Speech 2.8 Turbo verbindet schnelle Audioerstellung mit natürlicher Stimmbewegung. Der Hersteller positioniert Turbo für flüssigen Gesprächsklang: kurze Beiträge, Textvertonung und Sprachinteraktion. Diese Karte akzeptiert Text und gibt gesprochenes Audio zurück.
Wie die HD-Version dieser Generation unterstützt Turbo die Audiomarkierungen von Speech 2.8. In den Text lassen sich Bezeichnungen für Lachen, Kichern, Husten, Räuspern, Einatmen, Ausatmen, Seufzen und andere kurze Laute einfügen. Diese steuerbare Unregelmäßigkeit lässt einen Beitrag wie ein Gespräch klingen: Atmung und Pausen erscheinen passend zum Inhalt.
Eine Audiomarkierung bezieht sich auf eine konkrete Textstelle. Dafür werden vom Modell vorgesehene Bezeichnungen in runden Klammern verwendet, beispielsweise (laughs) oder (breath). Eine beliebige Effektbeschreibung ist kein gleichwertiger Ersatz für eine unterstützte Markierung.
Die Speech-2.8-Familie unterstützt 40 Sprachen, darunter Russisch, sowie die Arbeit mit vorhandenen Stimmen. Der Hersteller hebt wiedererkennbare Stimmtextur, Atmungseigenschaften und geringere digitale Verzerrungen hervor. Stimmenklonen gehört zu einer separaten Vorbereitung; die vorbereitete Stimme kann anschließend für die Synthese verwendet werden.
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.
Die Turbo-Geschwindigkeit ist eine Eigenschaft der Modellvariante, kein Versprechen einer festen Latenz des fertigen Beitrags. Eine numerische Latenz dieser Anfrage wird hier nicht festgelegt. Die genannten erweiterten Herstellereinstellungen erfordern Unterstützung durch den gewählten Ailoot-Zugriffsweg.
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": "### Schnelle Synthese gesprochener Beiträge\n\nSpeech 2.8 Turbo verbindet schnelle Audioerstellung mit natürlicher Stimmbewegung. Der Hersteller positioniert Turbo für flüssigen Gesprächsklang: kurze Beiträge, Textvertonung und Sprachinteraktion. Diese Karte akzeptiert Text und gibt gesprochenes Audio zurück.\n\n### Lachen, Atmen und Ausrufe\n\nWie die HD-Version dieser Generation unterstützt Turbo die Audiomarkierungen von Speech 2.8. In den Text lassen sich Bezeichnungen für Lachen, Kichern, Husten, Räuspern, Einatmen, Ausatmen, Seufzen und andere kurze Laute einfügen. Diese steuerbare Unregelmäßigkeit lässt einen Beitrag wie ein Gespräch klingen: Atmung und Pausen erscheinen passend zum Inhalt.\n\nEine Audiomarkierung bezieht sich auf eine konkrete Textstelle. Dafür werden vom Modell vorgesehene Bezeichnungen in runden Klammern verwendet, beispielsweise `(laughs)` oder `(breath)`. Eine beliebige Effektbeschreibung ist kein gleichwertiger Ersatz für eine unterstützte Markierung.\n\n### Stimme und Sprache\n\nDie Speech-2.8-Familie unterstützt **40 Sprachen**, darunter Russisch, sowie die Arbeit mit vorhandenen Stimmen. Der Hersteller hebt wiedererkennbare Stimmtextur, Atmungseigenschaften und geringere digitale Verzerrungen hervor. Stimmenklonen gehört zu einer separaten Vorbereitung; die vorbereitete Stimme kann anschließend für die Synthese verwendet werden.\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### Schrittweise Ausgabe und Audioformat\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\nDie Turbo-Geschwindigkeit ist eine Eigenschaft der Modellvariante, kein Versprechen einer festen Latenz des fertigen Beitrags. Eine numerische Latenz dieser Anfrage wird hier nicht festgelegt. Die genannten erweiterten Herstellereinstellungen erfordern Unterstützung durch den gewählten Ailoot-Zugriffsweg.\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": "2a3c6bed305d8b9d0f1538c72cccba43eb155d6ac77823f5a1cf816fbc1c112f", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de", "methods": [ { "html": "speech-2.8-turboSpeech 2.8 Turbo bietet schnelle Synthese natürlicher Sprache mit Audiomarkierungen und steuerbarem Ausdruck.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Speech 2.8 Turbo verbindet schnelle Audioerstellung mit natürlicher Stimmbewegung. Der Hersteller positioniert Turbo für flüssigen Gesprächsklang: kurze Beiträge, Textvertonung und Sprachinteraktion. Diese Karte akzeptiert Text und gibt gesprochenes Audio zurück.
Wie die HD-Version dieser Generation unterstützt Turbo die Audiomarkierungen von Speech 2.8. In den Text lassen sich Bezeichnungen für Lachen, Kichern, Husten, Räuspern, Einatmen, Ausatmen, Seufzen und andere kurze Laute einfügen. Diese steuerbare Unregelmäßigkeit lässt einen Beitrag wie ein Gespräch klingen: Atmung und Pausen erscheinen passend zum Inhalt.
Eine Audiomarkierung bezieht sich auf eine konkrete Textstelle. Dafür werden vom Modell vorgesehene Bezeichnungen in runden Klammern verwendet, beispielsweise (laughs) oder (breath). Eine beliebige Effektbeschreibung ist kein gleichwertiger Ersatz für eine unterstützte Markierung.
Die Speech-2.8-Familie unterstützt 40 Sprachen, darunter Russisch, sowie die Arbeit mit vorhandenen Stimmen. Der Hersteller hebt wiedererkennbare Stimmtextur, Atmungseigenschaften und geringere digitale Verzerrungen hervor. Stimmenklonen gehört zu einer separaten Vorbereitung; die vorbereitete Stimme kann anschließend für die Synthese verwendet werden.
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.
Die Turbo-Geschwindigkeit ist eine Eigenschaft der Modellvariante, kein Versprechen einer festen Latenz des fertigen Beitrags. Eine numerische Latenz dieser Anfrage wird hier nicht festgelegt. Die genannten erweiterten Herstellereinstellungen erfordern Unterstützung durch den gewählten Ailoot-Zugriffsweg.
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-2.8-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— |
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-2.8-turbo", "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-2.8-turbo, minimax-speech-turbo
Verwenden Sie die oben angezeigten Methodenpfade.
minimax-speech-turboSpeech 2.8 Turbo bietet schnelle Synthese natürlicher Sprache mit Audiomarkierungen und steuerbarem Ausdruck.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Speech 2.8 Turbo verbindet schnelle Audioerstellung mit natürlicher Stimmbewegung. Der Hersteller positioniert Turbo für flüssigen Gesprächsklang: kurze Beiträge, Textvertonung und Sprachinteraktion. Diese Karte akzeptiert Text und gibt gesprochenes Audio zurück.
Wie die HD-Version dieser Generation unterstützt Turbo die Audiomarkierungen von Speech 2.8. In den Text lassen sich Bezeichnungen für Lachen, Kichern, Husten, Räuspern, Einatmen, Ausatmen, Seufzen und andere kurze Laute einfügen. Diese steuerbare Unregelmäßigkeit lässt einen Beitrag wie ein Gespräch klingen: Atmung und Pausen erscheinen passend zum Inhalt.
Eine Audiomarkierung bezieht sich auf eine konkrete Textstelle. Dafür werden vom Modell vorgesehene Bezeichnungen in runden Klammern verwendet, beispielsweise (laughs) oder (breath). Eine beliebige Effektbeschreibung ist kein gleichwertiger Ersatz für eine unterstützte Markierung.
Die Speech-2.8-Familie unterstützt 40 Sprachen, darunter Russisch, sowie die Arbeit mit vorhandenen Stimmen. Der Hersteller hebt wiedererkennbare Stimmtextur, Atmungseigenschaften und geringere digitale Verzerrungen hervor. Stimmenklonen gehört zu einer separaten Vorbereitung; die vorbereitete Stimme kann anschließend für die Synthese verwendet werden.
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.
Die Turbo-Geschwindigkeit ist eine Eigenschaft der Modellvariante, kein Versprechen einer festen Latenz des fertigen Beitrags. Eine numerische Latenz dieser Anfrage wird hier nicht festgelegt. Die genannten erweiterten Herstellereinstellungen erfordern Unterstützung durch den gewählten Ailoot-Zugriffsweg.
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 minimax-speech-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— |
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": "minimax-speech-turbo", "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-2.8-turbo, minimax-speech-turbo
Verwenden Sie die oben angezeigten Methodenpfade.