MiniMax: Speech 02 Turbo

Speech 02 Turbo est l’édition vocale exacte de MiniMax sélectionnée par model: "minimax/speech-02-turbo". Utilisez POST /v1/audio/speech avec un corps application/json contenant model et le texte à prononcer. Son entrée est un script écrit et son résultat de l’audio synthétisé. Pour une annonce, placez dans text uniquement les mots à prononcer, comme un court avis de retrait. Pour une explication de produit, divisez le script en phrases complètes et fixez les noms de produits et les nombres avant de générer l’audio. Gardez les notes de production, les noms de fichiers et les indications qui doivent rester silencieuses en dehors du script parlé.

Le champ text doit contenir du texte qui ne se limite pas à des caractères d’espacement et compter moins de 10 000 caractères Unicode. Envoyez le script parlé complet avec stream:false, ou omettez stream. Divisez les contenus plus longs en segments de script complets et distincts avant d’envoyer chaque segment. Un document peut être utilisé en lisant son contenu réel et en plaçant le passage pertinent dans text ; une URL de document ne remplace pas le script.

Choisissez une voix via voice_setting.voice_id. Les catégories de voix documentées comprennent les voix système et les voix clonées ou conçues à partir de texte déjà créées ; utilisez un ID de voix valide pour la catégorie choisie. La voix d’exemple est audiobook_male_1. Le même objet contrôle speed de 0,5 à 2, vol au-dessus de 0 et jusqu’à 10, et pitch entier de -12 à 12. Leurs valeurs par défaut sont 1, 1 et 0. Ces paramètres règlent différents aspects de l’interprétation parlée : choisissez-les donc séparément plutôt que de placer leurs noms dans le script.

voice_setting.emotion accepte happy, sad, angry, fearful, disgusted, surprised, calm et fluent. La documentation décrit aussi une adaptation automatique de l’émotion à partir du texte. Pour les scripts riches en nombres, voice_setting.text_normalization active la normalisation de texte en chinois et en anglais et vaut false par défaut. voice_setting.latex_read contrôle la lecture des expressions LaTeX et vaut également false par défaut. pronunciation_dict.tone est un tableau de chaînes de règles de prononciation. L’exemple publié est ["草地/(cao3)(di1)"] ; conservez le mot, la barre oblique et la structure de prononciation entre parenthèses lorsque vous fournissez une règle.

audio_setting.format accepte mp3, pcm, flac et wav, avec mp3 par défaut. sample_rate accepte 8000, 16000, 22050, 24000, 32000 et 44100 Hz ; sa valeur par défaut est 32000. channel vaut 1 pour le mono ou 2 pour deux canaux, avec 1 par défaut. Les valeurs de bitrate sont 32000, 64000, 128000 et 256000 bits par seconde, avec 128000 par défaut, et s’appliquent au mp3. Sélectionnez l’encodage nécessaire au lecteur ou à l’outil de montage qui utilisera le résultat.

language_boost est une chaîne facultative qui vaut null par défaut. Ses valeurs autorisées sont 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 et auto. "Chinese,Yue" constitue une seule valeur. Ce paramètre est distinct du script et de l’ID de voix. Le schéma expose aussi timber_weights pour une liste de paires voice_id et weight entier, chaque weight allant de 1 à 100. Conservez l’orthographe du paramètre timber_weights lors de la préparation d’une requête. voice_modify.sound_effects est une chaîne facultative dont les valeurs sont spacious_echo, auditorium_echo, lofi_telephone et robotic.

stream vaut false par défaut. Pour une réponse complète, output_format sélectionne url ou hex et vaut hex par défaut. Dans le résultat JSON documenté, data.audio porte la représentation sélectionnée : téléchargez l’URL Ailoot signée complète, y compris sa chaîne de requête, ou décodez l’audio hexadécimal complet en octets. Conservez le résultat d’origine avec data.status, base_resp, trace_id et extra_info, qui comprend le format audio réel, la fréquence d’échantillonnage, le nombre de canaux, la taille et usage_characters.

subtitle_enable est un booléen qui vaut false par défaut et s’applique aux sorties sans flux. aigc_watermark est un booléen qui vaut false par défaut et contrôle un marqueur rythmique audible à la fin de l’audio généré. Conservez chaque résultat audio ou de sous-titres renvoyé et vérifiez la prononciation, les nombres et le fichier terminé avant de l’intégrer à l’application. Si la transmission est incertaine, conservez l’identifiant de la requête d’origine et la réponse pour vérifier la tentative existante. Ailoot enregistre aussi l’audio terminé dans votre médiathèque. Avec output_format:"url", data.audio contient un lien signé vers cette ressource enregistrée ; l’ID de la ressource apparaît dans son chemin /v1/media/assets/{asset_id}/content. Les liens de fichiers signés Ailoot durent 24 heures à compter de leur émission. Utilisez la même clé API pour appeler GET /v1/media/assets?family=audio et suivez chaque next_cursor pour localiser les enregistrements des ressources audio. Appelez GET /v1/media/assets/{asset_id} pour chaque enregistrement sélectionné et téléchargez son content_url exact, y compris la chaîne de requête. Si une requête de fichier renvoie 404 avec le code link_expired, relisez la même ressource pour obtenir un content_url actualisé. Actualisez le résultat enregistré plutôt que de générer à nouveau de l’audio pour remplacer un lien expiré.