speech-02-hd
Speech-02 HD es un modelo de síntesis de voz centrado en calidad de sonido 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 para locución y lectura prolongada
Speech 02 HD crea voz con énfasis en calidad, ritmo y consistencia del sonido. El fabricante destaca contenidos y audiolibros que necesitan conservar el carácter de la voz durante textos largos. Es síntesis: recibe texto y lo transforma en audio hablado.
Cómo se relacionan texto y timbre
La familia Speech 02 utiliza una arquitectura Transformer autorregresiva y un codificador de hablante entrenable. La extracción de timbre y la generación de voz se entrenaron conjuntamente para relacionar las características vocales con el contenido. La familia contempla voces clonadas preparadas y combinación de idioma, acento e interpretación.
Emoción y lectura multilingüe
La emoción puede deducirse del texto o definirse manualmente. Se ofrecen alegría, tristeza, ira, miedo, asco, sorpresa y calma. Trabaja con ruso, inglés y otros idiomas; el fabricante describe acentos de inglés, chino y cantonés, japonés, coreano, idiomas europeos y otros.
La descripción actual de Speech 02 excluye específicamente persa, filipino y tamil. La lista general de generaciones Speech posteriores no debe trasladarse automáticamente a esta versión.
Ajustes de voz
La síntesis contempla elección de voz, velocidad 0,5–2, volumen superior a 0 y hasta 10 y tono de −12 a 12. Un diccionario de pronunciación permite sustituir la escritura por la lectura deseada; se admiten anotaciones fonéticas y variantes de pronunciación japonesas. Ayuda a controlar nombres y palabras ambiguas.
Pausas y audio terminado
El fabricante permite pausas entre fragmentos de 0,01–99,99 segundos. Se definen con dos decimales; los marcadores se colocan entre fragmentos y no consecutivamente. El texto de una solicitud síncrona debe contener menos de 10 000 caracteres. Se contempla recibir todo el audio o progresivamente; para más de 3000 caracteres se recomienda streaming.
Los formatos incluyen MP3, WAV, FLAC y PCM; los ajustes generales también describen Opus y variantes G.711 μ-law. Puede utilizarse mono o estéreo. Esta ficha ofrece locución de texto; preparar una voz por separado y ajustes ampliados solo se aplican dentro del método de Ailoot compatible.
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-02-hd
speech-02-hdPrimeros pasos
Speech-02 HD es un modelo de síntesis de voz centrado en calidad de sonido y semejanza de la voz.
- Entradas aceptadas
- Texto
- Resultados
- speech
Disponible en Ailoot · entradas y métodos
Ailoot · Síntesis de voz POST /v1/audio/speech
- Tipos de entrada
text- Tipos de salida
speech- Formato de salida
- mp3
| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites speech-02-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} · 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}
Las estructuras e ID de los métodos son exactos; la capacidad del proveedor y la admisión son conceptos distintos.
Planes
Tarifas de métodos Ailoot
POST /v1/audio/speech- Entrada
- 100,00 US$ por 1 millón de caracteres
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 →
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-02-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 las cabeceras. Si se devuelve JSON o varias salidas, conserva todos los elementos de datos y descarga el recurso de cada 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 dedicada para consultar periódicamente el 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 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. |
Alias
Alias del modelo
Ailoot speech-02-hd
Alias de rutas de métodos
Usa las rutas de método indicadas arriba.
ID de modelo relacionados
FAQ · speech-02-hd
- ¿Qué entradas y resultados están disponibles?
POST /v1/audio/speech·speech-02-hd:text→speech- ¿Qué campos utiliza la solicitud?
POST /v1/audio/speech·speech-02-hd:model,input,voice,response_format