Speech 2.8 HD vise un rendu naturel et propre. La principale particularité de cette génération est l’emploi de balises sonores permettant d’ajouter des détails conversationnels à la parole : rire, petit rire, respiration, inspiration, expiration, soupir, toux, raclement de gorge et d’autres sons brefs. Ils aident à restituer le rythme et les pauses d’une réplique vivante, sans transformer chaque phrase en une lecture uniforme de narrateur.
Les balises sont insérées dans le texte sous la forme indiquée pour le modèle : par exemple, (chuckle), (breath) et (sighs) désignent les actions sonores correspondantes. Cette fonction de balises sonores est propre à Speech 2.8. Il s’agit de détails de la voix au sein de la synthèse vocale, et non de la génération d’une composition musicale ou sonore distincte.
Le fabricant met en avant la restitution des caractéristiques de la voix : texture, respiration et style de prononciation. Les capacités de la famille comprennent la synthèse avec une voix clonée déjà préparée ; la création de cette voix est un processus distinct. Dans Speech 2.8, le traitement a également été revu pour réduire le bruit de fond et les distorsions numériques.
Speech 2.8 prend en charge 40 langues, dont le russe. Le fabricant décrit séparément le travail sur la prononciation interlinguistique dans une combinaison de chinois et de japonais. Ce scénario concerne la conservation d’un rendu naturel lors de l’utilisation de différentes langues, et non la traduction automatique du texte.
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 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.
Cette fiche transforme le texte en audio vocal. Les possibilités de réglage de la voix décrivent le modèle MiniMax ; la création d’un clone vocal, les sous-titres distincts et les modes de connexion particuliers ne font pas automatiquement partie d’une requête de synthèse vocale.
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.
", "aboutText": "### Une parole vivante avec de petits détails sonores\n\nSpeech 2.8 HD vise un rendu naturel et propre. La principale particularité de cette génération est l’emploi de balises sonores permettant d’ajouter des détails conversationnels à la parole : rire, petit rire, respiration, inspiration, expiration, soupir, toux, raclement de gorge et d’autres sons brefs. Ils aident à restituer le rythme et les pauses d’une réplique vivante, sans transformer chaque phrase en une lecture uniforme de narrateur.\n\nLes balises sont insérées dans le texte sous la forme indiquée pour le modèle : par exemple, `(chuckle)`, `(breath)` et `(sighs)` désignent les actions sonores correspondantes. Cette fonction de balises sonores est propre à Speech 2.8. Il s’agit de détails de la voix au sein de la synthèse vocale, et non de la génération d’une composition musicale ou sonore distincte.\n\n### Le timbre et la propreté sonore\n\nLe fabricant met en avant la restitution des caractéristiques de la voix : texture, respiration et style de prononciation. Les capacités de la famille comprennent la synthèse avec une voix clonée déjà préparée ; la création de cette voix est un processus distinct. Dans Speech 2.8, le traitement a également été revu pour réduire le bruit de fond et les distorsions numériques.\n\n### Les langues et l’expressivité\n\nSpeech 2.8 prend en charge **40 langues**, dont le russe. Le fabricant décrit séparément le travail sur la prononciation interlinguistique dans une combinaison de chinois et de japonais. Ce scénario concerne la conservation d’un rendu naturel lors de l’utilisation de différentes langues, et non la traduction automatique du texte.\n\nMiniMax 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.\n\nLa 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.\n\n### Le résultat audio\n\nLa 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.\n\nCette fiche transforme le texte en audio vocal. Les possibilités de réglage de la voix décrivent le modèle MiniMax ; la création d’un clone vocal, les sous-titres distincts et les modes de connexion particuliers ne font pas automatiquement partie d’une requête de synthèse vocale.\n\nLes 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.\n\nLe 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "b2619ca9e9d0500298d4baf678e16e36fe764f1d1ad1670a11960a86ea3a43a2", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr", "methods": [ { "html": "speech-2.8-hdSpeech 2.8 HD synthétise une parole expressive avec un contrôle de l’émotion et de détails sonores comme la respiration et le rire.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Speech 2.8 HD vise un rendu naturel et propre. La principale particularité de cette génération est l’emploi de balises sonores permettant d’ajouter des détails conversationnels à la parole : rire, petit rire, respiration, inspiration, expiration, soupir, toux, raclement de gorge et d’autres sons brefs. Ils aident à restituer le rythme et les pauses d’une réplique vivante, sans transformer chaque phrase en une lecture uniforme de narrateur.
Les balises sont insérées dans le texte sous la forme indiquée pour le modèle : par exemple, (chuckle), (breath) et (sighs) désignent les actions sonores correspondantes. Cette fonction de balises sonores est propre à Speech 2.8. Il s’agit de détails de la voix au sein de la synthèse vocale, et non de la génération d’une composition musicale ou sonore distincte.
Le fabricant met en avant la restitution des caractéristiques de la voix : texture, respiration et style de prononciation. Les capacités de la famille comprennent la synthèse avec une voix clonée déjà préparée ; la création de cette voix est un processus distinct. Dans Speech 2.8, le traitement a également été revu pour réduire le bruit de fond et les distorsions numériques.
Speech 2.8 prend en charge 40 langues, dont le russe. Le fabricant décrit séparément le travail sur la prononciation interlinguistique dans une combinaison de chinois et de japonais. Ce scénario concerne la conservation d’un rendu naturel lors de l’utilisation de différentes langues, et non la traduction automatique du texte.
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 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.
Cette fiche transforme le texte en audio vocal. Les possibilités de réglage de la voix décrivent le modèle MiniMax ; la création d’un clone vocal, les sous-titres distincts et les modes de connexion particuliers ne font pas automatiquement partie d’une requête de synthèse vocale.
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.
POST /v1/audio/speechtextspeech| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites speech-2.8-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— |
text_to_speech · Obligatoire : input
| 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.
POST /v1/audio/speechAiloot 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 →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 narration script}"\nexport AILOOT_TEXT_FILE\n: "${AILOOT_VOICE_ID:?Set the actual accepted voice ID for this model}"\nexport AILOOT_VOICE_ID\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "speech-2.8-hd", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=text\nimport re\nvoice=os.environ["AILOOT_VOICE_ID"]\nif not re.fullmatch(r"[A-Za-z0-9_-]{1,128}",voice):raise SystemExit("Set an actual accepted voice ID")\np["voice"]=voice\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o speech.mp3\nmp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}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.
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.
| Champ | Type |
|---|---|
Champbinary audio | Typebytes |
Champresponse headers | Typeheaders |
| 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. |
Ailoot speech-2.8-hd, minimax-speech, minimax-speech-latest
Utilisez les chemins de méthode indiqués ci-dessus.
minimax-speechSpeech 2.8 HD synthétise une parole expressive avec un contrôle de l’émotion et de détails sonores comme la respiration et le rire.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Speech 2.8 HD vise un rendu naturel et propre. La principale particularité de cette génération est l’emploi de balises sonores permettant d’ajouter des détails conversationnels à la parole : rire, petit rire, respiration, inspiration, expiration, soupir, toux, raclement de gorge et d’autres sons brefs. Ils aident à restituer le rythme et les pauses d’une réplique vivante, sans transformer chaque phrase en une lecture uniforme de narrateur.
Les balises sont insérées dans le texte sous la forme indiquée pour le modèle : par exemple, (chuckle), (breath) et (sighs) désignent les actions sonores correspondantes. Cette fonction de balises sonores est propre à Speech 2.8. Il s’agit de détails de la voix au sein de la synthèse vocale, et non de la génération d’une composition musicale ou sonore distincte.
Le fabricant met en avant la restitution des caractéristiques de la voix : texture, respiration et style de prononciation. Les capacités de la famille comprennent la synthèse avec une voix clonée déjà préparée ; la création de cette voix est un processus distinct. Dans Speech 2.8, le traitement a également été revu pour réduire le bruit de fond et les distorsions numériques.
Speech 2.8 prend en charge 40 langues, dont le russe. Le fabricant décrit séparément le travail sur la prononciation interlinguistique dans une combinaison de chinois et de japonais. Ce scénario concerne la conservation d’un rendu naturel lors de l’utilisation de différentes langues, et non la traduction automatique du texte.
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 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.
Cette fiche transforme le texte en audio vocal. Les possibilités de réglage de la voix décrivent le modèle MiniMax ; la création d’un clone vocal, les sous-titres distincts et les modes de connexion particuliers ne font pas automatiquement partie d’une requête de synthèse vocale.
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.
POST /v1/audio/speechtextspeech| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites minimax-speech | 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— |
text_to_speech · Obligatoire : input
| 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.
POST /v1/audio/speechAiloot 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 →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 narration script}"\nexport AILOOT_TEXT_FILE\n: "${AILOOT_VOICE_ID:?Set the actual accepted voice ID for this model}"\nexport AILOOT_VOICE_ID\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "minimax-speech", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=text\nimport re\nvoice=os.environ["AILOOT_VOICE_ID"]\nif not re.fullmatch(r"[A-Za-z0-9_-]{1,128}",voice):raise SystemExit("Set an actual accepted voice ID")\np["voice"]=voice\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o speech.mp3\nmp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}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.
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.
| Champ | Type |
|---|---|
Champbinary audio | Typebytes |
Champresponse headers | Typeheaders |
| 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. |
Ailoot speech-2.8-hd, minimax-speech, minimax-speech-latest
Utilisez les chemins de méthode indiqués ci-dessus.
minimax-speech-latestSpeech 2.8 HD synthétise une parole expressive avec un contrôle de l’émotion et de détails sonores comme la respiration et le rire.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Speech 2.8 HD vise un rendu naturel et propre. La principale particularité de cette génération est l’emploi de balises sonores permettant d’ajouter des détails conversationnels à la parole : rire, petit rire, respiration, inspiration, expiration, soupir, toux, raclement de gorge et d’autres sons brefs. Ils aident à restituer le rythme et les pauses d’une réplique vivante, sans transformer chaque phrase en une lecture uniforme de narrateur.
Les balises sont insérées dans le texte sous la forme indiquée pour le modèle : par exemple, (chuckle), (breath) et (sighs) désignent les actions sonores correspondantes. Cette fonction de balises sonores est propre à Speech 2.8. Il s’agit de détails de la voix au sein de la synthèse vocale, et non de la génération d’une composition musicale ou sonore distincte.
Le fabricant met en avant la restitution des caractéristiques de la voix : texture, respiration et style de prononciation. Les capacités de la famille comprennent la synthèse avec une voix clonée déjà préparée ; la création de cette voix est un processus distinct. Dans Speech 2.8, le traitement a également été revu pour réduire le bruit de fond et les distorsions numériques.
Speech 2.8 prend en charge 40 langues, dont le russe. Le fabricant décrit séparément le travail sur la prononciation interlinguistique dans une combinaison de chinois et de japonais. Ce scénario concerne la conservation d’un rendu naturel lors de l’utilisation de différentes langues, et non la traduction automatique du texte.
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 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.
Cette fiche transforme le texte en audio vocal. Les possibilités de réglage de la voix décrivent le modèle MiniMax ; la création d’un clone vocal, les sous-titres distincts et les modes de connexion particuliers ne font pas automatiquement partie d’une requête de synthèse vocale.
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.
POST /v1/audio/speechtextspeech| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites minimax-speech-latest | 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— |
text_to_speech · Obligatoire : input
| 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.
POST /v1/audio/speechAiloot 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 →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 narration script}"\nexport AILOOT_TEXT_FILE\n: "${AILOOT_VOICE_ID:?Set the actual accepted voice ID for this model}"\nexport AILOOT_VOICE_ID\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "minimax-speech-latest", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=text\nimport re\nvoice=os.environ["AILOOT_VOICE_ID"]\nif not re.fullmatch(r"[A-Za-z0-9_-]{1,128}",voice):raise SystemExit("Set an actual accepted voice ID")\np["voice"]=voice\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o speech.mp3\nmp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}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.
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.
| Champ | Type |
|---|---|
Champbinary audio | Typebytes |
Champresponse headers | Typeheaders |
| 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. |
Ailoot speech-2.8-hd, minimax-speech, minimax-speech-latest
Utilisez les chemins de méthode indiqués ci-dessus.