speech-02-turbo
Speech-02 Turbo on tarkoitettu nopeaan puhesynteesiin vakaalla rytmillä ja monikielisellä äänenkäytöllä.
Tietoa mallista
Tämä kuvaus kattaa mallin ominaisuudet. Ailootissa saatavilla olevat syötteet, tulosteet ja asetukset luetellaan alla valitulle menetelmälle.
Nopea puhe vuorovaikutteiseen vastaukseen
Speech 02 Turbo on tarkoitettu interaktiiviseen puhesynteesiin. Valmistaja kuvaa nopeuden yhdistyvän vakaaseen rytmiin ja luonnolliseen ääneen; käyttötapauksia ovat puhevastaukset, pelirepliikit ja interaktiivinen sisältö. Malli vastaanottaa tekstiä ja muodostaa puheääntä.
Äänen luonteen valinta
Speech 02 -perhe mahdollistaa äänen, kielen, aksentin ja tunnesävyn yhdistämisen. Yhdessä koulutettavat autoregressiivinen Transformer ja puhujaenkooderi yhdistävät äänenvärin sisältöön. Tekstiä voidaan syntetisoida valmiilla äänellä; uuden kloonatun äänen luominen kuuluu erilliseen valmisteluun.
Malli valitsee tunneintonaation itse tekstin perusteella tai ottaa vastaan määritetyn tilan: ilon, surun, vihan, pelon, inhon, hämmästyksen tai rauhallisuuden. Lisäksi säädetään nopeutta, korkeutta ja voimakkuutta, jotta repliikki sopii vuorovaikutuksen haluttuun tempoon.
Kielet ja sanojen lukeminen
Venäjänkielistä puhetta ja muita kieliä tuetaan, mukaan lukien englanti, kiina, kantoninkiina, japani, korea, ranska, saksa, espanja, portugali, turkki, arabia ja ukraina. Speech 02:n nykyinen määrittely sulkee erikseen pois persian, filipinon ja tamilin.
Ääntämistä voidaan täsmentää korvaussanastolla, kansainvälisillä foneettisilla merkinnöillä, kiinan pinyinillä ja japanin lukutavoilla. Puhuttujen osien väliset tauot asetetaan välillä 0,01–99,99 sekuntia. Tauon kesto määritetään kahden desimaalin tarkkuudella; merkit sijoitetaan puhuttujen jaksojen väliin eikä peräkkäin. Malli mahdollistaa nopeuden 0,5–2, voimakkuuden yli 0:sta enintään 10:een ja korkeuden muutoksen välillä −12–12.
Ääni toistoa varten
Synkroninen syöte on rajattu alle 10 000 merkin tekstiin; yli 3000 merkin aineistolle valmistaja suosittelee asteittaista tulostusta. Mallin ominaisuuksiin kuuluvat MP3, WAV, FLAC ja PCM; yleisissä asetuksissa kuvataan myös Opus ja G.711 μ-law sekä yksi tai kaksi äänikanavaa.
Tämä Ailoot-kortti vastaanottaa tekstiä ja palauttaa puhetta. Turbon nopeus koskee malliversion käyttötarkoitusta; yksittäisen vastauksen kesto ja laajennettujen formaattien saatavuus riippuvat valitusta kutsutavasta.
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-turbo
speech-02-turboAloitus
Speech-02 Turbo on tarkoitettu nopeaan puhesynteesiin vakaalla rytmillä ja monikielisellä äänenkäytöllä.
- 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-turbo | 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
- 60,00 $ 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-turbo", "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-turbo
Menetelmäpolkujen aliakset
Käytä yllä näytettyjä menetelmäpolkuja.
Liittyvät kutsujan ID:t
FAQ · speech-02-turbo
- Mitä syötteitä ja tuloksia on saatavilla?
POST /v1/audio/speech·speech-02-turbo:text→speech- Mitä kenttiä pyyntö käyttää?
POST /v1/audio/speech·speech-02-turbo:model,input,voice,response_format