MiniMax: Speech 2.6 HD

Το Speech 2.6 HD είναι η ακριβής έκδοση ομιλίας της MiniMax που επιλέγεται με model: "minimax/speech-2.6-hd". Χρησιμοποιήστε POST /v1/audio/speech με σώμα application/json που περιέχει model και το κείμενο προς εκφώνηση. Η είσοδός του είναι γραπτό κείμενο εκφώνησης και το αποτέλεσμά του είναι συνθετικός ήχος. Για ένα εκπαιδευτικό απόσπασμα, προετοιμάστε την ακριβή εξήγηση και τα παραδείγματα που θα διαβαστούν δυνατά. Για μια παρουσίαση χρήσης προϊόντος, γράψτε την προφορική αλληλουχία με την ίδια σειρά με τα ορατά βήματα. Ένα κείμενο αφήγησης μπορεί να περιλαμβάνει ολοκληρωμένες προτάσεις και σκόπιμη στίξη· κρατήστε τις συντακτικές οδηγίες που δεν πρέπει να ακούγονται έξω από το text.

Το πεδίο text δεν πρέπει να είναι κενό ή να περιέχει μόνο κενά και πρέπει να περιέχει λιγότερους από 10 000 χαρακτήρες Unicode. Στείλτε ολόκληρο το κείμενο εκφώνησης με stream:false ή παραλείψτε το stream. Χωρίστε το εκτενέστερο υλικό σε ξεχωριστά, ολοκληρωμένα τμήματα κειμένου πριν υποβάλετε κάθε τμήμα. Ένα έγγραφο μπορεί να χρησιμοποιηθεί διαβάζοντας το πραγματικό του περιεχόμενο και τοποθετώντας το σχετικό απόσπασμα στο text· ένα URL εγγράφου δεν υποκαθιστά το κείμενο εκφώνησης.

Επιλέξτε φωνή μέσω voice_setting.voice_id. Οι τεκμηριωμένες κατηγορίες φωνών περιλαμβάνουν φωνές συστήματος και ήδη δημιουργημένες κλωνοποιημένες φωνές ή φωνές σχεδιασμένες από κείμενο· χρησιμοποιήστε έγκυρο ID φωνής για την επιλεγμένη κατηγορία. Η ενδεικτική φωνή είναι audiobook_male_1. Το ίδιο αντικείμενο ελέγχει speed από 0.5 έως 2, vol πάνω από 0 και έως 10 και ακέραιο pitch από -12 έως 12. Οι προεπιλογές τους είναι 1, 1 και 0. Αυτοί οι έλεγχοι προσαρμόζουν διαφορετικές πτυχές της εκφώνησης, επομένως επιλέξτε τους ξεχωριστά αντί να τοποθετείτε τα ονόματά τους στο κείμενο.

Το voice_setting.emotion δέχεται happy, sad, angry, fearful, disgusted, surprised, calm και fluent. Η τεκμηρίωση περιγράφει επίσης αυτόματη αντιστοίχιση συναισθήματος από το κείμενο. Για κείμενα με πολλούς αριθμούς, το voice_setting.text_normalization ενεργοποιεί την κανονικοποίηση κινεζικού και αγγλικού κειμένου και έχει προεπιλογή false. Το voice_setting.latex_read ελέγχει την ανάγνωση εκφράσεων LaTeX και έχει επίσης προεπιλογή false. Το pronunciation_dict.tone είναι πίνακας συμβολοσειρών κανόνων προφοράς. Το δημοσιευμένο παράδειγμα είναι ["草地/(cao3)(di1)"]· διατηρήστε τη λέξη, την κάθετο και τη δομή προφοράς με παρενθέσεις όταν παρέχετε έναν κανόνα.

Το audio_setting.format δέχεται mp3, pcm, flac και wav, με προεπιλογή mp3. Το sample_rate δέχεται 8000, 16000, 22050, 24000, 32000 και 44100 Hz· η προεπιλογή του είναι 32000. Το channel είναι 1 για μονοφωνικό ή 2 για δύο κανάλια, με προεπιλογή 1. Οι τιμές bitrate είναι 32000, 64000, 128000 και 256000 bits ανά δευτερόλεπτο, με προεπιλογή 128000, και εφαρμόζονται στο mp3. Επιλέξτε την κωδικοποίηση που χρειάζεται το πρόγραμμα αναπαραγωγής ή το εργαλείο επεξεργασίας που θα χρησιμοποιήσει το αποτέλεσμα.

Το language_boost είναι προαιρετική συμβολοσειρά και έχει προεπιλογή null. Οι επιτρεπόμενες τιμές του είναι Chinese, Chinese,Yue, English, Arabic, Russian, Spanish, French, Portuguese, German, Turkish, Dutch, Ukrainian, Vietnamese, Indonesian, Japanese, Italian, Korean, Thai, Polish, Romanian, Greek, Czech, Finnish, Hindi, Bulgarian, Danish, Hebrew, Malay, Persian, Slovak, Swedish, Croatian, Filipino, Hungarian, Norwegian, Slovenian, Catalan, Nynorsk, Tamil, Afrikaans και auto. Το "Chinese,Yue" είναι μία τιμή. Πρόκειται για ξεχωριστό έλεγχο από το κείμενο και το ID φωνής. Το σχήμα διαθέτει επίσης timber_weights για μια λίστα ζευγών voice_id και ακέραιου weight, με κάθε weight από 1 έως 100. Διατηρήστε την ορθογραφία της παραμέτρου timber_weights όταν προετοιμάζετε ένα αίτημα. Το voice_modify.sound_effects είναι προαιρετική συμβολοσειρά με τιμές spacious_echo, auditorium_echo, lofi_telephone και robotic.

Το stream έχει προεπιλογή false. Για μια πλήρη απάντηση, το output_format επιλέγει url ή hex και έχει προεπιλογή hex. Στο τεκμηριωμένο αποτέλεσμα JSON, το data.audio περιέχει την επιλεγμένη αναπαράσταση: κατεβάστε ολόκληρο το υπογεγραμμένο URL του Ailoot, συμπεριλαμβανομένης της συμβολοσειράς ερωτήματός του, ή αποκωδικοποιήστε ολόκληρο τον δεκαεξαδικό ήχο σε bytes. Διατηρήστε το αρχικό αποτέλεσμα μαζί με data.status, base_resp, trace_id και extra_info, που περιλαμβάνει την πραγματική μορφή ήχου, τον ρυθμό δειγματοληψίας, τον αριθμό καναλιών, το μέγεθος και το usage_characters.

Το subtitle_enable είναι boolean με προεπιλογή false και εφαρμόζεται σε έξοδο χωρίς ροή. Το aigc_watermark είναι boolean με προεπιλογή false και ελέγχει έναν ακουστό ρυθμικό δείκτη στο τέλος του παραγόμενου ήχου. Κρατήστε κάθε επιστρεφόμενο αποτέλεσμα ήχου ή υποτίτλων και ελέγξτε την προφορά, τους αριθμούς και το ολοκληρωμένο αρχείο πριν το εντάξετε στην εφαρμογή. Αν η παράδοση είναι αβέβαιη, διατηρήστε το αρχικό αναγνωριστικό αιτήματος και την απάντηση για έλεγχο της υπάρχουσας προσπάθειας. Το Ailoot αποθηκεύει επίσης τον ολοκληρωμένο ήχο στη βιβλιοθήκη πολυμέσων σας. Με output_format:"url", το data.audio περιέχει υπογεγραμμένο σύνδεσμο προς αυτό το αποθηκευμένο αρχείο· το ID του αρχείου εμφανίζεται στη διαδρομή /v1/media/assets/{asset_id}/content του. Οι υπογεγραμμένοι σύνδεσμοι αρχείων του Ailoot ισχύουν για 24 ώρες από την έκδοσή τους. Χρησιμοποιήστε το ίδιο κλειδί API για GET /v1/media/assets?family=audio και ακολουθήστε κάθε next_cursor για να εντοπίσετε τις εγγραφές των αρχείων ήχου. Διαβάστε το GET /v1/media/assets/{asset_id} για κάθε επιλεγμένη εγγραφή και κατεβάστε το ακριβές content_url της, συμπεριλαμβανομένης της συμβολοσειράς ερωτήματος. Αν ένα αίτημα αρχείου επιστρέψει 404 με κωδικό link_expired, διαβάστε ξανά το ίδιο αρχείο για ανανεωμένο content_url. Ανανεώστε το αποθηκευμένο αποτέλεσμα αντί να δημιουργήσετε ξανά ήχο για να αντικαταστήσετε έναν ληγμένο σύνδεσμο.