speech-2.6-hd
Speech 2.6 HD es un modelo de síntesis de voz de calidad centrado en naturalidad y semejanza de la voz.
Sobre el modelo
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Voz natural para interacción
Speech 2.6 HD está orientado a síntesis natural y escenarios que necesitan empezar a responder pronto. El fabricante presta atención a entonación, fluidez y procesamiento del texto antes de hablar. HD se centra en calidad; esta ficha recibe texto y devuelve audio hablado.
Lectura de expresiones especiales
Speech 2.6 procesa expresiones habituales de mensajes de trabajo: direcciones web, correo electrónico, números de teléfono, fechas e importes. Las convierte en una forma pronunciable y comprensible. El fabricante describe estas tareas en varios idiomas.
Fluidez conservando el timbre
Speech 2.6 ofrece Fluent LoRA para mejorar fluidez. Utiliza una voz preparada y ayuda a conservar el timbre con un habla más coherente, incluso si la muestra inicial era irregular o tenía acento. Preparar una voz clonada y utilizarla en síntesis son acciones distintas.
Se admiten 40 idiomas, incluido el ruso. Además de siete emociones básicas, Speech 2.6 contempla habla fluida con fluent y susurro con whisper. Si no se indica emoción, la elige según el texto.
Ajustes de pronunciación
MiniMax contempla elegir voz y controlar ritmo, volumen y tono. La velocidad va de 0,5–2, el volumen es superior a 0 y hasta 10, y el cambio de tono va de −12 a 12. La emoción puede elegirse automáticamente según el texto o definirse: alegría, tristeza, ira, miedo, asco, sorpresa o calma.
La pronunciación puede precisarse con un diccionario de sustituciones y anotación fonética, incluidos el alfabeto fonético internacional, pinyin chino y variantes japonesas. Las pausas entre fragmentos van de 0,01–99,99 segundos y se definen con dos decimales; los marcadores se colocan entre fragmentos y no consecutivamente. Permite adaptar nombres, abreviaturas y palabras ambiguas a la locución deseada.
Longitud del texto y audio
La síntesis recibe menos de 10 000 caracteres de texto. Para más de 3000, el fabricante recomienda streaming; también contempla recibir todo el audio terminado. Los ajustes generales incluyen MP3, PCM, FLAC, WAV, Opus y G.711 μ-law, mono o estéreo; las opciones de Ailoot determinan los formatos disponibles de cada solicitud.
Según MiniMax, la generación está orientada a baja latencia en escenarios de voz. Describe el modelo; el tiempo de cada respuesta y los ajustes ampliados dependen del método elegido en Ailoot.
Otros ajustes incluyen frecuencias de 8, 16, 22,05, 24, 32 y 44,1 kHz. Para MP3 se contempla un bitrate de 32, 64, 128 o 256 kbit/s. También se puede modificar el carácter de la voz y aplicar un efecto: eco espacioso, eco de sala, sonido telefónico o voz robótica. Los efectos se admiten para MP3, WAV y FLAC al obtener audio completo, y solo para MP3 en streaming. G.711 μ-law utiliza 8 kHz. Estas capacidades pertenecen a los ajustes de síntesis de MiniMax.
El fabricante contempla sincronizar voz y texto con marcas de tiempo por frase, palabra o palabra en salida progresiva. Permite coordinar la locución y la visualización del texto. La capacidad adicional requiere un formato de respuesta compatible.
Ailoot · Síntesis de voz POST /v1/audio/speech speech-2.6-hd
speech-2.6-hdInicio
Speech 2.6 HD es un modelo de síntesis de voz de calidad centrado en naturalidad y semejanza de la voz.
- Entradas aceptadas
- Texto
- Resultados
- speech
Disponible en Ailoot · entradas y métodos
Ailoot · Síntesis de voz POST /v1/audio/speech
- Entrada
text- Salida
speech- Formato de salida
- mp3
| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites speech-2.6-hd | Predeterminado— |
Campoinput | Tipostring | RequisitoObligatorio | Valores y límites Longitud mínima: 1 Longitud máxima (exclusiva): 10,000 Unidad: caracteres Unicode | Predeterminado— |
Campovoice | Tipostring | RequisitoObligatorio | Valores y límites Patrón: ^[A-Za-z0-9_-]{1,128}$ | Predeterminado— |
Camporesponse_format | Tipostring | RequisitoOpcional | Valores y límites mp3 | Predeterminado— |
Combinaciones de materiales de entrada
text_to_speech · Obligatorio: input
Parámetros del método y ciclo de vida
| Parámetro | Contrato |
|---|---|
Parámetromaterial_types | Contratotext |
Parámetrorequired | Contratonull |
Parámetrooptional_controls | Contratonull |
Ciclo de vida: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · El task_id real devuelto o el registro de la biblioteca multimedia
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Las estructuras e ID de los métodos son exactos; la capacidad del proveedor y la admisión son conceptos distintos.
Tarifas
Tarifas de métodos Ailoot
POST /v1/audio/speech- Entrada
- USD 100.00 por 1 millón de caracteres
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
Solicitudes de ejemplo
Ailoot · Síntesis de voz
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
Recibir y guardar resultados
Ailoot · Síntesis de voz
mp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Conserva todos los resultados completados
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva el resultado binario completo y los encabezados. Si se devuelve JSON o varias salidas, conserva cada elemento de data y descarga cada recurso desde su URL firmada real.
Si es necesario revisar la respuesta original
Conserva el operation_id/X-Client-Request-ID original para la conciliación sin volver a enviar la solicitud; no hay una ruta específica para consultar el estado del audio.
Campos de respuesta
| Campo | Tipo |
|---|---|
Campobinary audio | Tipobytes |
Camporesponse headers | Tipoheaders |
Errores y siguientes pasos
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Respuestaserver_error | CondiciónLa respuesta devuelta indica que la operación o el resultado requiere una revisión | Siguiente pasoConserva el ID original de operación o tarea devuelto, los encabezados de la solicitud y la respuesta; continúa con las consultas admitidas de esa operación original. No vuelvas a enviar la solicitud de creación. |
Alias
Alias del modelo
Ailoot speech-2.6-hd
Alias de rutas de métodos
Usa las rutas de método indicadas arriba.
ID de modelo relacionados
FAQ · speech-2.6-hd
- ¿Qué entradas y resultados están disponibles?
POST /v1/audio/speech·speech-2.6-hd:text→speech- ¿Qué campos utiliza la solicitud?
POST /v1/audio/speech·speech-2.6-hd:model,input,voice,response_format