Speech 2.8 Turbo combina generación rápida de audio y movimiento natural de la voz. El fabricante orienta Turbo a sonido conversacional fluido: intervenciones cortas, locución e interacción de voz. Esta ficha recibe texto y devuelve audio hablado.
Como HD de esta generación, Turbo admite las etiquetas de Speech 2.8. El texto puede incluir risa, risita, tos, carraspeo, inspiración, espiración, suspiro y otros sonidos breves. Esa irregularidad controlada aporta respiración y pausas relacionadas con el contenido.
Cada etiqueta corresponde a un punto del texto. Se utilizan las denominaciones entre paréntesis previstas, como (laughs) o (breath). Una descripción libre del efecto no equivale a una etiqueta compatible.
La familia Speech 2.8 admite 40 idiomas, incluido el ruso, y voces preparadas. El fabricante destaca textura reconocible, respiración y reducción de distorsión digital. Clonar una voz corresponde a su preparación independiente para utilizarla después en síntesis.
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.
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.
La velocidad de Turbo caracteriza la variante, no promete una latencia fija de una intervención terminada. Aquí no se fija un tiempo numérico de respuesta. Los ajustes ampliados del fabricante requieren compatibilidad 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.
", "aboutText": "### Síntesis rápida de intervenciones conversacionales\n\nSpeech 2.8 Turbo combina generación rápida de audio y movimiento natural de la voz. El fabricante orienta Turbo a sonido conversacional fluido: intervenciones cortas, locución e interacción de voz. Esta ficha recibe texto y devuelve audio hablado.\n\n### Risa, respiración e interjecciones\n\nComo HD de esta generación, Turbo admite las etiquetas de Speech 2.8. El texto puede incluir risa, risita, tos, carraspeo, inspiración, espiración, suspiro y otros sonidos breves. Esa irregularidad controlada aporta respiración y pausas relacionadas con el contenido.\n\nCada etiqueta corresponde a un punto del texto. Se utilizan las denominaciones entre paréntesis previstas, como `(laughs)` o `(breath)`. Una descripción libre del efecto no equivale a una etiqueta compatible.\n\n### Voz e idioma\n\nLa familia Speech 2.8 admite **40 idiomas**, incluido el ruso, y voces preparadas. El fabricante destaca textura reconocible, respiración y reducción de distorsión digital. Clonar una voz corresponde a su preparación independiente para utilizarla después en síntesis.\n\nMiniMax 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.\n\nLa 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.\n\n### Salida progresiva y formato\n\nLa 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.\n\nLa velocidad de Turbo caracteriza la variante, no promete una latencia fija de una intervención terminada. Aquí no se fija un tiempo numérico de respuesta. Los ajustes ampliados del fabricante requieren compatibilidad del método elegido en Ailoot.\n\nOtros 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.\n\nEl 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "4627b7f44dfe6968b57855fcdcee16a20532556f8a632e8d645e700b6ada8a14", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es-mx", "methods": [ { "html": "speech-2.8-turboSpeech 2.8 Turbo ofrece síntesis rápida de voz natural con etiquetas sonoras y control de expresividad.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Speech 2.8 Turbo combina generación rápida de audio y movimiento natural de la voz. El fabricante orienta Turbo a sonido conversacional fluido: intervenciones cortas, locución e interacción de voz. Esta ficha recibe texto y devuelve audio hablado.
Como HD de esta generación, Turbo admite las etiquetas de Speech 2.8. El texto puede incluir risa, risita, tos, carraspeo, inspiración, espiración, suspiro y otros sonidos breves. Esa irregularidad controlada aporta respiración y pausas relacionadas con el contenido.
Cada etiqueta corresponde a un punto del texto. Se utilizan las denominaciones entre paréntesis previstas, como (laughs) o (breath). Una descripción libre del efecto no equivale a una etiqueta compatible.
La familia Speech 2.8 admite 40 idiomas, incluido el ruso, y voces preparadas. El fabricante destaca textura reconocible, respiración y reducción de distorsión digital. Clonar una voz corresponde a su preparación independiente para utilizarla después en síntesis.
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.
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.
La velocidad de Turbo caracteriza la variante, no promete una latencia fija de una intervención terminada. Aquí no se fija un tiempo numérico de respuesta. Los ajustes ampliados del fabricante requieren compatibilidad 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.
POST /v1/audio/speechtextspeech| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites speech-2.8-turbo | 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— |
text_to_speech · Obligatorio: input
| 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.
POST /v1/audio/speechAiloot 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 →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 narration script}"\nexport AILOOT_TEXT_FILE\n: "${AILOOT_VOICE_ID:?Set the actual accepted voice ID for this model}"\nexport AILOOT_VOICE_ID\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "speech-2.8-turbo", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=text\nimport re\nvoice=os.environ["AILOOT_VOICE_ID"]\nif not re.fullmatch(r"[A-Za-z0-9_-]{1,128}",voice):raise SystemExit("Set an actual accepted voice ID")\np["voice"]=voice\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o speech.mp3\nmp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}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.
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.
| Campo | Tipo |
|---|---|
Campobinary audio | Tipobytes |
Camporesponse headers | Tipoheaders |
| 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. |
Ailoot speech-2.8-turbo, minimax-speech-turbo
Usa las rutas de método indicadas arriba.
minimax-speech-turboSpeech 2.8 Turbo ofrece síntesis rápida de voz natural con etiquetas sonoras y control de expresividad.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Speech 2.8 Turbo combina generación rápida de audio y movimiento natural de la voz. El fabricante orienta Turbo a sonido conversacional fluido: intervenciones cortas, locución e interacción de voz. Esta ficha recibe texto y devuelve audio hablado.
Como HD de esta generación, Turbo admite las etiquetas de Speech 2.8. El texto puede incluir risa, risita, tos, carraspeo, inspiración, espiración, suspiro y otros sonidos breves. Esa irregularidad controlada aporta respiración y pausas relacionadas con el contenido.
Cada etiqueta corresponde a un punto del texto. Se utilizan las denominaciones entre paréntesis previstas, como (laughs) o (breath). Una descripción libre del efecto no equivale a una etiqueta compatible.
La familia Speech 2.8 admite 40 idiomas, incluido el ruso, y voces preparadas. El fabricante destaca textura reconocible, respiración y reducción de distorsión digital. Clonar una voz corresponde a su preparación independiente para utilizarla después en síntesis.
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.
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.
La velocidad de Turbo caracteriza la variante, no promete una latencia fija de una intervención terminada. Aquí no se fija un tiempo numérico de respuesta. Los ajustes ampliados del fabricante requieren compatibilidad 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.
POST /v1/audio/speechtextspeech| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites minimax-speech-turbo | 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— |
text_to_speech · Obligatorio: input
| 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.
POST /v1/audio/speechAiloot 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 →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 narration script}"\nexport AILOOT_TEXT_FILE\n: "${AILOOT_VOICE_ID:?Set the actual accepted voice ID for this model}"\nexport AILOOT_VOICE_ID\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "minimax-speech-turbo", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=text\nimport re\nvoice=os.environ["AILOOT_VOICE_ID"]\nif not re.fullmatch(r"[A-Za-z0-9_-]{1,128}",voice):raise SystemExit("Set an actual accepted voice ID")\np["voice"]=voice\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o speech.mp3\nmp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}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.
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.
| Campo | Tipo |
|---|---|
Campobinary audio | Tipobytes |
Camporesponse headers | Tipoheaders |
| 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. |
Ailoot speech-2.8-turbo, minimax-speech-turbo
Usa las rutas de método indicadas arriba.