Orpheus 3B 0.1 Fine-Tuned es el modelo de texto a voz en inglés de Canopy Labs para síntesis cotidiana. Pertenece a la familia Orpheus, construida sobre una arquitectura base Llama 3B, y se centra en entonación natural, ritmo y expresión. La entrada es el texto que debe pronunciarse, con un hablante seleccionado; la salida es audio de voz. El fabricante también enumera clonación de voz zero-shot para este modelo ajustado exacto. Su ejemplo publicado de síntesis ajustada utiliza hablantes predefinidos, mientras que los prompts de texto y voz condicionados por referencia se documentan por separado para la edición preentrenada. Esta edición ajustada es distinta del modelo preentrenado y de los modelos multilingües de investigación publicados por separado.
El fabricante enumera ocho voces predefinidas en inglés: tara, leah, jess, leo, dan, mia, zac y zoe. Su convención de prompt sitúa el nombre del hablante antes del texto hablado, separado por dos puntos. El flujo de referencia de generación de voz puede añadir ese formato cuando la voz se proporciona por separado. Selecciona un hablante para la pieza prevista y mantén esa elección coherente entre pasajes conectados.
Para una explicación corta, escribe la narración final, en lugar de una instrucción que pida al modelo inventar la explicación. Una frase hablada útil es: «Choose the folder you want to share, check who can open it, and save the changes.» Para diálogo, prepara expresamente la frase de cada hablante y conserva la puntuación que ayude a la expresión. Una abreviatura, fecha o nombre de producto debe escribirse en la forma que quieras que oiga el oyente, especialmente cuando su forma abreviada escrita sea ambigua.
Orpheus documenta las etiquetas <laugh>, <chuckle>, <sigh>, <cough>, <sniffle>, <groan>, <yawn> y <gasp>. Proporcionan al texto un evento no verbal explícito en el punto pertinente. Un pasaje conversacional corto puede situar una risa suave antes de un comentario ligero o un suspiro antes de una frase reflexiva. Utiliza el indicio donde corresponda en la interpretación y mantén claras las palabras reales de la frase.
Son indicios de generación de voz, no un lenguaje general de instrucciones para editar una grabación existente. Para una locución, empieza con texto legible y añade solo los eventos expresivos que necesite la escena. Escucha la frase completa para juzgar si el evento, el énfasis y el ritmo apoyan el significado. Una tarea narrativa puede necesitar una voz estable, mientras que la frase de un personaje puede beneficiarse de un indicio no verbal específico.
El fabricante proporciona tanto un notebook sin streaming como un ejemplo de voz en streaming. El streaming devuelve fragmentos sucesivos de audio conforme se genera el pasaje. En el ejemplo publicado, esos fragmentos se escriben en un archivo WAV mono a 24.000 Hz con muestras de 16 bits. Esos ajustes de archivo describen el flujo de referencia; el resultado útil es una grabación reproducible cuyas palabras, hablante y expresión puedan comprobarse frente al guion.
Para una narración más larga, prepara pasajes coherentes con límites claros de frase y mantén una copia del guion final junto al audio. Revisa el inicio y final de cada pasaje, la pronunciación de nombres importantes y la transición entre grabaciones adyacentes. Las indicaciones de muestreo del fabricante especifican una penalización de repetición de al menos 1.1 para generación estable en su implementación de referencia y señalan que las elecciones de muestreo pueden afectar a la velocidad del habla. La longitud de modelo configurada en el ejemplo es un ajuste de inferencia, en lugar de una duración máxima establecida de narración.
Este perfil se refiere al modelo ajustado en inglés con sus hablantes predefinidos documentados. El modelo preentrenado tiene su propio flujo de condicionamiento de texto y voz; las ediciones multilingües tienen hablantes y etiquetas específicos por idioma. Seleccionar esta edición inglesa no combina esos perfiles separados. Un entregable práctico es un guion hablado, una voz predefinida elegida con intención y audio revisado para las palabras y la interpretación que requiera la pieza.
", "aboutText": "Orpheus 3B 0.1 Fine-Tuned es el modelo de texto a voz en inglés de Canopy Labs para síntesis cotidiana. Pertenece a la familia Orpheus, construida sobre una arquitectura base Llama 3B, y se centra en entonación natural, ritmo y expresión. La entrada es el texto que debe pronunciarse, con un hablante seleccionado; la salida es audio de voz. El fabricante también enumera clonación de voz zero-shot para este modelo ajustado exacto. Su ejemplo publicado de síntesis ajustada utiliza hablantes predefinidos, mientras que los prompts de texto y voz condicionados por referencia se documentan por separado para la edición preentrenada. Esta edición ajustada es distinta del modelo preentrenado y de los modelos multilingües de investigación publicados por separado.\n\n### Elige un hablante y prepara la frase\n\nEl fabricante enumera ocho voces predefinidas en inglés: tara, leah, jess, leo, dan, mia, zac y zoe. Su convención de prompt sitúa el nombre del hablante antes del texto hablado, separado por dos puntos. El flujo de referencia de generación de voz puede añadir ese formato cuando la voz se proporciona por separado. Selecciona un hablante para la pieza prevista y mantén esa elección coherente entre pasajes conectados.\n\nPara una explicación corta, escribe la narración final, en lugar de una instrucción que pida al modelo inventar la explicación. Una frase hablada útil es: «Choose the folder you want to share, check who can open it, and save the changes.» Para diálogo, prepara expresamente la frase de cada hablante y conserva la puntuación que ayude a la expresión. Una abreviatura, fecha o nombre de producto debe escribirse en la forma que quieras que oiga el oyente, especialmente cuando su forma abreviada escrita sea ambigua.\n\n### Indicios expresivos y no verbales\n\nOrpheus documenta las etiquetascanopylabs/orpheus-3b-0.1-ftEl modelo de voz en inglés ajustado Orpheus 3B de Canopy Labs convierte frases escritas en audio expresivo. Ocho voces predefinidas y etiquetas no verbales permiten narración, diálogo y respuestas habladas de aplicaciones.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Orpheus 3B 0.1 Fine-Tuned es el modelo de texto a voz en inglés de Canopy Labs para síntesis cotidiana. Pertenece a la familia Orpheus, construida sobre una arquitectura base Llama 3B, y se centra en entonación natural, ritmo y expresión. La entrada es el texto que debe pronunciarse, con un hablante seleccionado; la salida es audio de voz. El fabricante también enumera clonación de voz zero-shot para este modelo ajustado exacto. Su ejemplo publicado de síntesis ajustada utiliza hablantes predefinidos, mientras que los prompts de texto y voz condicionados por referencia se documentan por separado para la edición preentrenada. Esta edición ajustada es distinta del modelo preentrenado y de los modelos multilingües de investigación publicados por separado.
El fabricante enumera ocho voces predefinidas en inglés: tara, leah, jess, leo, dan, mia, zac y zoe. Su convención de prompt sitúa el nombre del hablante antes del texto hablado, separado por dos puntos. El flujo de referencia de generación de voz puede añadir ese formato cuando la voz se proporciona por separado. Selecciona un hablante para la pieza prevista y mantén esa elección coherente entre pasajes conectados.
Para una explicación corta, escribe la narración final, en lugar de una instrucción que pida al modelo inventar la explicación. Una frase hablada útil es: «Choose the folder you want to share, check who can open it, and save the changes.» Para diálogo, prepara expresamente la frase de cada hablante y conserva la puntuación que ayude a la expresión. Una abreviatura, fecha o nombre de producto debe escribirse en la forma que quieras que oiga el oyente, especialmente cuando su forma abreviada escrita sea ambigua.
Orpheus documenta las etiquetas <laugh>, <chuckle>, <sigh>, <cough>, <sniffle>, <groan>, <yawn> y <gasp>. Proporcionan al texto un evento no verbal explícito en el punto pertinente. Un pasaje conversacional corto puede situar una risa suave antes de un comentario ligero o un suspiro antes de una frase reflexiva. Utiliza el indicio donde corresponda en la interpretación y mantén claras las palabras reales de la frase.
Son indicios de generación de voz, no un lenguaje general de instrucciones para editar una grabación existente. Para una locución, empieza con texto legible y añade solo los eventos expresivos que necesite la escena. Escucha la frase completa para juzgar si el evento, el énfasis y el ritmo apoyan el significado. Una tarea narrativa puede necesitar una voz estable, mientras que la frase de un personaje puede beneficiarse de un indicio no verbal específico.
El fabricante proporciona tanto un notebook sin streaming como un ejemplo de voz en streaming. El streaming devuelve fragmentos sucesivos de audio conforme se genera el pasaje. En el ejemplo publicado, esos fragmentos se escriben en un archivo WAV mono a 24.000 Hz con muestras de 16 bits. Esos ajustes de archivo describen el flujo de referencia; el resultado útil es una grabación reproducible cuyas palabras, hablante y expresión puedan comprobarse frente al guion.
Para una narración más larga, prepara pasajes coherentes con límites claros de frase y mantén una copia del guion final junto al audio. Revisa el inicio y final de cada pasaje, la pronunciación de nombres importantes y la transición entre grabaciones adyacentes. Las indicaciones de muestreo del fabricante especifican una penalización de repetición de al menos 1.1 para generación estable en su implementación de referencia y señalan que las elecciones de muestreo pueden afectar a la velocidad del habla. La longitud de modelo configurada en el ejemplo es un ajuste de inferencia, en lugar de una duración máxima establecida de narración.
Este perfil se refiere al modelo ajustado en inglés con sus hablantes predefinidos documentados. El modelo preentrenado tiene su propio flujo de condicionamiento de texto y voz; las ediciones multilingües tienen hablantes y etiquetas específicos por idioma. Seleccionar esta edición inglesa no combina esos perfiles separados. Un entregable práctico es un guion hablado, una voz predefinida elegida con intención y audio revisado para las palabras y la interpretación que requiera la pieza.
POST /v1/audio/speechtextaudio| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites canopylabs/orpheus-3b-0.1-ft | Predeterminado— |
Campoinput | Tipostring | RequisitoObligatorio | Valores y límites Longitud mínima: 1 Unidad: caracteres Unicode | Predeterminado— |
Campovoice | Tipostring | RequisitoObligatorio | Valores y límites tara, leah, jess, leo, dan, mia, zac | Predeterminado— |
Camporesponse_format | Tipostring | RequisitoObligatorio | Valores y límites mp3 | Predeterminado— |
text_to_speech · Obligatorio: input
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, input, voice, response_format |
Parámetrovoice_ids | Contratotara, leah, jess, leo, dan, mia, zac |
Parámetroresponse_format | Contratomp3 |
Parámetromax_input_characters | Contratonull |
Parámetroother_options | Contratofalse |
Parámetroinput | Contratotexto UTF-8 exacto; recuento de caracteres Unicode sin normalización |
Parámetromaterial_types | Contratotext |
Ciclo de vida: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id real devuelto o registro de la biblioteca multimedia
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Selecciona una voz exacta de este perfil de modelo.
Los caracteres de entrada y los segundos de audio son métricas de consumo diferentes.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Cantidad facturable | Unidad de facturación | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cantidad facturable— | Unidad de facturación— | Cargo Entrada · Tokens de entrada — / 1K tokens Salida · Tokens de salida — / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónUltra | Tabla de tarifas— | Cantidad facturableCada punto de código Unicode cuenta como un carácter, incluidos los caracteres Han. | Unidad de facturaciónpor 1K caracteres de entrada | Cargo Entrada · carácter de entrada $0.03 por 1K caracteres de entrada |
Las tablas de referencia del modelo no cambian la selección del método, las estimaciones de coste ni los cargos. Los cargos aplicados usan las tarifas del método Ailoot seleccionado.
| Configuración | Condiciones de facturación | Cargo |
|---|---|---|
| ConfiguraciónCanopy Labs: Orpheus 3B · Configuración predeterminada | Condiciones de facturaciónConfiguración predeterminada | Cargo Entrada · Caracteres de entrada 0,000014 US$ por carácter de entrada |
Ailoot reserva un importe 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_VOICE_ID:?Choose an accepted voice ID from this exact model profile}"\nexport AILOOT_VOICE_ID\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "canopylabs/orpheus-3b-0.1-ft", "input": "Good afternoon! This is a short voice take."}')\nvoice=os.environ["AILOOT_VOICE_ID"]\nallowed=json.loads('["tara", "leah", "jess", "leo", "dan", "mia", "zac"]')\nif voice not in allowed: raise SystemExit("Choose an accepted voice ID from this exact model profile")\np["voice"]=voice\np["response_format"]="mp3"\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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o speech.mp3\nmp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o media-assets.json\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_MEDIA_TASK_ID:?Set the actual ID returned by the response or media-library metadata}"\nexport AILOOT_MEDIA_TASK_ID\nresource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_MEDIA_TASK_ID"],safe=""))')\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/tasks/$resource_id" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o media-task.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("media-task.json").read_text())))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_ASSET_ID:?Set the actual ID returned by the response or media-library metadata}"\nexport AILOOT_ASSET_ID\nresource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_ASSET_ID"],safe=""))')\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/assets/$resource_id" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o media-asset.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("media-asset.json").read_text())))\nPY_RESULT\nConserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva el resultado binario completo y las cabeceras. Si se devuelve JSON o varias salidas, conserva todos los elementos de datos y descarga el recurso de cada 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 dedicada para consultar periódicamente el 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 comprobación | Siguiente pasoConserva el ID original de operación o tarea devuelto, las cabeceras de la solicitud y la respuesta; continúa con las lecturas admitidas de esa operación original. No vuelvas a enviar la solicitud de creación. |
Ailoot Ultra canopylabs/orpheus-3b-0.1-ft
Usa las rutas de método indicadas arriba.