAC, WAV, Opus und G.711 μ-law-Varianten sowie Mono oder Stereo; welche Formate eine konkrete Anfrage bietet, wird durch die Mittel von Ailoot bestimmt.
Laut MiniMax ist die Generation auf geringe Latenz in Sprachszenarien ausgerichtet. Das beschreibt das Modell; die Antwortzeit und Verfügbarkeit erweiterter Einstellungen hängen vom gewählten Ailoot-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.
POST /v1/audio/speechtextspeech| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits speech-2.6-hd | Standard— |
Feldinput | Typstring | AnforderungErforderlich | Werte und Limits Mindestlänge: 1 Maximale Länge (exklusiv): 10.000 Einheit: Unicode-Zeichen | Standard— |
Feldvoice | Typstring | AnforderungErforderlich | Werte und Limits Muster: ^[A-Za-z0-9_-]{1,128}$ | Standard— |
Feldresponse_format | Typstring | AnforderungOptional | Werte und Limits mp3 | Standard— |
text_to_speech · Erforderlich: input
| Parameter | Vertrag |
|---|---|
Parametermaterial_types | Vertragtext |
Parameterrequired | Vertragnull |
Parameteroptional_controls | Vertragnull |
Lebenszyklus: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · die tatsächlich zurückgegebene task_id oder ein Eintrag in der Medienbibliothek
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Methodenstrukturen und IDs sind exakt; die Fähigkeiten des Anbieters sind von der Zulassung einer Anfrage zu unterscheiden.
POST /v1/audio/speechAiloot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 narration script}"\nexport AILOOT_TEXT_FILE\n: "${AILOOT_VOICE_ID:?Set the actual accepted voice ID for this model}"\nexport AILOOT_VOICE_ID\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "speech-2.6-hd", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=text\nimport re\nvoice=os.environ["AILOOT_VOICE_ID"]\nif not re.fullmatch(r"[A-Za-z0-9_-]{1,128}",voice):raise SystemExit("Set an actual accepted voice ID")\np["voice"]=voice\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o speech.mp3\nmp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Das vollständige Binärergebnis und die Header aufbewahren. Wenn JSON oder mehrere Ausgaben zurückgegeben werden, jedes Datenelement aufbewahren und jede tatsächlich zurückgegebene signierte Asset-URL abrufen.
Die ursprüngliche operation_id/X-Client-Request-ID für den Abgleich ohne erneute Einreichung aufbewahren; es gibt keine eigene Route zur Abfrage des Audiostatus.
| Feld | Typ |
|---|---|
Feldbinary audio | Typbytes |
Feldresponse headers | Typheaders |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Antwortserver_error | BedingungDie zurückgegebene Antwort gibt an, dass der Vorgang oder das Ergebnis eine Prüfung erfordert | Nächster SchrittDie ursprünglich zurückgegebene Vorgangs-/Aufgaben-ID, die Anfrageheader und die Antwort aufbewahren; mit unterstützten Leseaufrufen für diesen ursprünglichen Vorgang fortfahren. Die Erstellungsanfrage nicht erneut senden. |
Ailoot speech-2.6-hd
Verwenden Sie die oben angezeigten Methodenpfade.