Deepgram: Flux TTS
A Deepgram Flux TTS angol szövegből társalgási beszédet készít, és a fordulók között megőrzi a hangvételt. Streamelési módja kezeli a megszakításokat; a kötegelt szintézis ugyanazzal a hangkatalógussal újra használható hanganyagot állít elő.
A modellről
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
A Flux TTS a Deepgram szövegfelolvasó családja élő beszélgetéshez és rögzített beszédtartalomhoz. Meghatározó jellemzője a társalgási folytonosság: a streamelő modell a fordulók között továbbviszi a prozódiát, így az interakció folytatásakor az előadás megőrizheti egységes hangvételét. Írott szöveget fogad, és beszédhangot ad vissza. A Flux TTS és a külön megnevezett Flux beszédfelismerő modell a hangos beszélgetés eltérő részeit végzi.
Válassz angol nyelvű hangot
A dokumentált Flux-katalógus angolul beszél, amerikai, brit, ír, ausztrál, indiai, szingapúri és filippínó akcentussal. A hangleírások segítenek beszélőt választani ügyfélszolgálathoz, telefonos menükhöz, narrációhoz vagy kötetlen beszélgetéshez. A gyártó például Haley-t nyugodt amerikai hangként, Jack-et pedig professzionális brit hangként sorolja fel. A közönség és a felolvasandó megfogalmazás alapján válassz hangot, majd tartsd állandóan a teljes anyagban vagy beszélgetésben. A más nyelvű beszéd külön dokumentált modellválasztáshoz tartozik.
Élő fordulók és megszakítások
A gyártó streamelési munkafolyamatában a szöveg akkor is érkezhet, amikor az alkalmazás még összeállítja a választ, a hang pedig fokozatosan tér vissza. Egy fordulónak saját kezdési és befejezési eseménye van; a forduló lezárása befejezi a fennmaradó szintézist. A fordulók közötti kontextus az adott munkameneten belül megőrzi a prozódiát. Ez olyan hangos asszisztensnél hasznos, amely először elmagyaráz egy választást, majd hangkarakterének megváltoztatása nélkül válaszol a pontosító kérdésre.
A megszakítás törli az aktív fordulót, és visszaadja az elmondott részt, valamint a fennmaradó szöveget. Ez a különbségtétel segít az alkalmazásnak abból folytatni, amit a hallgató ténylegesen hallott. Gyakorlati interakcióhoz készíts rövid választ, elején a fontos utasítással, utána a magyarázattal. Ha a hallgató az első utasítás után közbeszól, a következő válasz az új kérdésre térhet ki, és nem kell abból kiindulnia, hogy a teljes magyarázat elhangzott.
Rögzített hanganyag és kimeneti formátumok
A kötegelt szintézis teljes szövegblokkot fogad, és egyetlen válaszban adja vissza a hangját. Ugyanazt a hangkatalógust használja, mint a streamelés, és előre elkészített telefonos közleményekhez, értesítésekhez vagy narrációhoz illik. A kötegelt kérések függetlenek; a streamelés fordulóállapota és megszakítási eseményei nem vonatkoznak egy rögzített klipre.
A streamelt kimenet fájlkonténer nélküli nyers hang: 16 bites PCM, mu-law vagy A-law. A gyártó PCM-hez 8, 16, 24, 32, 44.1 és 48 kHz mintavételi frekvenciát dokumentál; a mu-law és A-law 8 vagy 16 kHz-et használ. A kötegelt kimenet ezenfelül MP3-at, Opust, FLAC-ot és AAC-t is támogat. Olyan kódolást és konténert válassz, amelyet a tervezett lejátszó vagy telefonos útvonal értelmezni tud, és ne kezeld a nyers minták folyamát közönséges hangfájlként.
Előadásvezérlők és korlátok
A gyártó 0.5–1.5 beszédsebesség-tartományt dokumentál 0.05-ös lépésekben. Streamelésnél a sebességváltozás egy szegmenshatáron lép életbe. Egy külön béta kifejezőerő-vezérlő a nyugodttól az élénkig módosítja az előadást. A közönséges SSML és a felismert versenytársi címkék eltávolításra kerülnek, nem kifejező utasításként működnek; a natív Flux-vezérlők saját jelentéssel bírnak.
A szövegközi szünetek a kötegelt szintézishez tartoznak, 500–3000 ms időtartammal, 100 ms-os lépésekben, kérésenként legfeljebb nyolc jelölővel. A szomszédos szüneteket szövegnek kell elválasztania, és szünet jelenlétében a sebesség felső határa 1.15. A kiejtésfelülírások IPA-t használnak, és Early Access állapotúak; a gyártó szerint a kért kiejtés generálásonként változhat. A kiejtés nem kombinálható az alapértelmezettől eltérő sebességgel vagy szünetvezérlőkkel. Szakneveket tartalmazó szövegnél hallgasd meg ezeket a kifejezéseket a kiválasztott hanggal, és tedd egyértelművé a kimondandó alakot.
A Deepgram dokumentált streamelési munkamenete legfeljebb egy óráig tart, és hatvan másodperc bejövő üzenet nélküli idő után bezárul, hacsak a támogatott kapcsolati mechanizmussal nem tartják aktívan. Ezek a munkamenetkorlátok az élő szintézis munkafolyamatára vonatkoznak. A hasznos eredmény egy tudatosan választott hang, hallgatóbarát szöveg és a felhasználási célhoz illő hanganyag; az élő alkalmazások pedig megszakított fordulónál nyomon követik, mi hangzott el ténylegesen.
Ailoot Ultra · Felolvasás POST /v1/audio/speech deepgram/flux-tts
deepgram/flux-ttsKezdő lépések
A Deepgram Flux TTS angol szövegből társalgási beszédet készít, és a fordulók között megőrzi a hangvételt. Streamelési módja kezeli a megszakításokat; a kötegelt szintézis ugyanazzal a hangkatalógussal újra használható hanganyagot állít elő.
- Elfogadott bemenetek
- Szöveg
- Eredmények
- Hang
Elérhető az Ailootban · bemenetek és metódusok
Ailoot Ultra · Felolvasás POST /v1/audio/speech
- Bemenet
text- Kimenet
audio- Kimeneti formátum
- mp3
| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok deepgram/flux-tts | Alapértelmezett— |
Mezőinput | Típusstring | KövetelményKötelező | Értékek és korlátok Minimális hossz: 1 Egység: Unicode-karakterek | Alapértelmezett— |
Mezővoice | Típusstring | KövetelményKötelező | Értékek és korlátok flux-alexis-en, flux-bree-en, flux-brittany-en, flux-brooke-en, flux-bruce-en, flux-cliff-en, flux-cole-en, flux-colin-en, flux-conor-en, flux-donovan-en, flux-drew-en, flux-elise-en, flux-gemma-en, flux-haley-en, flux-hannah-en, flux-heather-en, flux-jack-en, flux-kai-en, flux-kelsey-en, flux-kit-en, flux-maeve-en, flux-marcelo-en, flux-marcus-en, flux-meena-en, flux-meghan-en, flux-miles-en, flux-naveen-en, flux-paige-en, flux-priya-en, flux-rufus-en, flux-sean-en, flux-sharon-en, flux-sienna-en, flux-tanner-en, flux-wade-en, flux-wes-en | Alapértelmezett— |
Mezőresponse_format | Típusstring | KövetelményKötelező | Értékek és korlátok mp3 | Alapértelmezett— |
Bemeneti anyagok kombinációi
text_to_speech · Kötelező: input
Metódus paraméterei és életciklusa
| Paraméter | Szerződés |
|---|---|
Paramétercontent_type | Szerződésapplication/json |
Paraméterrequired | Szerződésmodel, input, voice, response_format |
Paramétervoice_ids | Szerződésflux-alexis-en, flux-bree-en, flux-brittany-en, flux-brooke-en, flux-bruce-en, flux-cliff-en, flux-cole-en, flux-colin-en, flux-conor-en, flux-donovan-en, flux-drew-en, flux-elise-en, flux-gemma-en, flux-haley-en, flux-hannah-en, flux-heather-en, flux-jack-en, flux-kai-en, flux-kelsey-en, flux-kit-en, flux-maeve-en, flux-marcelo-en, flux-marcus-en, flux-meena-en, flux-meghan-en, flux-miles-en, flux-naveen-en, flux-paige-en, flux-priya-en, flux-rufus-en, flux-sean-en, flux-sharon-en, flux-sienna-en, flux-tanner-en, flux-wade-en, flux-wes-en |
Paraméterresponse_format | Szerződésmp3 |
Paramétermax_input_characters | Szerződésnull |
Paraméterother_options | Szerződésfalse |
Paraméterinput | Szerződéspontos UTF-8 szöveg; Unicode-karakterszám normalizálás nélkül |
Paramétermaterial_types | Szerződéstext |
Életciklus: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · A ténylegesen visszaadott task_id vagy a médiatár bejegyzése
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
E modell profiljából válassza ki a pontos hangot.
A bemeneti karakterek és a hangmásodpercek külön mérési egységek.
Díjcsomagok
A díjszabás nem ad új kérési lehetőségeket. A támogatott paraméterek a kiválasztott módszernél szerepelnek.
- Gyors mód
- Nincs megadva Ha a gyors mód van kiválasztva
- Flex mód
- Nincs megadva Ha a flex mód van kiválasztva
- Maximális gondolkodási ráfordítás
- Nincs megadva Ha a maximális gondolkodási ráfordításra a default beállításhoz tartozó korrekció vonatkozik
Ailoot-díjak
Árak beállításonként
Minden díjat a megjelenített feltételekhez rendeljen. Az alternatív beállítások minden csoportjához egy díjtételt használjon.
| Beállítás | Díjtáblázat | Elszámolási egység | Díj |
|---|---|---|---|
| BeállításTokenek alapdíjai | DíjtáblázatAlapdíj | Elszámolási egység— | Díj Bemenet · Bemeneti tokenek — / 1K token Kimenet · Kimeneti tokenek — / 1K token Bemenet · Gyorsítótár olvasása — / 1K token Bemenet · Írás a gyorsítótárba — / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
| Beállításbemeneti karakter | Díjtáblázat— | Elszámolási egységbemeneti karakterenként | Díj Bemenet · bemeneti karakter $0.00009 bemeneti karakterenként |
A referencia-díjszabás részletei
A modellszintű referenciatáblázatok nem módosítják a metódusválasztást, az árajánlatokat vagy a díjakat. A tényleges díjak a kiválasztott Ailoot-metódus díjtételeit használják.
Deepgram: Flux TTS
Árak beállításonként
| Beállítás | Elszámolási feltételek | Díj |
|---|---|---|
| BeállításDeepgram: Flux TTS · Alapértelmezett beállítások | Elszámolási feltételekAlapértelmezett konfiguráció | Díj Bemenet · Bemeneti karakterek 0,00009 USD bemeneti karakterenként |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
Példakérések
Ailoot Ultra · Felolvasás
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_VOICE_ID:?Choose an accepted voice ID from this exact model profile}"
export AILOOT_VOICE_ID
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "deepgram/flux-tts", "input": "Good afternoon! This is a short voice take."}')
voice=os.environ["AILOOT_VOICE_ID"]
allowed=json.loads('["flux-alexis-en", "flux-bree-en", "flux-brittany-en", "flux-brooke-en", "flux-bruce-en", "flux-cliff-en", "flux-cole-en", "flux-colin-en", "flux-conor-en", "flux-donovan-en", "flux-drew-en", "flux-elise-en", "flux-gemma-en", "flux-haley-en", "flux-hannah-en", "flux-heather-en", "flux-jack-en", "flux-kai-en", "flux-kelsey-en", "flux-kit-en", "flux-maeve-en", "flux-marcelo-en", "flux-marcus-en", "flux-meena-en", "flux-meghan-en", "flux-miles-en", "flux-naveen-en", "flux-paige-en", "flux-priya-en", "flux-rufus-en", "flux-sean-en", "flux-sharon-en", "flux-sienna-en", "flux-tanner-en", "flux-wade-en", "flux-wes-en"]')
if voice not in allowed: raise SystemExit("Choose an accepted voice ID from this exact model profile")
p["voice"]=voice
p["response_format"]="mp3"
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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o speech.mp3
Eredmények fogadása és mentése
Ailoot Ultra · Felolvasás
mp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
További tartalomlekérések
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \
-H "Authorization: Bearer $AILOOT_API_KEY" -o media-assets.json
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_MEDIA_TASK_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_MEDIA_TASK_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_MEDIA_TASK_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/tasks/$resource_id" \
-H "Authorization: Bearer $AILOOT_API_KEY" -o media-task.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-task.json").read_text())))
PY_RESULT
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_ASSET_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_ASSET_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_ASSET_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/assets/$resource_id" \
-H "Authorization: Bearer $AILOOT_API_KEY" -o media-asset.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-asset.json").read_text())))
PY_RESULT
Őrizzen meg minden elkészült eredményt
Őrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt.
Őrizze meg a teljes bináris eredményt és a fejléceket. JSON vagy több kimenet esetén őrizzen meg minden adatelemet, és töltse le minden ténylegesen visszaadott, aláírt média-URL tartalmát.
Ha az eredeti választ ellenőrizni kell
Őrizze meg az eredeti operation_id/X-Client-Request-ID értéket az egyeztetéshez, újbóli beküldés nélkül; nincs külön hangállapot-lekérdezési útvonal.
Válaszmezők
| Mező | Típus |
|---|---|
Mezőbinary audio | Típusbytes |
Mezőresponse headers | Típusheaders |
Hibák és következő lépések
| Válasz | Feltétel | Következő lépés |
|---|---|---|
Válasz400 · invalid_request_error | FeltételÉrvénytelen kötelező mezők, az anyag érvénytelen reprezentációja vagy érvénytelen paraméterérték | Következő lépésJavítsa a jelzett mezőket egy új létrehozási kérés előtt. |
Válaszserver_error | FeltételA visszaadott válasz szerint a művelet vagy az eredmény ellenőrzést igényel | Következő lépésŐrizze meg az eredetileg visszaadott művelet- vagy feladatazonosítót, a kérés fejléceit és a választ; folytassa az eredeti művelet támogatott lekérdezéseit. Ne küldje be újra a létrehozási kérést. |
Álnevek
Modell álnevei
Ailoot Ultra deepgram/flux-tts
Metódusútvonalak álnevei
Használja a fent látható metódusútvonalakat.
Kapcsolódó modellazonosítók
FAQ · Deepgram: Flux TTS
- Milyen bemenetek és eredmények érhetők el?
POST /v1/audio/speech·deepgram/flux-tts:text→audio- Mely mezőket használja a kérés?
POST /v1/audio/speech·deepgram/flux-tts:model,input,voice,response_format