speech-02-hd
Το Speech-02 HD είναι μοντέλο σύνθεσης ομιλίας με έμφαση στην ποιότητα του ήχου και στην ομοιότητα της φωνής.
Σχετικά με το μοντέλο
Αυτή η περιγραφή καλύπτει τις δυνατότητες του μοντέλου. Οι είσοδοι, έξοδοι και επιλογές που διατίθενται στο Ailoot παρατίθενται παρακάτω για την επιλεγμένη μέθοδο.
Φωνή για αφήγηση και ανάγνωση μεγάλων κειμένων
Το Speech 02 HD δημιουργεί ομιλία με έμφαση στην ποιότητα, στον ρυθμό και στη σταθερότητα του ήχου. Ο κατασκευαστής επισημαίνει την αφήγηση υλικού και τα ηχητικά βιβλία, όπου η φωνή πρέπει να διατηρεί τον χαρακτήρα της και να αποδίδει ομαλά ένα μεγάλο κείμενο. Είναι μοντέλο σύνθεσης: δέχεται κείμενο και το μετατρέπει σε ήχο ομιλίας.
Σύνδεση κειμένου και χροιάς
Η οικογένεια Speech 02 βασίζεται σε αυτοπαλινδρομική αρχιτεκτονική Transformer και εκπαιδεύσιμο κωδικοποιητή ομιλητή. Η εξαγωγή της χροιάς και η παραγωγή ομιλίας εκπαιδεύτηκαν από κοινού, ώστε τα χαρακτηριστικά της φωνής να συνδέονται με το περιεχόμενο. Οι δυνατότητες της οικογένειας περιλαμβάνουν χρήση ήδη προετοιμασμένων κλωνοποιημένων φωνών και συνδυασμό γλώσσας, προφοράς και τρόπου εκφώνησης.
Συναίσθημα και πολύγλωσση ανάγνωση
Η συναισθηματική απόδοση μπορεί να καθορίζεται από το νόημα του κειμένου ή να ορίζεται χειροκίνητα. Διατίθενται χαρά, λύπη, θυμός, φόβος, αποστροφή, έκπληξη και ηρεμία. Το μοντέλο εργάζεται με ρωσικά, αγγλικά και άλλες γλώσσες· ο κατασκευαστής περιγράφει διαφορετικές αγγλικές προφορές, κινεζικά και καντονέζικα, ιαπωνικά, κορεατικά, ευρωπαϊκές και άλλες γλώσσες.
Η τρέχουσα περιγραφή του Speech 02 εξαιρεί ρητά τα περσικά, τα φιλιππινέζικα και τα ταμίλ. Ο γενικός κατάλογος γλωσσών νεότερων γενεών Speech δεν πρέπει να μεταφέρεται αυτόματα σε αυτή την έκδοση.
Ρύθμιση φωνής
Για τη σύνθεση προβλέπονται επιλογή φωνής, μεταβολή ταχύτητας 0,5–2, ένταση πάνω από 0 και έως 10 και τονικό ύψος από −12 έως 12. Στο λεξικό προφοράς μπορούν να ορίζονται αντικαταστάσεις της γραπτής μορφής με την επιθυμητή εκφώνηση· υποστηρίζονται φωνητικές γραφές και ιαπωνικές παραλλαγές προφοράς. Αυτό βοηθά στον έλεγχο της εκφώνησης ονομάτων και αμφίσημων λέξεων.
Παύσεις και ολοκληρωμένος ήχος
Ο κατασκευαστής επιτρέπει παύσεις μεταξύ εκφωνούμενων τμημάτων διάρκειας 0,01–99,99 δευτερολέπτων. Η διάρκεια ορίζεται με ακρίβεια δύο δεκαδικών ψηφίων· οι δείκτες τοποθετούνται μεταξύ εκφωνούμενων τμημάτων και όχι διαδοχικά. Το κείμενο ενός σύγχρονου αιτήματος πρέπει να έχει λιγότερους από 10 000 χαρακτήρες. Προβλέπεται λήψη του ήχου ολόκληρου ή σταδιακά· για κείμενο πάνω από 3000 χαρακτήρες συνιστάται έξοδος σε ροή.
Στις μορφές του μοντέλου περιλαμβάνονται MP3, WAV, FLAC και PCM· οι γενικές ρυθμίσεις σύνθεσης περιγράφουν επίσης Opus και παραλλαγές G.711 μ-law. Μπορεί να χρησιμοποιηθεί μονοφωνικός ή στερεοφωνικός ήχος. Σε αυτή την κάρτα διατίθεται μετατροπή κειμένου σε ομιλία, ενώ η χωριστή προετοιμασία φωνής και οι προηγμένες ρυθμίσεις εφαρμόζονται μόνο εντός του υποστηριζόμενου τρόπου πρόσβασης μέσω Ailoot.
Οι πρόσθετες ρυθμίσεις ήχου περιλαμβάνουν συχνότητες δειγματοληψίας 8, 16, 22,05, 24, 32 και 44,1 kHz. Για MP3 προβλέπεται ρυθμός μετάδοσης 32, 64, 128 ή 256 kbit/s. Μπορεί επίσης να αλλάζει η χροιά της φωνής και να εφαρμόζεται ένα εφέ: ηχώ μεγάλου χώρου, ηχώ αίθουσας, τηλεφωνικός ήχος ή ρομποτική φωνή. Τα εφέ μεταβολής φωνής υποστηρίζονται για MP3, WAV και FLAC όταν ο ήχος λαμβάνεται ολόκληρος, ενώ σε έξοδο σε ροή μόνο για MP3. Οι μορφές G.711 μ-law χρησιμοποιούν συχνότητα 8 kHz. Αυτές οι δυνατότητες ανήκουν στις ρυθμίσεις σύνθεσης της MiniMax.
Ο κατασκευαστής προβλέπει συγχρονισμό ομιλίας και κειμένου: χρονικές σημάνσεις ανά πρόταση, ανά λέξη ή ανά λέξη κατά τη σταδιακή έξοδο. Αυτό βοηθά να συνδυάζεται η εκφώνηση με την εμφάνιση του κειμένου. Η πρόσθετη δυνατότητα απαιτεί υποστήριξη της αντίστοιχης μορφής απάντησης.
Ailoot · Σύνθεση ομιλίας POST /v1/audio/speech speech-02-hd
speech-02-hdΕισαγωγή
Το Speech-02 HD είναι μοντέλο σύνθεσης ομιλίας με έμφαση στην ποιότητα του ήχου και στην ομοιότητα της φωνής.
- Αποδεκτές είσοδοι
- Κείμενο
- Αποτελέσματα
- speech
Διαθέσιμα στο Ailoot · είσοδοι και μέθοδοι
Ailoot · Σύνθεση ομιλίας POST /v1/audio/speech
- Είσοδος
text- Έξοδος
speech- Μορφή εξόδου
- mp3
| Πεδίο | Τύπος | Απαίτηση | Τιμές και όρια | Προεπιλογή |
|---|---|---|---|---|
Πεδίοmodel | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια speech-02-hd | Προεπιλογή— |
Πεδίοinput | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια Ελάχιστο μήκος: 1 Μέγιστο μήκος (αποκλειστικό): 10.000 Μονάδα: χαρακτήρες Unicode | Προεπιλογή— |
Πεδίοvoice | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια Μοτίβο: ^[A-Za-z0-9_-]{1,128}$ | Προεπιλογή— |
Πεδίοresponse_format | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια mp3 | Προεπιλογή— |
Συνδυασμοί υλικών εισόδου
text_to_speech · Υποχρεωτικό: input
Παράμετροι και κύκλος ζωής μεθόδου
| Παράμετρος | Σύμβαση |
|---|---|
Παράμετροςmaterial_types | Σύμβασηtext |
Παράμετροςrequired | Σύμβασηnull |
Παράμετροςoptional_controls | Σύμβασηnull |
Κύκλος ζωής: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · Το πραγματικό task_id που επιστράφηκε ή μια εγγραφή στη βιβλιοθήκη πολυμέσων
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Οι δομές και τα ID των μεθόδων είναι ακριβή· η δυνατότητα του προμηθευτή είναι ξεχωριστή από την αποδοχή αιτημάτων.
Τιμολόγηση
Χρεώσεις μεθόδων Ailoot
POST /v1/audio/speech- Είσοδος
- 100,00 $ ανά 1 εκατομμύριο χαρακτήρες
Το Ailoot δεσμεύει ένα εκτιμώμενο ποσό πριν από το αίτημα. Μετά το αποτέλεσμα, εκκαθαρίζει την τελική χρέωση βάσει της μετρημένης χρήσης. Η εκκαθάριση ροής χρησιμοποιεί την τελική καταγραφή χρήσης. Πώς λειτουργούν η δέσμευση και η εκκαθάριση →
Παραδείγματα αιτημάτων
Ailoot · Σύνθεση ομιλίας
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-02-hd", "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
Λήψη και αποθήκευση αποτελεσμάτων
Ailoot · Σύνθεση ομιλίας
mp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Διατηρήστε όλα τα ολοκληρωμένα αποτελέσματα
Διατηρήστε κάθε πλήρη απάντηση, αρχείο και τμήμα περιεχομένου που επιστρέφεται.
Διατηρήστε ολόκληρο το δυαδικό αποτέλεσμα και τις κεφαλίδες. Αν επιστραφεί JSON ή επιστραφούν πολλαπλές έξοδοι, διατηρήστε κάθε στοιχείο δεδομένων και ανακτήστε κάθε πραγματικό υπογεγραμμένο URL πόρου.
Αν χρειάζεται έλεγχος της αρχικής απάντησης
Διατηρήστε το αρχικό operation_id/X-Client-Request-ID για τη συμφωνία των εγγραφών χωρίς νέα υποβολή· δεν υπάρχει ειδική διαδρομή περιοδικού ελέγχου για τον ήχο.
Πεδία απάντησης
| Πεδίο | Τύπος |
|---|---|
Πεδίοbinary audio | Τύποςbytes |
Πεδίοresponse headers | Τύποςheaders |
Σφάλματα και επόμενα βήματα
| Απάντηση | Συνθήκη | Επόμενο βήμα |
|---|---|---|
Απάντηση400 · invalid_request_error | ΣυνθήκηΜη έγκυρα υποχρεωτικά πεδία, μη έγκυρη αναπαράσταση υλικού ή μη έγκυρη τιμή παραμέτρου | Επόμενο βήμαΔιορθώστε τα υποδεικνυόμενα πεδία πριν από νέο αίτημα δημιουργίας. |
Απάντησηserver_error | ΣυνθήκηΗ απόκριση που επιστράφηκε αναφέρει ότι η λειτουργία ή το αποτέλεσμα χρειάζεται έλεγχο | Επόμενο βήμαΔιατηρήστε το αρχικό ID της λειτουργίας/εργασίας που επιστράφηκε, τις κεφαλίδες του αιτήματος και την απόκριση· συνεχίστε με τις υποστηριζόμενες αναγνώσεις αυτής της αρχικής λειτουργίας. Μην υποβάλετε ξανά το αίτημα δημιουργίας. |
Εναλλακτικά ονόματα
Εναλλακτικά ονόματα μοντέλου
Ailoot speech-02-hd
Εναλλακτικές διαδρομές μεθόδων
Χρησιμοποιήστε τις διαδρομές μεθόδων που εμφανίζονται παραπάνω.
Σχετικά ID μοντέλων
FAQ · speech-02-hd
- Ποιες είσοδοι και αποτελέσματα διατίθενται;
POST /v1/audio/speech·speech-02-hd:text→speech- Ποια πεδία χρησιμοποιεί το αίτημα;
POST /v1/audio/speech·speech-02-hd:model,input,voice,response_format