glm-tts

Το GLM-TTS είναι το μοντέλο σύνθεσης ομιλίας της Zhipu, που επιλέγεται με το ακριβές ID glm-tts. Στείλτε POST /v1/audio/speech με model, input και voice. Τοποθετήστε τις λέξεις που θα εκφωνηθούν απευθείας στο input και επιλέξτε response_format=wav για αυτό το προφίλ. Το αποτέλεσμα είναι μια ηχογράφηση ομιλίας του παρεχόμενου κειμένου, κατάλληλη για αναπαραγωγή ή εισαγωγή σε πρόγραμμα επεξεργασίας ήχου ή βίντεο.

Χρησιμοποιήστε το για σύντομη εξήγηση προϊόντος, προφορικό καλωσόρισμα, απόσπασμα οδηγιών ή ανακοίνωση. Προετοιμάστε το κείμενο όπως πρέπει να διαβαστεί δυνατά: συμπεριλάβετε τα επιθυμητά όρια προτάσεων και γράψτε αναλυτικά τους όρους των οποίων η προφορά έχει σημασία για την εργασία. Για έναν οδηγό εκμάθησης, ένα αίτημα μπορεί να περιέχει μια εστιασμένη οδηγία που συνοδεύει ένα μόνο ορατό βήμα. Για ένα μήνυμα καλωσορίσματος, δώστε την πραγματική διατύπωση και ελέγξτε την ηχογράφηση πριν την εντάξετε στη ροή του πελάτη.

Το τεκμηριωμένο μέγιστο μήκος εισόδου είναι 1 024 χαρακτήρες. Ελέγξτε αυτό το όριο στο ολοκληρωμένο κείμενο, συμπεριλαμβάνοντας τη στίξη και τα κενά. Η μεγαλύτερη αφήγηση χρειάζεται κείμενο χωρισμένο σε κατάλληλα αποσπάσματα· κρατήστε τη σειρά των αποσπασμάτων και τις επιλεγμένες ρυθμίσεις μαζί με τις ηχογραφήσεις, ώστε να μπορούν να συναρμολογηθούν και να ελεγχθούν μαζί. Το όριο χαρακτήρων περιγράφει το κείμενο εισόδου και δεν καθορίζει σταθερή διάρκεια ηχογράφησης.

Το σχήμα voice αναφέρει tongtong, chuichui, jam, kazi, douji και luodo. Το δημοσιευμένο παράδειγμα χρησιμοποιεί tongtong με speed=1 και volume=1. Τόσο το speed όσο και το volume είναι προαιρετικοί έλεγχοι με τεκμηριωμένη προεπιλογή 1. Για αυτή τη μέθοδο WAV, το speed είναι ακέραιος που δέχεται 1 ή 2 και το volume είναι ακέραιος από 1 έως 10. Το προαιρετικό boolean watermark_enabled ελέγχει το ηχητικό υδατογράφημα. Αφήστε το stream χωρίς ορισμό ή ορίστε το σε false για να λάβετε ολόκληρη την ηχογράφηση WAV. Ξεκινήστε από αυτό το ρητό παράδειγμα όταν προετοιμάζετε μια πρώτη ηχογράφηση και στη συνέχεια διατηρήστε σταθερές την επιλεγμένη φωνή και τις αποδεκτές ρυθμίσεις στα συναφή αποσπάσματα.

Η ηχογράφηση WAV είναι το ολοκληρωμένο αποτέλεσμα του αιτήματος ομιλίας. Διατηρήστε ολόκληρο το ηχητικό αποτέλεσμα και τις πληροφορίες της απάντησής του και στη συνέχεια ακούστε όλο το απόσπασμα για να ελέγξετε την προφορά, τη διατύπωση, τις παύσεις και την επιθυμητή αλληλουχία. Κρατήστε το ακριβές αρχικό κείμενο δίπλα στην ηχογράφηση όταν προετοιμάζετε αναθεωρήσεις. Αν η έκβαση ενός αιτήματος είναι αβέβαιη, διατηρήστε τις πληροφορίες του αρχικού αιτήματος και του επιστρεφόμενου αποτελέσματος πριν δημιουργήσετε άλλο αίτημα σύνθεσης· η απουσία αρχείου αναπαραγωγής από μόνη της δεν αποδεικνύει ότι δεν δημιουργήθηκε ηχογράφηση.