MiniMax: Speech 02 HD

Το MiniMax Speech 02 HD μετατρέπει το παρεχόμενο κείμενο σε ομιλία. Το ακριβές ID μοντέλου του στο Ailoot είναι minimax/speech-02-hd και ο τεκμηριωμένος επιλογέας σύνθεσής του είναι speech-02-hd. Χρησιμοποιήστε τη μέθοδο audio_speech για εκφώνηση, προφορικό μάθημα, εξήγηση προϊόντος ή προσχέδιο αφήγησης του οποίου τη διατύπωση έχετε ήδη. Η είσοδος είναι το απόσπασμα που θα διαβαστεί και το αποτέλεσμα είναι συνθετική ομιλία στην επιλεγμένη μορφή ήχου.

Προετοιμάστε το κείμενο ως λέξεις που προορίζονται να εκφωνηθούν, με στίξη που αποτυπώνει τη φραστική απόδοση. Για ένα προσχέδιο αφήγησης, δώστε την τελική σειρά προτάσεων και την ορθογραφία των ονομάτων πριν επιλέξετε τις ρυθμίσεις φωνής. Κρατήστε τις σκηνοθετικές οδηγίες ξεχωριστά από το εκφωνούμενο απόσπασμα, εκτός αν αυτές οι λέξεις ανήκουν στην ηχογράφηση. Ακούστε σημαντικά ονόματα, αριθμούς και μεταβάσεις στο αποτέλεσμα και συγκρίνετέ τα με το αρχικό κείμενο.

Το κείμενο πρέπει να είναι μικρότερο από 10 000 χαρακτήρες. Η δημοσιευμένη σύμβαση σύνθεσης απαιτεί model και text. Για εκτενέστερο υλικό, προετοιμάστε αποσπάσματα εντός αυτού του ορίου και διατηρήστε τη σειρά τους για επεξεργασία. Το σύγχρονο προφίλ χρησιμοποιεί πλήρη απάντηση, με stream=false ως τεκμηριωμένη προεπιλογή. Το γενικό API περιγράφει επίσης επιλογές ροής, αλλά η επιλεγμένη μέθοδος αυτής της κάρτας είναι η σύγχρονη ροή εργασίας ομιλίας.

Το voice_setting επιλέγει ένα διαθέσιμο voice_id και ελέγχει speed, vol και pitch. Το τεκμηριωμένο εύρος speed είναι 0.5–2, με προεπιλογή 1. Το vol πρέπει να είναι μεγαλύτερο από 0 και το πολύ 10, με προεπιλογή 1· το pitch είναι ακέραιος από -12 έως 12, με προεπιλογή 0. Κάντε κάθε ρύθμιση να εξυπηρετεί το απόσπασμα: συγκρίνετε τον ρυθμό ανάγνωσης και το πόσο ευκρινώς ακούγεται η πραγματική ηχογράφηση, αντί να θεωρείτε δεδομένο ότι μια αριθμητική αλλαγή δημιουργεί συγκεκριμένη ερμηνεία.

Οι τεκμηριωμένες τιμές emotion είναι happy, sad, angry, fearful, disgusted, surprised, calm και fluent. Το κείμενο μπορεί επίσης να καθοδηγήσει το συναίσθημα του μοντέλου. Το text_normalization είναι ξεχωριστός έλεγχος boolean για την προετοιμασία ανάγνωσης αριθμών στα κινεζικά και στα αγγλικά και το latex_read ελέγχει την ανάγνωση τύπων LaTeX· και τα δύο έχουν προεπιλογή false. Το pronunciation_dict.tone μπορεί να περιέχει τεκμηριωμένους κανόνες αντικατάστασης προφοράς. Ελέγξτε ένα όνομα ή μια εξειδικευμένη έκφραση στον παραγόμενο ήχο πριν το χρησιμοποιήσετε σε μεγαλύτερη αφήγηση.

Το audio_setting.format δέχεται mp3, pcm, flac ή wav, με προεπιλογή mp3. Το sample_rate δέχεται 8000, 16000, 22050, 24000, 32000 ή 44100 και έχει προεπιλογή 32000. Το bitrate δέχεται 32000, 64000, 128000 ή 256000, έχει προεπιλογή 128000 και εφαρμόζεται στο MP3. Το channel επιλέγει 1 για μονοφωνικό ή 2 για στερεοφωνικό ήχο, με προεπιλογή 1. Κρατήστε αυτές τις επιλογές μαζί με το αρχικό απόσπασμα, ώστε το επιστρεφόμενο αρχείο να μπορεί να ελεγχθεί ως προς τον επιθυμητό προορισμό επεξεργασίας ή αναπαραγωγής.

Οι πρόσθετοι τεκμηριωμένοι έλεγχοι περιλαμβάνουν language_boost, του οποίου οι ακριβείς κατονομασμένες επιλογές περιλαμβάνουν English, Russian, Chinese και Chinese,Yue· επιλέξτε μια πραγματική καταχωρισμένη τιμή για το απόσπασμα. Το timber_weights μπορεί να συνδυάζει υπάρχουσες καταχωρίσεις voice_id με ακέραιες τιμές weight από 1 έως 100. Οι δημοσιευμένες τιμές sound_effects είναι spacious_echo, auditorium_echo, lofi_telephone και robotic. Πρόκειται για προαιρετικούς ελέγχους διαμόρφωσης μιας επιλεγμένης φωνής· καταγράψτε τις πραγματικές ρυθμίσεις τους όταν συγκρίνετε αναγνώσεις.

Το σύγχρονο αποτέλεσμα περιέχει παραγόμενη ομιλία. Το output_format επιλέγει url ή hex και έχει προεπιλογή hex στο σχήμα σύνθεσης. Κατεβάστε το αρχείο στο οποίο παραπέμπει ένα αποτέλεσμα URL ή αποκωδικοποιήστε ένα αποτέλεσμα hex σε bytes ήχου πριν από την αναπαραγωγή. Κρατήστε τα επιστρεφόμενα μεταδεδομένα ήχου, συμπεριλαμβανομένων της μορφής, του ρυθμού δειγματοληψίας, του αριθμού καναλιών και του μεγέθους, μαζί με την ηχογράφηση. Το subtitle_enable έχει προεπιλογή false και, όταν ενεργοποιείται, εφαρμόζεται μόνο σε έξοδο χωρίς ροή· η πηγή δεν ορίζει μορφή αρχείου υποτίτλων για αυτό το προφίλ.

Αποθηκεύστε μαζί το αρχικό απόσπασμα, το ακριβές ID μοντέλου, την επιλογή φωνής και την ολοκληρωμένη ηχογράφηση. Ελέγξτε ολόκληρη την ανάγνωση ως προς την επιθυμητή διατύπωση, τις παύσεις και τις επιλεγμένες ρυθμίσεις απόδοσης πριν την εντάξετε σε βίντεο, μάθημα ή προφορικό οδηγό. Αν η απάντηση είναι ελλιπής, κρατήστε την ταυτότητα του αρχικού αιτήματος και τις επιστρεφόμενες πληροφορίες για διασταύρωση του αποτελέσματος πριν ζητήσετε άλλη ηχογράφηση. Μια μεταγενέστερη αναθεώρηση μπορεί να αλλάξει μια συγκεκριμένη φράση ή ρύθμιση φωνής, διατηρώντας το υπόλοιπο κείμενο εκφώνησης για σαφή σύγκριση.