speech-02-hd
Speech-02 HD on puhesynteesimalli, joka painottaa äänen laatua ja äänen samankaltaisuutta.
Tietoa mallista
Tämä kuvaus kattaa mallin ominaisuudet. Ailootissa saatavilla olevat syötteet, tulosteet ja asetukset luetellaan alla valitulle menetelmälle.
Ääni selostuksiin ja pitkään lukemiseen
Speech 02 HD luo puhetta painottaen laatua, rytmiä ja äänen vakautta. Valmistaja nostaa esiin aineistojen ääneenlukemisen ja äänikirjat, joissa äänen tulee säilyttää luonteensa ja edetä tasaisesti pitkän tekstin läpi. Tämä on synteesimalli: se vastaanottaa tekstiä ja muuntaa sen puheääneksi.
Tekstin ja äänenvärin yhdistäminen
Speech 02 -perheen perustana ovat autoregressiivinen Transformer-arkkitehtuuri ja koulutettava puhujaenkooderi. Äänenvärin poiminta ja puheen generointi on koulutettu yhdessä, jotta äänen ominaisuudet sopivat sisältöön. Perheen kykyihin kuuluvat valmiiksi kloonattujen äänten käyttö ja kielen, aksentin sekä ääntämistavan yhdistäminen.
Tunne ja monikielinen lukeminen
Tunnesävy voi määräytyä tekstin merkityksestä tai se voidaan asettaa käsin. Käytettävissä ovat ilo, suru, viha, pelko, inho, hämmästys ja rauhallisuus. Malli toimii venäjäksi, englanniksi ja muilla kielillä; valmistaja kuvaa englannin eri aksentteja, kiinaa ja kantoninkiinaa, japania, koreaa, eurooppalaisia ja muita kieliä.
Nykyisessä Speech 02 -kuvauksessa persia, filipino ja tamili on erikseen suljettu pois. Uudempien Speech-sukupolvien yleistä kieliluetteloa ei tule siirtää automaattisesti tähän versioon.
Äänen asetukset
Synteesissä voidaan valita ääni sekä säätää nopeutta välillä 0,5–2, voimakkuutta yli 0:sta enintään 10:een ja korkeutta välillä −12–12. Ääntämissanastossa kirjoitusasu voidaan korvata halutulla lukutavalla; foneettisia merkintöjä ja japanin ääntämisvaihtoehtoja tuetaan. Näin voidaan ohjata nimien ja monitulkintaisten sanojen ääntämistä.
Tauot ja valmis ääni
Valmistaja mahdollistaa puhuttujen jaksojen väliset tauot, joiden kesto on 0,01–99,99 sekuntia. Tauon kesto määritetään kahden desimaalin tarkkuudella; merkit sijoitetaan puhuttujen jaksojen väliin eikä peräkkäin. Yhden synkronisen pyynnön tekstissä on oltava alle 10 000 merkkiä. Äänen voi saada kokonaan tai asteittain; yli 3000 merkin tekstille suositellaan suoratoistotulostusta.
Mallin formaatteihin kuuluvat MP3, WAV, FLAC ja PCM; synteesin yleiset asetukset kuvaavat myös Opus-muodon ja G.711 μ-law -vaihtoehdot. Mono- tai stereoääntä voidaan käyttää. Tässä kortissa on käytettävissä tekstin ääneenlukeminen, ja erillinen äänen valmistelu sekä laajennetut asetukset ovat käytössä vain Ailootin tukeman kutsutavan rajoissa.
Äänen lisäasetuksiin kuuluvat näytteenottotaajuudet 8, 16, 22,05, 24, 32 ja 44,1 kHz. MP3:n bittinopeudeksi on tarjolla 32, 64, 128 tai 256 kbit/s. Myös äänenväriä voidaan muuttaa ja yhtä tehostetta käyttää: avara kaiku, salikaiku, puhelinääni tai robottiääni. Äänenmuokkaustehosteita tuetaan MP3-, WAV- ja FLAC-muodoissa koko ääntä palautettaessa, mutta suoratoistossa vain MP3-muodossa. G.711 μ-law -formaatit käyttävät 8 kHz:n taajuutta. Nämä kyvyt koskevat MiniMaxin synteesiasetuksia.
Valmistaja mahdollistaa puheen ja tekstin synkronoinnin: lauseiden, sanojen tai asteittain palautettavien sanojen aikaleimat. Tulos auttaa sovittamaan puheen yhteen tekstin näyttämisen kanssa. Tämä lisäominaisuus edellyttää kyseisen vastausformaatin tukea.
Ailoot · Puhesynteesi POST /v1/audio/speech speech-02-hd
speech-02-hdAloitus
Speech-02 HD on puhesynteesimalli, joka painottaa äänen laatua ja äänen samankaltaisuutta.
- Hyväksytyt syötteet
- Teksti
- Tulokset
- speech
Saatavilla Ailootissa · syötteet & menetelmät
Ailoot · Puhesynteesi POST /v1/audio/speech
- Syötetyypit
text- Tulostyypit
speech- Tulosteen muoto
- mp3
| Kenttä | Tyyppi | Vaatimus | Arvot & rajat | Oletus |
|---|---|---|---|---|
Kenttämodel | Tyyppistring | VaatimusPakollinen | Arvot & rajat speech-02-hd | Oletus— |
Kenttäinput | Tyyppistring | VaatimusPakollinen | Arvot & rajat Vähimmäispituus: 1 Enimmäispituus (raja-arvo pois lukien): 10 000 Yksikkö: Unicode-merkit | Oletus— |
Kenttävoice | Tyyppistring | VaatimusPakollinen | Arvot & rajat Merkkijonomalli: ^[A-Za-z0-9_-]{1,128}$ | Oletus— |
Kenttäresponse_format | Tyyppistring | VaatimusValinnainen | Arvot & rajat mp3 | Oletus— |
Syöteaineistojen yhdistelmät
text_to_speech · Pakollinen: input
Menetelmän parametrit ja elinkaari
| Parametri | Sopimus |
|---|---|
Parametrimaterial_types | Sopimustext |
Parametrirequired | Sopimusnull |
Parametrioptional_controls | Sopimusnull |
Elinkaari: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · todellisuudessa palautettu task_id tai mediakirjaston tietue
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Menetelmien rakenteet ja ID:t ovat täsmällisiä; toimittajan kyvykkyys on erillinen pyynnön hyväksymisestä.
Hinnoittelu
Ailoot-menetelmien hinnat
POST /v1/audio/speech- Syöte
- 100,00 $ 1 miljoonaa merkkiä kohden
Ailoot varaa arvioidun summan ennen pyyntöä. Tuloksen jälkeen lopullinen veloitus toteutetaan mitatun käytön perusteella. Suoratoiston veloituksessa käytetään lopullista käyttötietuetta. Varauksen ja lopullisen veloituksen toiminta →
Esimerkkipyynnöt
Ailoot · Puhesynteesi
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
Vastaanota ja tallenna tulokset
Ailoot · Puhesynteesi
mp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Säilytä kaikki valmistuneet tulokset
Säilytä jokainen kokonainen palautettu vastaus, tiedosto ja sisällön osa.
Säilytä koko binääritulos ja otsakkeet. Jos palautetaan JSON tai useita tulosteita, säilytä jokainen data-alkio ja nouda jokainen resurssi sen todellisesta allekirjoitetusta URL-osoitteesta.
Jos alkuperäinen vastaus on tarkistettava
Säilytä alkuperäinen operation_id/X-Client-Request-ID täsmäytystä varten lähettämättä pyyntöä uudelleen; erillistä äänen tilakyselyreittiä ei ole.
Vastauksen kentät
| Kenttä | Tyyppi |
|---|---|
Kenttäbinary audio | Tyyppibytes |
Kenttäresponse headers | Tyyppiheaders |
Virheet ja seuraavat vaiheet
| Vastaus | Ehto | Seuraava vaihe |
|---|---|---|
Vastaus400 · invalid_request_error | EhtoVirheelliset pakolliset kentät, aineiston esitysmuoto tai parametrin arvo | Seuraava vaiheKorjaa ilmoitetut kentät ennen uutta luontipyyntöä. |
Vastausserver_error | EhtoPalautettu vastaus ilmoittaa, että operaatio tai tulos edellyttää tarkistusta | Seuraava vaiheSäilytä alkuperäinen palautettu operaation tai tehtävän ID, pyynnön otsakkeet ja vastaus; jatka kyseisen alkuperäisen operaation tuettuja lukutoimintoja. Älä lähetä luontipyyntöä uudelleen. |
Aliakset
Mallin aliakset
Ailoot speech-02-hd
Menetelmäpolkujen aliakset
Käytä yllä näytettyjä menetelmäpolkuja.
Liittyvät kutsujan ID:t
FAQ · speech-02-hd
- Mitä syötteitä ja tuloksia on saatavilla?
POST /v1/audio/speech·speech-02-hd:text→speech- Mitä kenttiä pyyntö käyttää?
POST /v1/audio/speech·speech-02-hd:model,input,voice,response_format