MiniMax: Speech 02 Turbo

Speech 02 Turbo es la edición exacta de voz de MiniMax que se selecciona mediante model: "minimax/speech-02-turbo". Utiliza POST /v1/audio/speech con un cuerpo application/json que contenga model y el texto que debe pronunciarse. Su entrada es un guion escrito y su resultado es audio sintetizado. Para un anuncio, coloca en text solo las palabras que deban pronunciarse, como un breve aviso de recolección. Para una explicación de producto, divide el guion en frases completas y fija los nombres y los números del producto antes de generar audio. Mantén fuera del guion hablado las notas de producción, los nombres de archivo y las indicaciones que deban permanecer en silencio.

El campo text no debe estar en blanco y debe contener menos de 10 000 caracteres Unicode. Envía el guion hablado completo con stream:false u omite stream. Divide el material más largo en segmentos de guion independientes y completos antes de enviar cada segmento. Puedes utilizar un documento leyendo su contenido real y colocando el pasaje pertinente en text; una URL de documento no sustituye al guion.

Elige una voz mediante voice_setting.voice_id. Las categorías de voz documentadas incluyen voces del sistema y voces clonadas o diseñadas mediante texto que ya se hayan creado; utiliza un ID de voz válido para la categoría seleccionada. La voz de ejemplo es audiobook_male_1. El mismo objeto controla speed de 0.5 a 2, vol por encima de 0 y hasta 10, y pitch entero de -12 a 12. Sus valores predeterminados son 1, 1 y 0. Estos controles ajustan aspectos distintos de la interpretación hablada, por lo que debes elegirlos por separado en lugar de colocar sus nombres en el guion.

voice_setting.emotion acepta happy, sad, angry, fearful, disgusted, surprised, calm y fluent. La documentación también describe la adaptación automática de la emoción a partir del texto. Para guiones con muchos números, voice_setting.text_normalization habilita la normalización de texto en chino e inglés y tiene false como valor predeterminado. voice_setting.latex_read controla la lectura de expresiones LaTeX y también tiene false como valor predeterminado. pronunciation_dict.tone es un array de cadenas de reglas de pronunciación. El ejemplo publicado es ["草地/(cao3)(di1)"]; conserva la palabra, la barra y la estructura de pronunciación entre paréntesis al proporcionar una regla.

audio_setting.format acepta mp3, pcm, flac y wav, con mp3 como valor predeterminado. sample_rate acepta 8000, 16000, 22050, 24000, 32000 y 44100 Hz; su valor predeterminado es 32000. channel es 1 para mono o 2 para dos canales, con 1 como valor predeterminado. Los valores de bitrate son 32000, 64000, 128000 y 256000 bits por segundo, con 128000 como valor predeterminado, y se aplican a mp3. Selecciona la codificación que necesite el reproductor o la herramienta de edición que vaya a utilizar el resultado.

language_boost es una cadena opcional y tiene null como valor predeterminado. Sus valores permitidos son 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 y auto. "Chinese,Yue" es un solo valor. Es un control independiente del guion y del ID de voz. El esquema también expone timber_weights para una lista de pares voice_id y weight entero, con cada weight de 1 a 100. Conserva la grafía del parámetro timber_weights al preparar una solicitud. voice_modify.sound_effects es una cadena opcional con los valores spacious_echo, auditorium_echo, lofi_telephone y robotic.

stream tiene false como valor predeterminado. Para una respuesta completa, output_format selecciona url o hex y tiene hex como valor predeterminado. En el resultado JSON documentado, data.audio contiene la representación seleccionada: descarga la URL firmada de Ailoot completa, incluida su cadena de consulta, o decodifica todo el audio hexadecimal en bytes. Conserva el resultado original junto con data.status, base_resp, trace_id y extra_info, que incluye el formato de audio real, la frecuencia de muestreo, el número de canales, el tamaño y usage_characters.

subtitle_enable es un booleano que tiene false como valor predeterminado y se aplica a la salida sin streaming. aigc_watermark es un booleano que tiene false como valor predeterminado y controla un marcador rítmico audible al final del audio generado. Conserva todos los resultados de audio o subtítulos devueltos y comprueba la pronunciación, los números y el archivo completado antes de incorporarlo a la aplicación. Si la entrega es incierta, conserva el identificador de la solicitud original y la respuesta para comprobar el intento existente. Ailoot también guarda el audio completado en tu biblioteca multimedia. Con output_format:"url", data.audio contiene un enlace firmado a ese recurso guardado; el ID del recurso aparece en su ruta /v1/media/assets/{asset_id}/content. Los enlaces firmados a archivos de Ailoot duran 24 horas desde su emisión. Utiliza la misma clave de API para GET /v1/media/assets?family=audio y sigue todos los next_cursor para localizar los registros de recursos de audio. Consulta GET /v1/media/assets/{asset_id} para cada registro seleccionado y descarga su content_url exacto, incluida la cadena de consulta. Si una solicitud de archivo devuelve 404 con el código link_expired, vuelve a leer el mismo recurso para obtener un content_url renovado. Renueva el resultado guardado en lugar de generar audio de nuevo para sustituir un enlace caducado.