{ "aboutHtml": "

A MiniMax Speech 02 HD a megadott szöveget beszédhanggá alakítja. Pontos Ailoot-modellazonosítója minimax/speech-02-hd, dokumentált szintézis-választóazonosítója pedig speech-02-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.

", "aboutText": "A MiniMax Speech 02 HD a megadott szöveget beszédhanggá alakítja. Pontos Ailoot-modellazonosítója minimax/speech-02-hd, dokumentált szintézis-választóazonosítója pedig speech-02-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.\n\nA 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.\n\nA 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.\n\nA 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.\n\nA 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.\n\nAz 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.\n\nTovábbi 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.\n\nA 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.\n\nA 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "0e94fc2d1b02bf315d63e62054bdaecc95760b57d4686649e5f97dacf9f26929", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "hu", "methods": [ { "html": "
MM

MiniMax: Speech 02 HD

MiniMax /minimax/speech-02-hd

Kezdő lépések

A MiniMax Speech 02 HD a megadott szöveget generált beszédként olvassa fel egy szinkron audio_speech kérésen keresztül. 10 000 karakternél rövidebb szöveget fogad, hang-, tempó- és hangmagasság-beállításokat kínál, MP3-, PCM-, FLAC- vagy WAV-kimenettel.

Elfogadott bemenetek
Szöveg
Eredmények
Hang
A modellről

Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.

A MiniMax Speech 02 HD a megadott szöveget beszédhanggá alakítja. Pontos Ailoot-modellazonosítója minimax/speech-02-hd, dokumentált szintézis-választóazonosítója pedig speech-02-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.

Elérhető az Ailootban · bemenetek és metódusok

Ailoot Ultra · Speech POST /v1/audio/speech
Bemenet
text
Kimenet
audio
Kimeneti formátum
mp3,pcm,flac,wav
MezőTípusKövetelményÉrtékek és korlátokAlapértelmezett
MezőmodelTípusstringKövetelményKötelezőÉrtékek és korlátok
minimax/speech-02-hd
Alapértelmezett—
MezőtextTípusstringKövetelményKötelezőÉrtékek és korlátokAlapértelmezett—
MezőstreamTípusbooleanKövetelményOpcionálisÉrtékek és korlátok
false
Alapértelmezettfalse
Mezővoice_settingTípusobjectKövetelményOpcionálisÉrtékek és korlátokAlapértelmezett—
Mezővoice_setting.voice_idTípusstringKövetelményOpcionálisÉrtékek és korlátokAlapértelmezett—
Mezővoice_setting.speedTípusnumberKövetelményOpcionálisÉrtékek és korlátok
Minimum: 0,5
Maximum: 2
Alapértelmezett1
Mezővoice_setting.volTípusnumberKövetelményOpcionálisÉrtékek és korlátok
Minimum: 0
Maximum: 10
Alapértelmezett1
Mezővoice_setting.pitchTípusintegerKövetelményOpcionálisÉrtékek és korlátok
Minimum: -12
Maximum: 12
Alapértelmezett0
Mezővoice_setting.emotionTípusstringKövetelményOpcionálisÉrtékek és korlátok
happy, sad, angry, fearful, disgusted, surprised, calm, fluent
Alapértelmezett—
Mezővoice_setting.text_normalizationTípusbooleanKövetelményOpcionálisÉrtékek és korlátokAlapértelmezettfalse
Mezővoice_setting.latex_readTípusbooleanKövetelményOpcionálisÉrtékek és korlátokAlapértelmezettfalse
Mezőaudio_settingTípusobjectKövetelményOpcionálisÉrtékek és korlátokAlapértelmezett—
Mezőaudio_setting.sample_rateTípusintegerKövetelményOpcionálisÉrtékek és korlátok
8000, 16 000, 22 050, 24 000, 32 000, 44 100
Alapértelmezett32 000
Mezőaudio_setting.bitrateTípusintegerKövetelményOpcionálisÉrtékek és korlátok
32 000, 64 000, 128 000, 256 000
Alapértelmezett128 000
Mezőaudio_setting.formatTípusstringKövetelményOpcionálisÉrtékek és korlátok
mp3, pcm, flac, wav
Alapértelmezettmp3
Mezőaudio_setting.channelTípusintegerKövetelményOpcionálisÉrtékek és korlátok
1, 2
Alapértelmezett1
Mezőaudio_setting.force_cbrTípusbooleanKövetelményOpcionálisÉrtékek és korlátokAlapértelmezettfalse
Mezőpronunciation_dictTípusobjectKövetelményOpcionálisÉrtékek és korlátokAlapértelmezett—
Mezőpronunciation_dict.toneTípusarrayKövetelményOpcionálisÉrtékek és korlátokAlapértelmezett—
Mezőtimber_weightsTípusarrayKövetelményOpcionálisÉrtékek és korlátokAlapértelmezett—
Mezőlanguage_boostTípusstringKövetelményOpcionálisÉrtékek és korlátok
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, auto
Alapértelmezett—
Mezővoice_modifyTípusobjectKövetelményOpcionálisÉrtékek és korlátokAlapértelmezett—
Mezővoice_modify.pitchTípusintegerKövetelményOpcionálisÉrtékek és korlátok
-100, 100
Alapértelmezett—
Mezővoice_modify.intensityTípusintegerKövetelményOpcionálisÉrtékek és korlátok
-100, 100
Alapértelmezett—
Mezővoice_modify.timbreTípusintegerKövetelményOpcionálisÉrtékek és korlátok
-100, 100
Alapértelmezett—
Mezővoice_modify.sound_effectsTípusstringKövetelményOpcionálisÉrtékek és korlátok
spacious_echo, auditorium_echo, lofi_telephone, robotic
Alapértelmezett—
Mezősubtitle_enableTípusbooleanKövetelményOpcionálisÉrtékek és korlátokAlapértelmezettfalse
Mezőoutput_formatTípusstringKövetelményOpcionálisÉrtékek és korlátok
url, hex
Alapértelmezetthex
Mezőaigc_watermarkTípusbooleanKövetelményOpcionálisÉrtékek és korlátokAlapértelmezettfalse
Metódus paraméterei és életciklusa
ParaméterSzerződés
Paramétercontent_typeSzerződésapplication/json
ParaméterrequiredSzerződésmodel, text
ParaméteroptionalSzerződésstream, voice_setting, audio_setting, pronunciation_dict, timber_weights, language_boost, voice_modify, subtitle_enable, output_format, aigc_watermark
Paramétermaterial_typesSzerződéstext
ParaméterconditionsSzerződésUse text, not input or contents. Fewer than 10000 Unicode characters; stream is false or omitted., PCM is raw audio with its returned sample geometry; do not invent a WAV header or bit depth.

Életciklus: synchronous_result_then_owned_library

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

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.

BeállításDíjtáblázatElszámolási egységDíj
BeállításTokenek alapdíjaiDíjtáblázatAlapdíjElszámolási 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 karakterDíjtáblázat—Elszámolási egységbemeneti karakterenkéntDíj
Bemenet · bemeneti karakter $0.0002 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 · Speech

set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "minimax/speech-02-hd", "text": "Hello, this is a short speech example.", "stream": false, "output_format": "hex", "audio_setting": {"format": "mp3", "sample_rate": 32000, "channel": 1}}')\n\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 result.json\n# Submit once. Retain the complete result, original identifiers and every response header.\n

Eredmények fogadása és mentése

Ailoot Ultra · Speech

mp3,pcm,flac,wav

Őrizzen meg minden elkészült eredményt

Őrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt.

Retain the full JSON. Decode every hex audio byte or use the returned owned URL. Keep the actual format, sample rate, channel count and usage_characters.

Ha az eredeti választ ellenőrizni kell

Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.

Válaszmezők
MezőTípus
Meződata.audioTípusstring
Mezőextra_infoTípusobject
Mezőtrace_idTípusstring

Álnevek

Modell álnevei

Ailoot Ultra minimax/speech-02-hd

Metódusútvonalak álnevei

Használja a fent látható metódusútvonalakat.

Kapcsolódó modellazonosítók

minimax/speech-02-hd

", "method_identity": { "effective_request_model_id": "minimax/speech-02-hd", "fmt": "speech", "http": "POST", "path": "/v1/audio/speech", "request_model_id": "minimax/speech-02-hd", "route_label": "Ultra" }, "method_key": "Ultra|speech|/v1/audio/speech|minimax%2Fspeech-02-hd", "ordinal": 0, "rawMethod": { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Retain the complete response, all actual results, original identifiers, usage and response headers.", "authentication": { "api_key_source": "AILOOT_API_KEY", "header": "Authorization: Bearer" }, "example_body": { "audio_setting": { "channel": 1, "format": "mp3", "sample_rate": 32000 }, "model": "minimax/speech-02-hd", "output_format": "hex", "stream": false, "text": "Hello, this is a short speech example." }, "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets", "query": { "cursor": "actual returned next_cursor, when present", "family": "audio" } }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "cancel_endpoint": null, "create": { "http": "POST", "path": "/v1/audio/speech" }, "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "owned_content": { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "Use the exact returned content_url. Refresh an expired link by reading the same existing asset." }, "status": [], "unknown": "Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.", "unknown_no_replay": true }, "outputs": { "all_results": "Retain the full JSON. Decode every hex audio byte or use the returned owned URL. Keep the actual format, sample rate, channel count and usage_characters.", "family": "audio", "fields": [ { "name": "data.audio", "type": "string" }, { "name": "extra_info", "type": "object" }, { "name": "trace_id", "type": "string" } ], "format": [ "mp3", "pcm", "flac", "wav" ] }, "parameters": [ { "default_known": false, "enum": [ "minimax/speech-02-hd" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "default_known": false, "enum_known": false, "maxLength": 9999, "minLength": 1, "name": "text", "required": true, "type": "string" }, { "default": false, "default_known": true, "enum": [ false ], "enum_known": true, "name": "stream", "required": false, "type": "boolean" }, { "default_known": false, "enum_known": false, "name": "voice_setting", "properties": { "emotion": { "enum": [ "happy", "sad", "angry", "fearful", "disgusted", "surprised", "calm", "fluent" ], "type": "string" }, "latex_read": { "default": false, "type": "boolean" }, "pitch": { "default": 0, "maximum": 12, "minimum": -12, "type": "integer" }, "speed": { "default": 1, "maximum": 2, "minimum": 0.5, "type": "number" }, "text_normalization": { "default": false, "type": "boolean" }, "voice_id": { "type": "string" }, "vol": { "default": 1, "exclusiveMinimum": true, "maximum": 10, "minimum": 0, "type": "number" } }, "required": false, "type": "object" }, { "default_known": false, "enum_known": false, "name": "voice_setting.voice_id", "required": false, "type": "string" }, { "default": 1, "default_known": true, "enum_known": false, "maximum": 2, "minimum": 0.5, "name": "voice_setting.speed", "required": false, "type": "number" }, { "default": 1, "default_known": true, "enum_known": false, "exclusiveMinimum": true, "maximum": 10, "minimum": 0, "name": "voice_setting.vol", "required": false, "type": "number" }, { "default": 0, "default_known": true, "enum_known": false, "maximum": 12, "minimum": -12, "name": "voice_setting.pitch", "required": false, "type": "integer" }, { "default_known": false, "enum": [ "happy", "sad", "angry", "fearful", "disgusted", "surprised", "calm", "fluent" ], "enum_known": true, "name": "voice_setting.emotion", "required": false, "type": "string" }, { "default": false, "default_known": true, "enum_known": false, "name": "voice_setting.text_normalization", "required": false, "type": "boolean" }, { "default": false, "default_known": true, "enum_known": false, "name": "voice_setting.latex_read", "required": false, "type": "boolean" }, { "default_known": false, "enum_known": false, "name": "audio_setting", "properties": { "bitrate": { "default": 128000, "enum": [ 32000, 64000, 128000, 256000 ], "type": "integer" }, "channel": { "default": 1, "enum": [ 1, 2 ], "type": "integer" }, "force_cbr": { "default": false, "type": "boolean" }, "format": { "default": "mp3", "enum": [ "mp3", "pcm", "flac", "wav" ], "type": "string" }, "sample_rate": { "default": 32000, "enum": [ 8000, 16000, 22050, 24000, 32000, 44100 ], "type": "integer" } }, "required": false, "type": "object" }, { "default": 32000, "default_known": true, "enum": [ 8000, 16000, 22050, 24000, 32000, 44100 ], "enum_known": true, "name": "audio_setting.sample_rate", "required": false, "type": "integer" }, { "default": 128000, "default_known": true, "enum": [ 32000, 64000, 128000, 256000 ], "enum_known": true, "name": "audio_setting.bitrate", "required": false, "type": "integer" }, { "default": "mp3", "default_known": true, "enum": [ "mp3", "pcm", "flac", "wav" ], "enum_known": true, "name": "audio_setting.format", "required": false, "type": "string" }, { "default": 1, "default_known": true, "enum": [ 1, 2 ], "enum_known": true, "name": "audio_setting.channel", "required": false, "type": "integer" }, { "default": false, "default_known": true, "enum_known": false, "name": "audio_setting.force_cbr", "required": false, "type": "boolean" }, { "default_known": false, "enum_known": false, "name": "pronunciation_dict", "properties": { "tone": { "items": { "type": "string" }, "type": "array" } }, "required": false, "type": "object" }, { "default_known": false, "enum_known": false, "items": { "type": "string" }, "name": "pronunciation_dict.tone", "required": false, "type": "array" }, { "default_known": false, "enum_known": false, "items": { "properties": { "voice_id": { "type": "string" }, "weight": { "type": "integer" } }, "type": "object" }, "name": "timber_weights", "required": false, "type": "array" }, { "default_known": false, "enum": [ "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", "auto" ], "enum_known": true, "name": "language_boost", "required": false, "type": "string" }, { "default_known": false, "enum_known": false, "name": "voice_modify", "properties": { "intensity": { "enum": [ -100, 100 ], "type": "integer" }, "pitch": { "enum": [ -100, 100 ], "type": "integer" }, "sound_effects": { "enum": [ "spacious_echo", "auditorium_echo", "lofi_telephone", "robotic" ], "type": "string" }, "timbre": { "enum": [ -100, 100 ], "type": "integer" } }, "required": false, "type": "object" }, { "default_known": false, "enum": [ -100, 100 ], "enum_known": true, "name": "voice_modify.pitch", "required": false, "type": "integer" }, { "default_known": false, "enum": [ -100, 100 ], "enum_known": true, "name": "voice_modify.intensity", "required": false, "type": "integer" }, { "default_known": false, "enum": [ -100, 100 ], "enum_known": true, "name": "voice_modify.timbre", "required": false, "type": "integer" }, { "default_known": false, "enum": [ "spacious_echo", "auditorium_echo", "lofi_telephone", "robotic" ], "enum_known": true, "name": "voice_modify.sound_effects", "required": false, "type": "string" }, { "default": false, "default_known": true, "enum_known": false, "name": "subtitle_enable", "required": false, "type": "boolean" }, { "default": "hex", "default_known": true, "enum": [ "url", "hex" ], "enum_known": true, "name": "output_format", "required": false, "type": "string" }, { "default": false, "default_known": true, "enum_known": false, "name": "aigc_watermark", "required": false, "type": "boolean" } ], "request_schema": { "properties": { "aigc_watermark": { "default": false, "type": "boolean" }, "audio_setting": { "properties": { "bitrate": { "default": 128000, "enum": [ 32000, 64000, 128000, 256000 ], "type": "integer" }, "channel": { "default": 1, "enum": [ 1, 2 ], "type": "integer" }, "force_cbr": { "default": false, "type": "boolean" }, "format": { "default": "mp3", "enum": [ "mp3", "pcm", "flac", "wav" ], "type": "string" }, "sample_rate": { "default": 32000, "enum": [ 8000, 16000, 22050, 24000, 32000, 44100 ], "type": "integer" } }, "type": "object" }, "language_boost": { "enum": [ "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", "auto" ], "type": "string" }, "model": { "enum": [ "minimax/speech-02-hd" ], "type": "string" }, "output_format": { "default": "hex", "enum": [ "url", "hex" ], "type": "string" }, "pronunciation_dict": { "properties": { "tone": { "items": { "type": "string" }, "type": "array" } }, "type": "object" }, "stream": { "default": false, "enum": [ false ], "type": "boolean" }, "subtitle_enable": { "default": false, "type": "boolean" }, "text": { "maxLength": 9999, "minLength": 1, "type": "string" }, "timber_weights": { "items": { "properties": { "voice_id": { "type": "string" }, "weight": { "type": "integer" } }, "type": "object" }, "type": "array" }, "voice_modify": { "properties": { "intensity": { "enum": [ -100, 100 ], "type": "integer" }, "pitch": { "enum": [ -100, 100 ], "type": "integer" }, "sound_effects": { "enum": [ "spacious_echo", "auditorium_echo", "lofi_telephone", "robotic" ], "type": "string" }, "timbre": { "enum": [ -100, 100 ], "type": "integer" } }, "type": "object" }, "voice_setting": { "properties": { "emotion": { "enum": [ "happy", "sad", "angry", "fearful", "disgusted", "surprised", "calm", "fluent" ], "type": "string" }, "latex_read": { "default": false, "type": "boolean" }, "pitch": { "default": 0, "maximum": 12, "minimum": -12, "type": "integer" }, "speed": { "default": 1, "maximum": 2, "minimum": 0.5, "type": "number" }, "text_normalization": { "default": false, "type": "boolean" }, "voice_id": { "type": "string" }, "vol": { "default": 1, "exclusiveMinimum": true, "maximum": 10, "minimum": 0, "type": "number" } }, "type": "object" } }, "required": [ "model", "text" ], "type": "object" }, "schema_template": { "body": { "audio_setting": { "channel": 1, "format": "mp3", "sample_rate": 32000 }, "model": "minimax/speech-02-hd", "output_format": "hex", "stream": false, "text": "Hello, this is a short speech example." }, "content_type": "application/json" } }, "input": { "conditions": [ "Use text, not input or contents. Fewer than 10000 Unicode characters; stream is false or omitted.", "PCM is raw audio with its returned sample geometry; do not invent a WAV header or bit depth." ], "content_type": "application/json", "material_types": [ "text" ], "optional": [ "stream", "voice_setting", "audio_setting", "pronunciation_dict", "timber_weights", "language_boost", "voice_modify", "subtitle_enable", "output_format", "aigc_watermark" ], "required": [ "model", "text" ] }, "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets", "query": { "cursor": "actual returned next_cursor, when present", "family": "audio" } }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "cancel_endpoint": null, "create": { "http": "POST", "path": "/v1/audio/speech" }, "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "owned_content": { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "Use the exact returned content_url. Refresh an expired link by reading the same existing asset." }, "status": [], "unknown": "Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.", "unknown_no_replay": true }, "method": { "http": "POST", "path": "/v1/audio/speech" }, "method_aliases": [], "output": { "all_results": "Retain the full JSON. Decode every hex audio byte or use the returned owned URL. Keep the actual format, sample rate, channel count and usage_characters.", "family": "audio", "fields": [ { "name": "data.audio", "type": "string" }, { "name": "extra_info", "type": "object" }, { "name": "trace_id", "type": "string" } ], "format": [ "mp3", "pcm", "flac", "wav" ] } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input character" }, "label": "input character", "units": [ { "amount": "0.0002", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.0002", "native_quantity": 1, "public_unit_label": "per input character", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_character" } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"minimax/speech-02-hd\", \"text\": \"Hello, this is a short speech example.\", \"stream\": false, \"output_format\": \"hex\", \"audio_setting\": {\"format\": \"mp3\", \"sample_rate\": 32000, \"channel\": 1}}')\n\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 result.json\n# Submit once. Retain the complete result, original identifiers and every response header.\n", "label": "curl · create once and retain the complete result", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "speech", "http": "POST", "img_in": null, "img_out": null, "in": null, "input": [ "text" ], "label": "Speech", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": null, "output": [ "audio" ], "path": "/v1/audio/speech", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "per_request", "cache_read_price": null, "cache_write_1h_price": null, "cache_write_price": null, "fast_multiplier": null, "flex_multiplier": null, "image_input_price": null, "image_output_price": null, "input_price": null, "intervals": null, "max_reasoning_effort_multiplier": null, "output_price": null, "per_request_price": null, "unit_prices": { "audio_input_character": "0.0002" } }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input character" }, "label": "input character", "units": [ { "amount": "0.0002", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.0002", "native_quantity": 1, "public_unit_label": "per input character", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_character" } ] } ], "request_model_id": "minimax/speech-02-hd", "route_label": "Ultra", "status_reads": [], "tiers": [], "unit": "per_request", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" }, { "amount": "0.0002", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.0002", "native_quantity": 1, "public_unit_label": "per input character", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_character" } ] } } ], "model_id": "minimax/speech-02-hd", "nativeProvenance": { "input_facts_canonical_sha256": "23410b460c7c25be158379782b08e8443e33396192cd98ce770711c3f921f911", "input_html_sha256": "4b2c04633bea18ffe13fbb88c38cebf305e5ae23921ddc00af4d1b2724bf9c16", "private_audit_sha256": "e259ca72ffe11183ba4afd675a2c9b36e430f29fbd7bac0bca006b4d6befc50c", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/hu/minimax-speech-02-hd/", "description": "A MiniMax Speech 02 HD a megadott szöveget generált beszédként olvassa fel egy szinkron audio_speech kérésen keresztül. 10 000 karakternél rövidebb szöveget fogad, hang-, tempó- és hangmagasság-beállításokat kínál, MP3-, PCM-, FLAC- vagy WAV-kimenettel.", "locale": "hu", "md_url": "https://ailoot.ai/models/hu/minimax-speech-02-hd/index.md", "title": "MiniMax: Speech 02 HD — Ailoot", "url": "https://ailoot.ai/models/hu/minimax-speech-02-hd/" }, "rawModel": { "about": "A MiniMax Speech 02 HD a megadott szöveget beszédhanggá alakítja. Pontos Ailoot-modellazonosítója minimax/speech-02-hd, dokumentált szintézis-választóazonosítója pedig speech-02-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.\n\nA 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.\n\nA 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.\n\nA 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.\n\nA 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.\n\nAz 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.\n\nTovábbi 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.\n\nA 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.\n\nA 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.", "alias_of": null, "aliases": [], "author": "MiniMax", "ctx": null, "formats": [ "speech" ], "id": "minimax/speech-02-hd", "input": [ "text" ], "kind": "speech", "max_out": null, "methods": [ { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Retain the complete response, all actual results, original identifiers, usage and response headers.", "authentication": { "api_key_source": "AILOOT_API_KEY", "header": "Authorization: Bearer" }, "example_body": { "audio_setting": { "channel": 1, "format": "mp3", "sample_rate": 32000 }, "model": "minimax/speech-02-hd", "output_format": "hex", "stream": false, "text": "Hello, this is a short speech example." }, "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets", "query": { "cursor": "actual returned next_cursor, when present", "family": "audio" } }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "cancel_endpoint": null, "create": { "http": "POST", "path": "/v1/audio/speech" }, "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "owned_content": { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "Use the exact returned content_url. Refresh an expired link by reading the same existing asset." }, "status": [], "unknown": "Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.", "unknown_no_replay": true }, "outputs": { "all_results": "Retain the full JSON. Decode every hex audio byte or use the returned owned URL. Keep the actual format, sample rate, channel count and usage_characters.", "family": "audio", "fields": [ { "name": "data.audio", "type": "string" }, { "name": "extra_info", "type": "object" }, { "name": "trace_id", "type": "string" } ], "format": [ "mp3", "pcm", "flac", "wav" ] }, "parameters": [ { "default_known": false, "enum": [ "minimax/speech-02-hd" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "default_known": false, "enum_known": false, "maxLength": 9999, "minLength": 1, "name": "text", "required": true, "type": "string" }, { "default": false, "default_known": true, "enum": [ false ], "enum_known": true, "name": "stream", "required": false, "type": "boolean" }, { "default_known": false, "enum_known": false, "name": "voice_setting", "properties": { "emotion": { "enum": [ "happy", "sad", "angry", "fearful", "disgusted", "surprised", "calm", "fluent" ], "type": "string" }, "latex_read": { "default": false, "type": "boolean" }, "pitch": { "default": 0, "maximum": 12, "minimum": -12, "type": "integer" }, "speed": { "default": 1, "maximum": 2, "minimum": 0.5, "type": "number" }, "text_normalization": { "default": false, "type": "boolean" }, "voice_id": { "type": "string" }, "vol": { "default": 1, "exclusiveMinimum": true, "maximum": 10, "minimum": 0, "type": "number" } }, "required": false, "type": "object" }, { "default_known": false, "enum_known": false, "name": "voice_setting.voice_id", "required": false, "type": "string" }, { "default": 1, "default_known": true, "enum_known": false, "maximum": 2, "minimum": 0.5, "name": "voice_setting.speed", "required": false, "type": "number" }, { "default": 1, "default_known": true, "enum_known": false, "exclusiveMinimum": true, "maximum": 10, "minimum": 0, "name": "voice_setting.vol", "required": false, "type": "number" }, { "default": 0, "default_known": true, "enum_known": false, "maximum": 12, "minimum": -12, "name": "voice_setting.pitch", "required": false, "type": "integer" }, { "default_known": false, "enum": [ "happy", "sad", "angry", "fearful", "disgusted", "surprised", "calm", "fluent" ], "enum_known": true, "name": "voice_setting.emotion", "required": false, "type": "string" }, { "default": false, "default_known": true, "enum_known": false, "name": "voice_setting.text_normalization", "required": false, "type": "boolean" }, { "default": false, "default_known": true, "enum_known": false, "name": "voice_setting.latex_read", "required": false, "type": "boolean" }, { "default_known": false, "enum_known": false, "name": "audio_setting", "properties": { "bitrate": { "default": 128000, "enum": [ 32000, 64000, 128000, 256000 ], "type": "integer" }, "channel": { "default": 1, "enum": [ 1, 2 ], "type": "integer" }, "force_cbr": { "default": false, "type": "boolean" }, "format": { "default": "mp3", "enum": [ "mp3", "pcm", "flac", "wav" ], "type": "string" }, "sample_rate": { "default": 32000, "enum": [ 8000, 16000, 22050, 24000, 32000, 44100 ], "type": "integer" } }, "required": false, "type": "object" }, { "default": 32000, "default_known": true, "enum": [ 8000, 16000, 22050, 24000, 32000, 44100 ], "enum_known": true, "name": "audio_setting.sample_rate", "required": false, "type": "integer" }, { "default": 128000, "default_known": true, "enum": [ 32000, 64000, 128000, 256000 ], "enum_known": true, "name": "audio_setting.bitrate", "required": false, "type": "integer" }, { "default": "mp3", "default_known": true, "enum": [ "mp3", "pcm", "flac", "wav" ], "enum_known": true, "name": "audio_setting.format", "required": false, "type": "string" }, { "default": 1, "default_known": true, "enum": [ 1, 2 ], "enum_known": true, "name": "audio_setting.channel", "required": false, "type": "integer" }, { "default": false, "default_known": true, "enum_known": false, "name": "audio_setting.force_cbr", "required": false, "type": "boolean" }, { "default_known": false, "enum_known": false, "name": "pronunciation_dict", "properties": { "tone": { "items": { "type": "string" }, "type": "array" } }, "required": false, "type": "object" }, { "default_known": false, "enum_known": false, "items": { "type": "string" }, "name": "pronunciation_dict.tone", "required": false, "type": "array" }, { "default_known": false, "enum_known": false, "items": { "properties": { "voice_id": { "type": "string" }, "weight": { "type": "integer" } }, "type": "object" }, "name": "timber_weights", "required": false, "type": "array" }, { "default_known": false, "enum": [ "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", "auto" ], "enum_known": true, "name": "language_boost", "required": false, "type": "string" }, { "default_known": false, "enum_known": false, "name": "voice_modify", "properties": { "intensity": { "enum": [ -100, 100 ], "type": "integer" }, "pitch": { "enum": [ -100, 100 ], "type": "integer" }, "sound_effects": { "enum": [ "spacious_echo", "auditorium_echo", "lofi_telephone", "robotic" ], "type": "string" }, "timbre": { "enum": [ -100, 100 ], "type": "integer" } }, "required": false, "type": "object" }, { "default_known": false, "enum": [ -100, 100 ], "enum_known": true, "name": "voice_modify.pitch", "required": false, "type": "integer" }, { "default_known": false, "enum": [ -100, 100 ], "enum_known": true, "name": "voice_modify.intensity", "required": false, "type": "integer" }, { "default_known": false, "enum": [ -100, 100 ], "enum_known": true, "name": "voice_modify.timbre", "required": false, "type": "integer" }, { "default_known": false, "enum": [ "spacious_echo", "auditorium_echo", "lofi_telephone", "robotic" ], "enum_known": true, "name": "voice_modify.sound_effects", "required": false, "type": "string" }, { "default": false, "default_known": true, "enum_known": false, "name": "subtitle_enable", "required": false, "type": "boolean" }, { "default": "hex", "default_known": true, "enum": [ "url", "hex" ], "enum_known": true, "name": "output_format", "required": false, "type": "string" }, { "default": false, "default_known": true, "enum_known": false, "name": "aigc_watermark", "required": false, "type": "boolean" } ], "request_schema": { "properties": { "aigc_watermark": { "default": false, "type": "boolean" }, "audio_setting": { "properties": { "bitrate": { "default": 128000, "enum": [ 32000, 64000, 128000, 256000 ], "type": "integer" }, "channel": { "default": 1, "enum": [ 1, 2 ], "type": "integer" }, "force_cbr": { "default": false, "type": "boolean" }, "format": { "default": "mp3", "enum": [ "mp3", "pcm", "flac", "wav" ], "type": "string" }, "sample_rate": { "default": 32000, "enum": [ 8000, 16000, 22050, 24000, 32000, 44100 ], "type": "integer" } }, "type": "object" }, "language_boost": { "enum": [ "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", "auto" ], "type": "string" }, "model": { "enum": [ "minimax/speech-02-hd" ], "type": "string" }, "output_format": { "default": "hex", "enum": [ "url", "hex" ], "type": "string" }, "pronunciation_dict": { "properties": { "tone": { "items": { "type": "string" }, "type": "array" } }, "type": "object" }, "stream": { "default": false, "enum": [ false ], "type": "boolean" }, "subtitle_enable": { "default": false, "type": "boolean" }, "text": { "maxLength": 9999, "minLength": 1, "type": "string" }, "timber_weights": { "items": { "properties": { "voice_id": { "type": "string" }, "weight": { "type": "integer" } }, "type": "object" }, "type": "array" }, "voice_modify": { "properties": { "intensity": { "enum": [ -100, 100 ], "type": "integer" }, "pitch": { "enum": [ -100, 100 ], "type": "integer" }, "sound_effects": { "enum": [ "spacious_echo", "auditorium_echo", "lofi_telephone", "robotic" ], "type": "string" }, "timbre": { "enum": [ -100, 100 ], "type": "integer" } }, "type": "object" }, "voice_setting": { "properties": { "emotion": { "enum": [ "happy", "sad", "angry", "fearful", "disgusted", "surprised", "calm", "fluent" ], "type": "string" }, "latex_read": { "default": false, "type": "boolean" }, "pitch": { "default": 0, "maximum": 12, "minimum": -12, "type": "integer" }, "speed": { "default": 1, "maximum": 2, "minimum": 0.5, "type": "number" }, "text_normalization": { "default": false, "type": "boolean" }, "voice_id": { "type": "string" }, "vol": { "default": 1, "exclusiveMinimum": true, "maximum": 10, "minimum": 0, "type": "number" } }, "type": "object" } }, "required": [ "model", "text" ], "type": "object" }, "schema_template": { "body": { "audio_setting": { "channel": 1, "format": "mp3", "sample_rate": 32000 }, "model": "minimax/speech-02-hd", "output_format": "hex", "stream": false, "text": "Hello, this is a short speech example." }, "content_type": "application/json" } }, "input": { "conditions": [ "Use text, not input or contents. Fewer than 10000 Unicode characters; stream is false or omitted.", "PCM is raw audio with its returned sample geometry; do not invent a WAV header or bit depth." ], "content_type": "application/json", "material_types": [ "text" ], "optional": [ "stream", "voice_setting", "audio_setting", "pronunciation_dict", "timber_weights", "language_boost", "voice_modify", "subtitle_enable", "output_format", "aigc_watermark" ], "required": [ "model", "text" ] }, "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets", "query": { "cursor": "actual returned next_cursor, when present", "family": "audio" } }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "cancel_endpoint": null, "create": { "http": "POST", "path": "/v1/audio/speech" }, "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "owned_content": { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "Use the exact returned content_url. Refresh an expired link by reading the same existing asset." }, "status": [], "unknown": "Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.", "unknown_no_replay": true }, "method": { "http": "POST", "path": "/v1/audio/speech" }, "method_aliases": [], "output": { "all_results": "Retain the full JSON. Decode every hex audio byte or use the returned owned URL. Keep the actual format, sample rate, channel count and usage_characters.", "family": "audio", "fields": [ { "name": "data.audio", "type": "string" }, { "name": "extra_info", "type": "object" }, { "name": "trace_id", "type": "string" } ], "format": [ "mp3", "pcm", "flac", "wav" ] } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input character" }, "label": "input character", "units": [ { "amount": "0.0002", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.0002", "native_quantity": 1, "public_unit_label": "per input character", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_character" } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"minimax/speech-02-hd\", \"text\": \"Hello, this is a short speech example.\", \"stream\": false, \"output_format\": \"hex\", \"audio_setting\": {\"format\": \"mp3\", \"sample_rate\": 32000, \"channel\": 1}}')\n\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 result.json\n# Submit once. Retain the complete result, original identifiers and every response header.\n", "label": "curl · create once and retain the complete result", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "speech", "http": "POST", "img_in": null, "img_out": null, "in": null, "input": [ "text" ], "label": "Speech", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": null, "output": [ "audio" ], "path": "/v1/audio/speech", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "per_request", "cache_read_price": null, "cache_write_1h_price": null, "cache_write_price": null, "fast_multiplier": null, "flex_multiplier": null, "image_input_price": null, "image_output_price": null, "input_price": null, "intervals": null, "max_reasoning_effort_multiplier": null, "output_price": null, "per_request_price": null, "unit_prices": { "audio_input_character": "0.0002" } }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input character" }, "label": "input character", "units": [ { "amount": "0.0002", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.0002", "native_quantity": 1, "public_unit_label": "per input character", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_character" } ] } ], "request_model_id": "minimax/speech-02-hd", "route_label": "Ultra", "status_reads": [], "tiers": [], "unit": "per_request", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" }, { "amount": "0.0002", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.0002", "native_quantity": 1, "public_unit_label": "per input character", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_character" } ] } ], "model_aliases": [ { "canonical_model_id": "minimax/speech-02-hd", "request_model_id": "minimax/speech-02-hd", "route_label": "Ultra" } ], "name": "MiniMax: Speech 02 HD", "price": { "in": "0.0002", "in_label": "per input character", "out": null, "out_label": null, "sort_in": null, "sort_out": null, "varies": false }, "short": "A MiniMax Speech 02 HD a megadott szöveget generált beszédként olvassa fel egy szinkron audio_speech kérésen keresztül. 10 000 karakternél rövidebb szöveget fogad, hang-, tempó- és hangmagasság-beállításokat kínál, MP3-, PCM-, FLAC- vagy WAV-kimenettel." }, "renderer_schema": { "method_order": "Original DTO methods order; every exact route/format/path/caller survives.", "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers." }, "representation": "exact-public-dto-and-native-renderer-html", "representationNotes": { "current_reference": { "about_json_pointer": "/aboutHtml", "methods": [ { "contract_json_pointer": "/methods/0/rawMethod/contract", "html_json_pointer": "/methods/0/html", "method_ordinal": 0 } ], "role": "current-semantic-reference" }, "raw_input": { "examples_role": "historical-input-not-current-ready-examples", "json_pointers": [ "/rawModel", "/methods/0/rawMethod" ], "role": "historical-owner-input" }, "schema": "ailoot-native-model-representations-v1" }, "schema": "ailoot-static-model-facts-v1", "schema_version": 1, "shortText": "A MiniMax Speech 02 HD a megadott szöveget generált beszédként olvassa fel egy szinkron audio_speech kérésen keresztül. 10 000 karakternél rövidebb szöveget fogad, hang-, tempó- és hangmagasság-beállításokat kínál, MP3-, PCM-, FLAC- vagy WAV-kimenettel.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "34e536e5b9bb3940300879aaa2ece190f3fde6c59fe33fe1a9aba6f8a80496aa", "renderer_sha256": "59b0e30a0b251f9d98bf0bafcc7ef50440c33057c2bf9c9fadabbcaeefffb5bb" }, "sourceRevision": "4255ec2d36328644cd0c7c069fce982dcb301555ca0009727598b455d0b3145c" }