speech-2.6-hd
Το Speech 2.6 HD είναι μοντέλο ποιοτικής σύνθεσης ομιλίας με έμφαση στη φυσικότητα 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.
Φυσική φωνή για αλληλεπίδραση
Το Speech 2.6 HD προορίζεται για φυσική σύνθεση ομιλίας και σενάρια όπου είναι σημαντικό να αρχίζει γρήγορα η απάντηση. Ο κατασκευαστής δίνει έμφαση στον επιτονισμό, στη ροή της ομιλίας και στην επεξεργασία του κειμένου πριν από την εκφώνηση. Η παραλλαγή HD εστιάζει στην ποιότητα του ήχου· η είσοδος αυτής της κάρτας είναι κείμενο και η έξοδος ήχος ομιλίας.
Ανάγνωση ειδικών μορφών γραφής
Η γενιά Speech 2.6 μπορεί να επεξεργάζεται μορφές που εμφανίζονται συχνά σε επαγγελματικά μηνύματα: διευθύνσεις σελίδων, διευθύνσεις ηλεκτρονικού ταχυδρομείου, αριθμούς τηλεφώνου, ημερομηνίες και χρηματικά ποσά. Το μοντέλο τις μετατρέπει σε εκφωνήσιμη μορφή, ώστε η φράση να παραμένει κατανοητή στην ακρόαση. Ο κατασκευαστής περιγράφει τέτοιες εργασίες σε πολλές γλώσσες.
Ομαλή ομιλία με διατήρηση της χροιάς
Το Speech 2.6 προβλέπει τη λειτουργία βελτίωσης ροής Fluent LoRA. Προορίζεται για σύνθεση με ήδη προετοιμασμένη φωνή: βοηθά να διατηρείται η χροιά και ταυτόχρονα να παράγεται πιο ομαλή ομιλία, ακόμη και αν το αρχικό δείγμα είχε ανωμαλίες ή προφορά. Η προετοιμασία μιας κλωνοποιημένης φωνής και η χρήση της στην εκφώνηση είναι διαφορετικές ενέργειες.
Υποστηρίζονται 40 γλώσσες, συμπεριλαμβανομένων των ρωσικών. Εκτός από τις επτά βασικές συναισθηματικές καταστάσεις, το Speech 2.6 προβλέπει τις λειτουργίες ομαλής ομιλίας fluent και ψιθύρου whisper. Αν δεν οριστεί συναίσθημα, το μοντέλο το επιλέγει από το νόημα του κειμένου.
Ρυθμίσεις εκφώνησης
Η MiniMax προβλέπει επιλογή φωνής και έλεγχο ταχύτητας, έντασης και τονικού ύψους. Η ταχύτητα ορίζεται στο εύρος 0,5–2, η ένταση πάνω από 0 και έως 10, και η μεταβολή του τονικού ύψους από −12 έως 12. Το συναίσθημα μπορεί να επιλέγεται από το μοντέλο βάσει του νοήματος του κειμένου ή να ορίζεται χειροκίνητα: χαρά, λύπη, θυμός, φόβος, αποστροφή, έκπληξη ή ηρεμία.
Η προφορά μπορεί να διευκρινίζεται με λεξικό αντικαταστάσεων και φωνητική γραφή· προβλέπονται το Διεθνές Φωνητικό Αλφάβητο, το κινεζικό πινγίν και ιαπωνικές παραλλαγές ανάγνωσης. Οι παύσεις τοποθετούνται μεταξύ εκφωνούμενων τμημάτων στο εύρος 0,01–99,99 δευτερολέπτων. Η διάρκειά τους ορίζεται με ακρίβεια δύο δεκαδικών ψηφίων· οι δείκτες τοποθετούνται μεταξύ εκφωνούμενων τμημάτων και όχι διαδοχικά. Αυτές οι ρυθμίσεις βοηθούν να προσαρμόζεται η εκφώνηση ονομάτων, συντομογραφιών και αμφίσημων λέξεων στον σκοπό της αφήγησης.
Μήκος κειμένου και ήχος
Η σύνθεση δέχεται κείμενο με λιγότερους από 10 000 χαρακτήρες. Για μεγάλα κείμενα πάνω από 3000 χαρακτήρες, ο κατασκευαστής συνιστά έξοδο σε ροή· προβλέπεται επίσης λήψη του ολοκληρωμένου ήχου ως συνόλου. Οι γενικές ρυθμίσεις σύνθεσης περιλαμβάνουν MP3, PCM, FLAC, WAV, Opus και παραλλαγές G.711 μ-law, μονοφωνικό ή στερεοφωνικό ήχο· οι διαθέσιμες μορφές ενός συγκεκριμένου αιτήματος καθορίζονται από τις δυνατότητες της Ailoot.
Σύμφωνα με τη MiniMax, η γενιά έχει σχεδιαστεί για χαμηλή καθυστέρηση σε φωνητικά σενάρια. Πρόκειται για περιγραφή του μοντέλου· ο χρόνος συγκεκριμένης απάντησης και η διαθεσιμότητα προηγμένων ρυθμίσεων εξαρτώνται από τον επιλεγμένο τρόπο πρόσβασης στην 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-2.6-hd
speech-2.6-hdΕισαγωγή
Το Speech 2.6 HD είναι μοντέλο ποιοτικής σύνθεσης ομιλίας με έμφαση στη φυσικότητα 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-2.6-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-2.6-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-2.6-hd
Εναλλακτικές διαδρομές μεθόδων
Χρησιμοποιήστε τις διαδρομές μεθόδων που εμφανίζονται παραπάνω.
Σχετικά ID μοντέλων
FAQ · speech-2.6-hd
- Ποιες είσοδοι και αποτελέσματα διατίθενται;
POST /v1/audio/speech·speech-2.6-hd:text→speech- Ποια πεδία χρησιμοποιεί το αίτημα;
POST /v1/audio/speech·speech-2.6-hd:model,input,voice,response_format