MiniMax: Speech 01 HD

A MiniMax Speech 01 HD a megadott szöveget beszédhanggá alakítja. Pontos Ailoot-modellazonosítója minimax/speech-01-hd, dokumentált szintézis-választóazonosítója pedig speech-01-hd. Az audio_speech metódust használja olyan alámondáshoz, felolvasott leckéhez, termékismertetőhöz vagy narrációvázlathoz, amelynek szövege már rendelkezésére áll. A bemenet a felolvasandó szakasz, az eredmény pedig szintetizált beszéd a választott hangformátumban.

A szöveget kimondásra szánt szavakként készítse elő, a megfogalmazás ritmusát tükröző írásjelekkel. Narrációvázlathoz a hangbeállítások kiválasztása előtt adja meg a végleges mondatsorrendet és a nevek írásmódját. A rendezői utasításokat tartsa külön a felolvasandó szakasztól, kivéve, ha azok a szavak a felvételbe tartoznak. Hallgassa meg az eredményben a fontos neveket, számokat és átmeneteket, és vesse össze őket a forrásszöveggel.

A szövegnek 10 000 karakternél rövidebbnek kell lennie. A közzétett szintézisszerződés model és text mezőt követel meg. Hosszabb anyagnál készítsen a korláton belüli szakaszokat, és szerkesztéshez őrizze meg a sorrendjüket. A szinkron profil teljes választ használ, dokumentált alapbeállítása stream=false. Az általános API folyamatos átviteli lehetőségeket is leír, de ezen a kártyán a kiválasztott metódus a szinkron beszédmunkafolyamat.

A voice_setting kiválaszt egy elérhető voice_id értéket, és a speed, vol és pitch beállításokat vezérli. A dokumentált speed tartomány 0,5–2, alapértéke 1. A vol értéke 0-nál nagyobb és legfeljebb 10 lehet, alapértéke 1; a pitch -12 és 12 közötti egész szám, alapértéke 0. Minden beállítás a szakaszt szolgálja: a tényleges felvétel felolvasási tempóját és hallhatóságát hasonlítsa össze ahelyett, hogy egy számszerű változtatástól meghatározott előadásmódot feltételezne.

A dokumentált emotion értékek happy, sad, angry, fearful, disgusted, surprised, calm és fluent. A szöveg is irányíthatja a modell érzelmi előadását. A text_normalization külön logikai vezérlő a kínai és angol számfelolvasás előkészítéséhez, a latex_read pedig a LaTeX-képletek felolvasását vezérli; mindkettő alapértéke false. A pronunciation_dict.tone dokumentált kiejtési helyettesítési szabályokat hordozhat. Ellenőrizze egy név vagy szakkifejezés hangzását a kapott hangban, mielőtt hosszabb narrációban használja.

Az audio_setting.format mp3, pcm, flac vagy wav értéket fogad, alapértéke mp3. A sample_rate értéke 8000, 16000, 22050, 24000, 32000 vagy 44100 lehet, alapértéke 32000. A bitrate értéke 32000, 64000, 128000 vagy 256000 lehet, alapértéke 128000, és az MP3 formátumra vonatkozik. A channel 1 értékkel monót, 2 értékkel sztereót választ, alapértéke 1. Őrizze meg ezeket a választásokat a forrásszakasszal együtt, hogy a visszaadott fájl a kívánt szerkesztési vagy lejátszási célhoz ellenőrizhető legyen.

További dokumentált vezérlő a language_boost, amelynek pontos megnevezett lehetőségei között szerepel az English, Russian, Chinese és Chinese,Yue; a szakaszhoz ténylegesen felsorolt értéket válasszon. A timber_weights meglévő voice_id bejegyzéseket kombinálhat 1 és 100 közötti egész weight értékekkel. A közzétett sound_effects értékek spacious_echo, auditorium_echo, lofi_telephone és robotic. Ezek a kiválasztott hang alakítására szolgáló opcionális vezérlők; felolvasások összehasonlításakor rögzítse a tényleges beállításaikat.

A szinkron eredmény generált beszédet tartalmaz. Az output_format url vagy hex értéket választ, a szintézissémában alapértéke hex. URL-eredménynél töltse le a hivatkozott fájlt, vagy lejátszás előtt dekódolja a hex eredményt hangbájtokká. A visszaadott hangmetaadatokat, köztük a formátumot, mintavételi frekvenciát, csatornaszámot és méretet, őrizze meg a felvétellel együtt. A subtitle_enable alapértéke false, és engedélyezve is csak a nem folyamatos kimenetre vonatkozik; a forrás nem határoz meg feliratfájl-formátumot ehhez a profilhoz.

A forrásszakaszt, a pontos modellazonosítót, a választott hangot és az elkészült felvételt együtt mentse el. Mielőtt videóba, leckébe vagy felolvasott útmutatóba helyezi, ellenőrizze végig a felolvasás szövegét, szüneteit és a választott előadásmód beállításait. Ha a válasz hiányos, őrizze meg az eredeti kérés azonosító adatait és a visszaadott információkat az egyeztetéshez, mielőtt újabb felvételt kér. Egy későbbi módosítás megváltoztathat egy adott kifejezést vagy hangbeállítást, miközben a szövegkönyv többi része az egyértelmű összehasonlítás érdekében megmarad.