speech-2.6-turbo
Speech 2.6 Turbo bietet mehrsprachige Sprachsynthese und ist auf geringe Antwortlatenz ausgerichtet.
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.
Beiträge für einen Sprachablauf
Speech 2.6 Turbo ist eine auf Geschwindigkeit ausgerichtete Sprachsynthesevariante. Der Hersteller beschreibt sie für Sprachassistenten und interaktive Szenarien, in denen Text schrittweise zu einer Antwort wird. Das Modell behält die natürliche Intonation der Speech-2.6-Generation bei und kann besondere Schreibweisen verarbeiten.
Text, der richtig ausgesprochen werden muss
Das Modell ist auf das Vorlesen von Datumsangaben, Telefonnummern, Geldbeträgen, Webadressen und E-Mail-Adressen ausgelegt, ohne jeden Eintrag zuvor manuell umzuschreiben. Diese Verarbeitung ist in dynamischen Nachrichten hilfreich, die Zahlen und Bezeichnungen zusammen mit gewöhnlichen Wörtern enthalten. Der Hersteller beschreibt die Verarbeitung dieser Formate in mehreren Sprachen.
Flüssigkeit und Emotionssteuerung
Speech 2.6 unterstützt Fluent LoRA: die Erhaltung einer wiedererkennbaren Klangfarbe bei flüssigerer Textwiedergabe. Diese Fähigkeit betrifft die Verwendung einer bereits vorbereiteten Stimme; die separate Vorbereitung eines Klons gehört nicht zu einer gewöhnlichen Textanfrage. Die Familie umfasst 40 Sprachen, darunter Russisch.
Für Turbo sind sieben grundlegende Emotionen und die zusätzlichen Modi fluent und whisper vorgesehen. Das Modell kann die emotionale Färbung selbst anhand des Inhalts wählen oder einen vorgegebenen Zustand verwenden. Klangtiefe und Tempo lassen sich unabhängig vom Text ändern.
Stimme, Pausen und Aussprache
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.
Audio empfangen
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.
In dieser Ailoot-Karte wird Text in gesprochenes Audio umgewandelt. Der Turbo-Zweck betrifft die Synthesegeschwindigkeit; eine feste Antwortzeit wird hier jedoch nicht versprochen. Die genannten Einstellungen spiegeln Herstellerfähigkeiten wider und gelten innerhalb des verfügbaren 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-2.6-turbo
speech-2.6-turboStart
Speech 2.6 Turbo bietet mehrsprachige Sprachsynthese und ist auf geringe Antwortlatenz ausgerichtet.
- 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-2.6-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-2.6-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-2.6-turbo
Aliasnamen für Methodenpfade
Verwenden Sie die oben angezeigten Methodenpfade.
Zugehörige Aufrufer-IDs
FAQ · speech-2.6-turbo
- Welche Eingaben und Ergebnisse sind verfügbar?
POST /v1/audio/speech·speech-2.6-turbo:text→speech- Welche Felder verwendet die Anfrage?
POST /v1/audio/speech·speech-2.6-turbo:model,input,voice,response_format