MiniMax: Speech 01 Turbo

MiniMax Speech 01 Turbo convierte el texto proporcionado en audio hablado. Su ID exacto de modelo en Ailoot es minimax/speech-01-turbo, y su selector de síntesis documentado es speech-01-turbo. Utiliza el método audio_speech para una voz en off, una lección hablada, una explicación de producto o un borrador de narración cuyo texto ya tengas. La entrada es el pasaje que debe leerse y el resultado es voz sintetizada en el formato de audio seleccionado.

Prepara el texto como palabras destinadas a pronunciarse, con una puntuación que refleje el fraseo. Para un borrador de narración, proporciona el orden definitivo de las frases y la grafía de los nombres antes de elegir los ajustes de voz. Mantén las indicaciones de interpretación separadas del pasaje hablado salvo que esas palabras deban formar parte de la grabación. Escucha los nombres, los números y las transiciones importantes del resultado y compáralos con el texto de origen.

El texto debe tener menos de 10 000 caracteres. El contrato de síntesis publicado requiere model y text. Para material más largo, prepara pasajes dentro de ese límite y conserva su orden para la edición. El perfil síncrono utiliza una respuesta completa, con stream=false como valor predeterminado documentado. La API general también describe opciones de streaming, pero el método seleccionado en esta ficha es el flujo de trabajo síncrono de voz.

voice_setting selecciona un voice_id disponible y controla speed, vol y pitch. El intervalo documentado de speed es 0.5–2, con 1 como valor predeterminado. vol debe ser mayor que 0 y como máximo 10, con 1 como valor predeterminado; pitch es un entero de -12 a 12, con 0 como valor predeterminado. Haz que cada ajuste responda a las necesidades del pasaje: compara el ritmo de lectura y la audibilidad de la grabación real en lugar de dar por hecho que un cambio numérico crea una interpretación determinada.

Los valores documentados de emotion son happy, sad, angry, fearful, disgusted, surprised, calm y fluent. El texto también puede guiar la emoción del modelo. text_normalization es un control booleano independiente para preparar la lectura de números en chino e inglés, y latex_read controla la lectura de fórmulas LaTeX; ambos tienen false como valor predeterminado. pronunciation_dict.tone puede contener reglas documentadas de sustitución de pronunciación. Comprueba un nombre o una expresión especializada en el audio resultante antes de utilizarlo en una narración más larga.

audio_setting.format acepta mp3, pcm, flac o wav, con mp3 como valor predeterminado. sample_rate acepta 8000, 16000, 22050, 24000, 32000 o 44100 y tiene 32000 como valor predeterminado. bitrate acepta 32000, 64000, 128000 o 256000, tiene 128000 como valor predeterminado y se aplica a MP3. channel selecciona 1 para mono o 2 para estéreo, con 1 como valor predeterminado. Conserva estas opciones junto con el pasaje de origen para poder comprobar que el archivo devuelto se ajusta al destino previsto de edición o reproducción.

Otros controles documentados incluyen language_boost, cuyas opciones exactas con nombre incluyen English, Russian, Chinese y Chinese,Yue; elige un valor real de la lista para el pasaje. timber_weights puede combinar entradas voice_id existentes con valores enteros de weight de 1 a 100. Los valores publicados de sound_effects son spacious_echo, auditorium_echo, lofi_telephone y robotic. Son controles opcionales para dar forma a una voz seleccionada; registra sus ajustes reales al comparar lecturas.

El resultado síncrono contiene voz generada. output_format selecciona url o hex y tiene hex como valor predeterminado en el esquema de síntesis. Descarga el archivo al que hace referencia un resultado URL o decodifica un resultado hex en bytes de audio antes de reproducirlo. Conserva los metadatos del audio devuelto, incluidos su formato, frecuencia de muestreo, número de canales y tamaño, junto con la grabación. subtitle_enable tiene false como valor predeterminado y solo se aplica a la salida sin streaming cuando se habilita; la fuente no establece un formato de archivo de subtítulos para este perfil.

Guarda juntos el pasaje de origen, el ID exacto del modelo, la selección de voz y la grabación completada. Revisa toda la lectura para comprobar el texto previsto, las pausas y los ajustes de interpretación elegidos antes de incorporarla a un video, una lección o una guía hablada. Si la respuesta está incompleta, conserva la identidad de su solicitud original y la información devuelta para la conciliación antes de solicitar otra grabación. Una revisión posterior puede modificar una frase o un ajuste de voz específico manteniendo el resto del guion para una comparación clara.