MiniMax: Speech 02 Turbo

A Speech 02 Turbo a MiniMax beszédmodelljének konkrét kiadása, amelyet a model: "minimax/speech-02-turbo" választ ki. Használjon POST /v1/audio/speech kérést application/json törzzsel, amely a model és a felolvasandó text mezőt tartalmazza. Bemenete írásos szövegkönyv, eredménye szintetizált hang. Közleményhez csak a kimondandó szavakat helyezze a text mezőbe, például egy rövid átvételi értesítést. Termékismertetőhöz ossza teljes mondatokra a szövegkönyvet, és a hang generálása előtt véglegesítse a termékneveket és számokat. A gyártási megjegyzéseket, fájlneveket és a fel nem olvasandó utasításokat tartsa a kimondandó szövegkönyvön kívül.

A text mező nem lehet üres vagy csupa üres karakter, és 10 000 Unicode-karakternél kevesebbet kell tartalmaznia. A teljes felolvasandó szövegkönyvet stream:false beállítással küldje el, vagy hagyja el a stream mezőt. A hosszabb anyagot beküldés előtt bontsa különálló, teljes szövegkönyvszakaszokra. Dokumentumot úgy használhat, hogy kiolvassa tényleges tartalmát, és a releváns szakaszt a text mezőbe helyezi; a dokumentum URL-je nem helyettesíti a szövegkönyvet.

A hangot a voice_setting.voice_id mezőben válassza ki. A dokumentált hangkategóriák rendszerhangokat és már létrehozott klónozott vagy szövegesen megtervezett hangokat tartalmaznak; a választott kategóriához érvényes hangazonosítót használjon. A példában szereplő hang audiobook_male_1. Ugyanez az objektum vezérli a speed értéket 0,5 és 2 között, a vol értéket 0 fölött és legfeljebb 10-ig, valamint az egész számú pitch értéket -12 és 12 között. Alapértékeik 1, 1 és 0. Ezek a vezérlők az előadásmód különböző jellemzőit módosítják, ezért külön válassza meg őket, és ne a nevüket helyezze a szövegkönyvbe.

A voice_setting.emotion a happy, sad, angry, fearful, disgusted, surprised, calm és fluent értékeket fogadja. A dokumentáció a szövegből történő automatikus érzelmi illesztést is leírja. Sok számot tartalmazó szövegkönyvnél a voice_setting.text_normalization engedélyezi a kínai és angol szövegnormalizálást, alapértéke false. A voice_setting.latex_read a LaTeX-kifejezések felolvasását vezérli, és szintén false az alapértéke. A pronunciation_dict.tone kiejtési szabályokat tartalmazó karakterláncok tömbje. A közzétett példa ["草地/(cao3)(di1)"]; szabály megadásakor őrizze meg a szó, a perjel és a zárójelezett kiejtés szerkezetét.

Az audio_setting.format mp3, pcm, flac és wav értéket fogad, alapértéke mp3. A sample_rate 8000, 16000, 22050, 24000, 32000 és 44100 Hz értékeket fogad; alapértéke 32000. A channel 1 értéke monót, 2 értéke két csatornát jelent, alapértéke 1. A bitrate értékei 32000, 64000, 128000 és 256000 bit másodpercenként, alapértéke 128000, és az mp3 formátumra vonatkozik. Válassza az eredményt felhasználó lejátszóhoz vagy szerkesztőhöz szükséges kódolást.

A language_boost opcionális karakterlánc, alapértéke null. Megengedett értékei 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 és auto. A "Chinese,Yue" egyetlen érték. Ez a szövegkönyvtől és a hangazonosítótól különálló vezérlő. A séma a timber_weights mezőt is elérhetővé teszi voice_id és egész weight párok listájához, ahol minden weight 1 és 100 közötti. Kérés előkészítésekor őrizze meg a timber_weights paraméternév írásmódját. A voice_modify.sound_effects opcionális karakterlánc, amelynek értékei spacious_echo, auditorium_echo, lofi_telephone és robotic.

A stream alapértéke false. Teljes válasznál az output_format url vagy hex értéket választ, alapértéke hex. A dokumentált JSON-eredményben a data.audio hordozza a választott reprezentációt: töltse le a teljes aláírt Ailoot URL tartalmát a lekérdezési karakterlánccal együtt, vagy dekódolja bájtokká a teljes hexadecimális hangot. Az eredeti eredményt őrizze meg a data.status, base_resp, trace_id és extra_info mezőkkel együtt; az utóbbi tartalmazza a tényleges hangformátumot, mintavételi frekvenciát, csatornaszámot, méretet és usage_characters adatot.

A subtitle_enable logikai érték, alapértéke false, és nem folyamatos kimenetre vonatkozik. Az aigc_watermark logikai érték, alapértéke false, és a generált hang végén hallható ritmusjelölőt vezérli. Őrizzen meg minden visszaadott hang- vagy felirateredményt, és ellenőrizze a kiejtést, a számokat és az elkészült fájlt, mielőtt az alkalmazásba helyezi. Bizonytalan kézbesítésnél őrizze meg az eredeti kérés azonosítóját és a választ a meglévő próbálkozás ellenőrzéséhez. Az Ailoot a kész hangot a médiatárába is elmenti. output_format:"url" esetén a data.audio aláírt hivatkozást tartalmaz az elmentett médiaelemre; a médiaelem azonosítója annak /v1/media/assets/{asset_id}/content útvonalában jelenik meg. Az Ailoot aláírt fájlhivatkozásai a kiadástól számított 24 óráig érvényesek. Ugyanazzal az API-kulccsal küldjön GET /v1/media/assets?family=audio kérést, és minden next_cursor értéket követve keresse meg a hangmédiaelemek rekordjait. Minden kiválasztott rekordhoz olvassa ki a GET /v1/media/assets/{asset_id} végpontot, és töltse le a pontos content_url tartalmát a lekérdezési karakterlánccal együtt. Ha a fájlkérés 404 választ ad link_expired kóddal, olvassa ki újra ugyanazt a médiaelemet a frissített content_url lekéréséhez. A mentett eredményt frissítse ahelyett, hogy egy lejárt hivatkozás pótlására újra hangot generálna.