speech-02-turbo
Το Speech-02 Turbo προορίζεται για γρήγορη σύνθεση ομιλίας με σταθερό ρυθμό και πολύγλωσση απόδοση.
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.
Γρήγορη ομιλία για διαδραστικές απαντήσεις
Το Speech 02 Turbo προορίζεται για διαδραστική σύνθεση ομιλίας. Ο κατασκευαστής περιγράφει τον συνδυασμό ταχύτητας, σταθερού ρυθμού και φυσικού ήχου· τα σενάρια περιλαμβάνουν φωνητικές απαντήσεις, ατάκες παιχνιδιών και διαδραστικό περιεχόμενο. Το μοντέλο λαμβάνει κείμενο και παράγει ήχο ομιλίας.
Επιλογή χαρακτήρα της φωνής
Η οικογένεια Speech 02 επιτρέπει τον συνδυασμό φωνής, γλώσσας, προφοράς και συναισθηματικής απόδοσης. Ο αυτοπαλινδρομικός Transformer και ο κωδικοποιητής ομιλητή, που εκπαιδεύονται από κοινού, συνδέουν τη χροιά με το περιεχόμενο. Μπορεί να συντεθεί κείμενο με έτοιμη φωνή· η δημιουργία νέας κλωνοποιημένης φωνής ανήκει σε χωριστή διαδικασία προετοιμασίας.
Το μοντέλο επιλέγει συναισθηματικό τόνο από το κείμενο ή δέχεται ορισμένη κατάσταση: χαρά, λύπη, θυμός, φόβος, αποστροφή, έκπληξη ή ηρεμία. Ελέγχονται επίσης η ταχύτητα, το τονικό ύψος και η ένταση, ώστε η φράση να ταιριάζει στον επιθυμητό ρυθμό αλληλεπίδρασης.
Γλώσσες και προφορά λέξεων
Υποστηρίζονται τα ρωσικά και άλλες γλώσσες, όπως αγγλικά, κινεζικά, καντονέζικα, ιαπωνικά, κορεατικά, γαλλικά, γερμανικά, ισπανικά, πορτογαλικά, τουρκικά, αραβικά και ουκρανικά. Για το Speech 02, οι τρέχουσες προδιαγραφές εξαιρούν ρητά τα περσικά, τα φιλιππινέζικα και τα ταμίλ.
Η προφορά μπορεί να διευκρινίζεται με λεξικό αντικαταστάσεων, διεθνή φωνητική γραφή, κινεζικό πινγίν και ιαπωνικές παραλλαγές ανάγνωσης. Οι παύσεις μεταξύ εκφωνούμενων τμημάτων ορίζονται στο εύρος 0,01–99,99 δευτερολέπτων. Η διάρκεια ορίζεται με ακρίβεια δύο δεκαδικών ψηφίων· οι δείκτες τοποθετούνται μεταξύ εκφωνούμενων τμημάτων και όχι διαδοχικά. Το μοντέλο προβλέπει ταχύτητα 0,5–2, ένταση πάνω από 0 και έως 10 και μεταβολή τονικού ύψους από −12 έως 12.
Ήχος για αναπαραγωγή
Η σύγχρονη είσοδος περιορίζεται σε κείμενο με λιγότερους από 10 000 χαρακτήρες· για όγκο πάνω από 3000 χαρακτήρες, ο κατασκευαστής συνιστά σταδιακή έξοδο. Οι δυνατότητες του μοντέλου περιλαμβάνουν MP3, WAV, FLAC και PCM· στις γενικές ρυθμίσεις περιγράφονται επίσης Opus και G.711 μ-law, ένα ή δύο κανάλια ήχου.
Αυτή η κάρτα Ailoot δέχεται κείμενο και επιστρέφει ομιλία. Η ταχύτητα της παραλλαγής Turbo αφορά τον προσανατολισμό του μοντέλου· η διάρκεια συγκεκριμένης απάντησης και η διαθεσιμότητα προηγμένων μορφών καθορίζονται από τον επιλεγμένο τρόπο πρόσβασης.
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-turbo
speech-02-turboΕισαγωγή
Το Speech-02 Turbo προορίζεται για γρήγορη σύνθεση ομιλίας με σταθερό ρυθμό και πολύγλωσση απόδοση.
- 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-turbo | 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
- 60,00 $ 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-turbo", "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-turbo
Εναλλακτικές διαδρομές μεθόδων
Χρησιμοποιήστε τις διαδρομές μεθόδων που εμφανίζονται παραπάνω.
Σχετικά ID μοντέλων
FAQ · speech-02-turbo
- Ποιες είσοδοι και αποτελέσματα διατίθενται;
POST /v1/audio/speech·speech-02-turbo:text→speech- Ποια πεδία χρησιμοποιεί το αίτημα;
POST /v1/audio/speech·speech-02-turbo:model,input,voice,response_format