speech-2.6-hd
Speech 2.6 HD est un modèle de synthèse vocale de qualité qui privilégie le naturel et la ressemblance de la voix.
À propos du modèle
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Une voix naturelle pour l’interaction
Speech 2.6 HD est conçu pour une synthèse vocale naturelle et les scénarios où il est important de commencer la réponse rapidement. Le fabricant porte attention à l’intonation, à la fluidité de la parole et au traitement du texte avant sa prononciation. La variante HD privilégie la qualité sonore ; l’entrée de cette fiche est du texte et sa sortie de l’audio vocal.
La lecture des notations particulières
La génération Speech 2.6 sait traiter des notations fréquentes dans les messages professionnels : adresses de pages, adresses e-mail, numéros de téléphone, dates et montants. Le modèle les transforme en une forme prononçable afin que la réplique reste compréhensible à l’écoute. Le fabricant décrit ces tâches dans plusieurs langues.
Une parole fluide avec un timbre préservé
Speech 2.6 prévoit le mode Fluent LoRA pour améliorer la fluidité. Il est destiné à la synthèse à partir d’une voix préparée : il aide à conserver le timbre tout en produisant une parole plus liée, même si l’exemple source était irrégulier ou comportait un accent. La préparation d’une voix clonée et son utilisation pour la lecture sont deux actions distinctes.
40 langues, dont le russe, sont prises en charge. En plus des sept états émotionnels de base, Speech 2.6 prévoit les options de parole fluide fluent et de chuchotement whisper. Si aucune émotion n’est indiquée, le modèle la choisit selon le sens du texte.
Les réglages de prononciation
MiniMax prévoit le choix de la voix et le contrôle du débit, du volume et de la hauteur. La vitesse se définit dans une plage de 0,5–2, le volume doit être supérieur à 0 et aller jusqu’à 10, et la variation de hauteur va de −12 à 12. L’émotion peut être laissée au choix du modèle selon le sens du texte ou définie manuellement : joie, tristesse, colère, peur, dégoût, surprise ou calme.
La prononciation peut être précisée au moyen d’un lexique de remplacement et d’une transcription phonétique ; l’alphabet phonétique international, le pinyin chinois et les variantes de lecture japonaises sont prévus. Les pauses sont définies entre les passages prononcés dans une plage de 0,01–99,99 secondes. La durée d’une pause est définie avec une précision de deux chiffres après la virgule ; les marqueurs sont placés entre les passages prononcés et ne doivent pas se suivre. Ces réglages permettent d’accorder la prononciation des noms, des abréviations et des mots ambigus à l’intention de la lecture.
La longueur du texte et l’audio
La synthèse accepte un texte de moins de 10 000 caractères. Pour les longs textes de plus de 3000 caractères, le fabricant recommande une sortie en streaming ; la réception de l’audio final en entier est également prévue. Les réglages généraux de synthèse comprennent MP3, PCM, FLAC, WAV, Opus et les variantes G.711 μ-law, en mono ou en stéréo ; les formats disponibles pour une requête précise sont définis par les moyens d’Ailoot.
Selon MiniMax, cette génération vise une faible latence dans les scénarios vocaux. Il s’agit de la description du modèle ; le délai d’une réponse particulière et la disponibilité des réglages avancés dépendent du mode d’appel choisi dans Ailoot.
Les réglages audio supplémentaires comprennent les fréquences d’échantillonnage 8, 16, 22,05, 24, 32 et 44,1 kHz. Pour MP3, les débits prévus sont 32, 64, 128 ou 256 kbit/s. On peut aussi modifier la couleur de la voix et appliquer un effet : écho spacieux, écho de salle, son téléphonique ou voix robotique. Les effets de modification vocale sont pris en charge pour MP3, WAV et FLAC lorsque l’audio est reçu en entier, et uniquement pour MP3 en streaming. Les formats G.711 μ-law utilisent une fréquence de 8 kHz. Ces fonctions concernent les réglages de synthèse MiniMax.
Le fabricant prévoit la synchronisation de la parole avec le texte : horodatage des phrases, des mots ou des mots lors d’une sortie progressive. Ce résultat aide à associer la prononciation à l’affichage du texte. Cette fonction supplémentaire nécessite la prise en charge du format de réponse correspondant.
Ailoot · Synthèse vocale POST /v1/audio/speech speech-2.6-hd
speech-2.6-hdPremiers pas
Speech 2.6 HD est un modèle de synthèse vocale de qualité qui privilégie le naturel et la ressemblance de la voix.
- Entrées acceptées
- Texte
- Résultats
- speech
Disponible dans Ailoot · entrées et méthodes
Ailoot · Synthèse vocale POST /v1/audio/speech
- Types d’entrée
text- Types de sortie
speech- Format de sortie
- mp3
| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites speech-2.6-hd | Par défaut— |
Champinput | Typestring | ExigenceObligatoire | Valeurs et limites Longueur minimale: 1 Longueur maximale (exclue): 10 000 Unité: caractères Unicode | Par défaut— |
Champvoice | Typestring | ExigenceObligatoire | Valeurs et limites Motif: ^[A-Za-z0-9_-]{1,128}$ | Par défaut— |
Champresponse_format | Typestring | ExigenceFacultatif | Valeurs et limites mp3 | Par défaut— |
Combinaisons d’éléments d’entrée
text_to_speech · Obligatoire : input
Paramètres et cycle de vie de la méthode
| Paramètre | Contrat |
|---|---|
Paramètrematerial_types | Contrattext |
Paramètrerequired | Contratnull |
Paramètreoptional_controls | Contratnull |
Cycle de vie : synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id effectivement renvoyé ou enregistrement de la bibliothèque multimédia
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Les structures des méthodes et les identifiants sont exacts ; la capacité du fournisseur est distincte de l’admission.
Tarifs
Tarifs des méthodes Ailoot
POST /v1/audio/speech- Entrée
- 100,00 USD par 1 million de caractères
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
Exemples de requêtes
Ailoot · Synthèse vocale
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-2.6-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
Recevoir et enregistrer les résultats
Ailoot · Synthèse vocale
mp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Conserver tous les résultats terminés
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez le résultat binaire complet et les en-têtes. Si une réponse JSON ou plusieurs sorties sont renvoyées, conservez chaque élément de données et récupérez chaque ressource via son URL signée réelle.
Si la réponse d’origine doit être vérifiée
Conservez l’operation_id/X-Client-Request-ID d’origine pour le rapprochement sans nouvelle soumission ; aucune route dédiée à l’interrogation du statut audio.
Champs de la réponse
| Champ | Type |
|---|---|
Champbinary audio | Typebytes |
Champresponse headers | Typeheaders |
Erreurs et étapes suivantes
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Réponseserver_error | ConditionLa réponse renvoyée indique que l’opération ou le résultat nécessite une vérification | Étape suivanteConservez l’identifiant d’opération/de tâche initialement renvoyé, les en-têtes de la requête et la réponse ; poursuivez les lectures prises en charge de cette opération d’origine. Ne soumettez pas à nouveau la requête de création. |
Alias
Alias du modèle
Ailoot speech-2.6-hd
Alias des chemins de méthode
Utilisez les chemins de méthode indiqués ci-dessus.
ID d’appel associés
FAQ · speech-2.6-hd
- Quelles entrées et quels résultats sont disponibles ?
POST /v1/audio/speech·speech-2.6-hd:text→speech- Quels champs la requête utilise-t-elle ?
POST /v1/audio/speech·speech-2.6-hd:model,input,voice,response_format