MiniMax: Speech 2.6 Turbo

Speech 2.6 Turbo on täsmällinen MiniMax-puheversio, joka valitaan asetuksella model: "minimax/speech-2.6-turbo". Käytä POST /v1/audio/speech -kutsua, jonka application/json-runko sisältää model-kentän ja puhuttavan text-tekstin. Sen syöte on kirjallinen käsikirjoitus ja tulos synteettinen ääni. Sovellusviestiä varten anna täsmälliset sanat, jotka kuulijan tarvitsee kuulla, ja kirjoita auki monitulkintaiset lyhenteet. Lyhyttä oppituntia varten erota selitys esimerkistä itse käsikirjoituksessa. Selostettua käyttöliittymäpolkua varten pidä jokainen puhejakso yhteydessä konkreettiseen käyttäjän toimintoon ja säilytä käsikirjoitus sen äänen rinnalla.

text-kentän on sisällettävä muutakin kuin tyhjiä merkkejä, ja sen tulee sisältää alle 10 000 Unicode-merkkiä. Lähetä koko puhuttu käsikirjoitus asetuksella stream:false tai jätä stream pois. Jaa pidempi aineisto erillisiksi kokonaisiksi käsikirjoitusjaksoiksi ennen kunkin jakson lähettämistä. Asiakirjaa voi käyttää lukemalla sen varsinaisen sisällön ja sijoittamalla olennaisen katkelman text-kenttään; asiakirjan URL ei korvaa käsikirjoitusta.

Valitse ääni kentällä voice_setting.voice_id. Dokumentoituihin ääniluokkiin kuuluvat järjestelmän äänet sekä jo luodut kloonatut tai tekstin avulla suunnitellut äänet; käytä valitulle luokalle kelvollista äänitunnusta. Esimerkkiääni on audiobook_male_1. Sama objekti ohjaa speed-arvoa väliltä 0,5–2, vol-arvoa, joka on yli 0 ja enintään 10, sekä kokonaislukuista pitch-arvoa väliltä -12–12. Niiden oletusarvot ovat 1, 1 ja 0. Nämä asetukset säätävät puheilmaisun eri puolia, joten valitse ne erikseen sen sijaan, että sijoittaisit niiden nimet käsikirjoitukseen.

voice_setting.emotion hyväksyy arvot happy, sad, angry, fearful, disgusted, surprised, calm ja fluent. Dokumentaatio kuvaa myös automaattisen tunnetilan sovituksen tekstistä. Runsaasti numeroita sisältävissä käsikirjoituksissa voice_setting.text_normalization ottaa käyttöön kiinan- ja englanninkielisen tekstin normalisoinnin, ja sen oletusarvo on false. voice_setting.latex_read ohjaa LaTeX-lausekkeiden lukemista, ja myös sen oletusarvo on false. pronunciation_dict.tone on ääntämissääntöjen merkkijonotaulukko. Julkaistu esimerkki on ["草地/(cao3)(di1)"]; säilytä sana, vinoviiva ja sulkeisiin sijoitetun ääntämyksen rakenne sääntöä antaessasi.

audio_setting.format hyväksyy arvot mp3, pcm, flac ja wav, ja oletusarvo on mp3. sample_rate hyväksyy arvot 8000, 16000, 22050, 24000, 32000 ja 44100 Hz; sen oletusarvo on 32000. channel on 1 monolle tai 2 kahdelle kanavalle, ja oletusarvo on 1. bitrate-arvot ovat 32000, 64000, 128000 ja 256000 bittiä sekunnissa, oletusarvo on 128000, ja ne koskevat mp3-muotoa. Valitse koodaus, jota tulosta käyttävä soitin tai muokkaustyökalu tarvitsee.

language_boost on valinnainen merkkijono, ja sen oletusarvo on null. Sen sallitut arvot ovat 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 ja auto. "Chinese,Yue" on yksi arvo. Se on käsikirjoituksesta ja äänitunnuksesta erillinen asetus. Skeema tarjoaa myös timber_weights-kentän luettelolle, jonka kukin pari sisältää voice_id-arvon ja kokonaislukuisen weight-arvon väliltä 1–100. Säilytä parametrin kirjoitusasu timber_weights pyyntöä valmistellessasi. voice_modify.sound_effects on valinnainen merkkijono, jonka arvot ovat spacious_echo, auditorium_echo, lofi_telephone ja robotic.

stream-asetuksen oletusarvo on false. Kokonaisessa vastauksessa output_format valitsee arvon url tai hex, ja oletusarvo on hex. Dokumentoidussa JSON-tuloksessa data.audio sisältää valitun esitysmuodon: lataa koko allekirjoitettu Ailoot-URL kyselymerkkijonoineen tai pura koko heksadesimaalinen ääni tavuiksi. Säilytä alkuperäinen tulos yhdessä kenttien data.status, base_resp, trace_id ja extra_info kanssa; viimeksi mainittu sisältää todellisen äänimuodon, näytteenottotaajuuden, kanavamäärän, koon ja usage_characters-arvon.

subtitle_enable on totuusarvo, jonka oletusarvo on false ja joka koskee tulosta ilman suoratoistoa. aigc_watermark on totuusarvo, jonka oletusarvo on false ja joka ohjaa generoidun äänen lopussa kuuluvaa rytmimerkkiä. Säilytä jokainen palautettu ääni- tai tekstitystulos ja tarkista ääntäminen, numerot ja valmis tiedosto ennen sen sijoittamista sovellukseen. Jos toimitus on epävarma, säilytä alkuperäisen pyynnön tunniste ja vastaus olemassa olevan yrityksen tarkistamista varten. Ailoot tallentaa valmiin äänen myös mediakirjastoosi. Asetuksella output_format:"url" data.audio sisältää allekirjoitetun linkin tähän tallennettuun resurssiin; resurssin tunnus näkyy sen polussa /v1/media/assets/{asset_id}/content. Ailootin allekirjoitetut tiedostolinkit ovat voimassa 24 tuntia myöntämisestä. Käytä samaa API-avainta kutsuun GET /v1/media/assets?family=audio ja käy läpi jokainen next_cursor löytääksesi ääniresurssien tietueet. Lue GET /v1/media/assets/{asset_id} jokaiselle valitulle tietueelle ja lataa sen täsmällinen content_url kyselymerkkijonoineen. Jos tiedostopyyntö palauttaa 404 ja koodin link_expired, lue sama resurssi uudelleen saadaksesi päivitetyn content_url-arvon. Päivitä tallennettu tulos sen sijaan, että generoisit äänen uudelleen vanhentuneen linkin korvaamiseksi.