A Qwen-Audio-3.0-TTS-Plus kifejező beszéddé alakítja a szöveget. Az Alibaba tartalmak, hangoskönyvek, videók és felismerhető hangkarakterű anyagok professzionális narrációjára tervezte. A bemenet szöveg, a kimenet hang; a hang szintézis közbeni visszaadása is támogatott.
Az előadásmód természetes nyelvű utasításokkal és részletes vezérlőjelölésekkel adható meg. Ezek határozzák meg az érzelmet, a hangszínt, a karaktert, a tempót, a hangerőt és a beszédstílust. Így ugyanaz a mondat eltérően adható elő: a nyugodt elbeszéléstől az energikusabb vagy érzelmesebb megszólalásig.
A kifejezőerő a kiválasztott hanggal és a szöveg tartalmával függ össze. Az egyenletes kiejtéshez az anyag nyelvének a hang által támogatott nyelvek közé kell tartoznia. A modell írott anyag felolvasására szolgál; a beszélgetés jelentésének elemzése és a kiinduló felvétel átírása más hangfeldolgozási feladat.
Két rendszerhang érhető el: egy meleg női és egy vidám férfihang. Ezek a kínai és az angol nyelvet támogatják. Rajtuk kívül több mint 500 alaphang és hangminta alapján történő hangreprodukció is rendelkezésre áll. A gyártó a rendszerhangokat ajánlja, ha egyenletes hangzásra van szükség.
A hangmintás mód támogatja a kínait regionális kiejtési változataival, az angolt, a franciát, a németet, a japánt, a koreait, az oroszt, a portugált, a thait, az indonézt, a vietnámit, az olaszt, a spanyolt, a malájt, a filippínót és az arabot. Ez az adott mód nyelvi képessége; nem vonatkozik automatikusan minden kész hangra.
A hangmintára vonatkozó követelmények a gyártó külön hangkészítési eljárásához tartoznak; beszédszintéziskor már előkészített hang használatos. Az előkészített hangnak illeszkednie kell a kiválasztott felolvasó modellhez: a gyártónál más modellhez tartozó hang használata szintézishibát okoz. Tiszta, 10–20 másodperces beszédminta ajánlott. Az általános korlát 60 másodperc és 10 MB; legalább öt másodperc megszakítás nélküli beszéd szükséges. Támogatott a 16 bites WAV, az MP3 és az M4A, legalább 16 kHz mintavétellel. Egy vagy két csatorna megengedett, de két csatorna esetén az első használatos.
A beszédmintában egyetlen hangnak kell hallatszania, egyszerre beszélő emberek, zene és ének nélkül. A gyártó követelményei a mintán belüli rövid szüneteket két másodpercben korlátozzák. Ez segít elkülöníteni a későbbi szintézishez szükséges hangszínt és kiejtési sajátosságokat. Az előadásmód vezérlése és a hangminta alapján történő hangreprodukció a modell működésének eltérő oldalait írja le, és egy anyag hangzásának kialakításához is használhatók.
", "aboutText": "A Qwen-Audio-3.0-TTS-Plus kifejező beszéddé alakítja a szöveget. Az Alibaba tartalmak, hangoskönyvek, videók és felismerhető hangkarakterű anyagok professzionális narrációjára tervezte. A bemenet szöveg, a kimenet hang; a hang szintézis közbeni visszaadása is támogatott.\n\n### A beszédmód az utasítás része\n\nAz előadásmód természetes nyelvű utasításokkal és részletes vezérlőjelölésekkel adható meg. Ezek határozzák meg az érzelmet, a hangszínt, a karaktert, a tempót, a hangerőt és a beszédstílust. Így ugyanaz a mondat eltérően adható elő: a nyugodt elbeszéléstől az energikusabb vagy érzelmesebb megszólalásig.\n\nA kifejezőerő a kiválasztott hanggal és a szöveg tartalmával függ össze. Az egyenletes kiejtéshez az anyag nyelvének a hang által támogatott nyelvek közé kell tartoznia. A modell írott anyag felolvasására szolgál; a beszélgetés jelentésének elemzése és a kiinduló felvétel átírása más hangfeldolgozási feladat.\n\n### Kész hang és hangminta alapján létrehozott hang\n\nKét rendszerhang érhető el: egy meleg női és egy vidám férfihang. Ezek a kínai és az angol nyelvet támogatják. Rajtuk kívül több mint 500 alaphang és hangminta alapján történő hangreprodukció is rendelkezésre áll. A gyártó a rendszerhangokat ajánlja, ha egyenletes hangzásra van szükség.\n\nA hangmintás mód támogatja a kínait regionális kiejtési változataival, az angolt, a franciát, a németet, a japánt, a koreait, az oroszt, a portugált, a thait, az indonézt, a vietnámit, az olaszt, a spanyolt, a malájt, a filippínót és az arabot. Ez az adott mód nyelvi képessége; nem vonatkozik automatikusan minden kész hangra.\n\nA hangmintára vonatkozó követelmények a gyártó külön hangkészítési eljárásához tartoznak; beszédszintéziskor már előkészített hang használatos. Az előkészített hangnak illeszkednie kell a kiválasztott felolvasó modellhez: a gyártónál más modellhez tartozó hang használata szintézishibát okoz. Tiszta, 10–20 másodperces beszédminta ajánlott. Az általános korlát 60 másodperc és 10 MB; legalább öt másodperc megszakítás nélküli beszéd szükséges. Támogatott a 16 bites WAV, az MP3 és az M4A, legalább 16 kHz mintavétellel. Egy vagy két csatorna megengedett, de két csatorna esetén az első használatos.\n\nA beszédmintában egyetlen hangnak kell hallatszania, egyszerre beszélő emberek, zene és ének nélkül. A gyártó követelményei a mintán belüli rövid szüneteket két másodpercben korlátozzák. Ez segít elkülöníteni a későbbi szintézishez szükséges hangszínt és kiejtési sajátosságokat. Az előadásmód vezérlése és a hangminta alapján történő hangreprodukció a modell működésének eltérő oldalait írja le, és egy anyag hangzásának kialakításához is használhatók.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "a140fdee83db60d7190f7600ddf309a22ecfa43dcbc37cc31c9245c3cd949f4f", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "hu", "methods": [ { "html": "qwen-audio-3.0-tts-plusKifejező szövegfelolvasó modell videókhoz, hangoskönyvekhez és hanganyagokhoz. Támogatja a beszédmód vezérlését, valamint kész vagy hangminta alapján létrehozott hang választását.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
A Qwen-Audio-3.0-TTS-Plus kifejező beszéddé alakítja a szöveget. Az Alibaba tartalmak, hangoskönyvek, videók és felismerhető hangkarakterű anyagok professzionális narrációjára tervezte. A bemenet szöveg, a kimenet hang; a hang szintézis közbeni visszaadása is támogatott.
Az előadásmód természetes nyelvű utasításokkal és részletes vezérlőjelölésekkel adható meg. Ezek határozzák meg az érzelmet, a hangszínt, a karaktert, a tempót, a hangerőt és a beszédstílust. Így ugyanaz a mondat eltérően adható elő: a nyugodt elbeszéléstől az energikusabb vagy érzelmesebb megszólalásig.
A kifejezőerő a kiválasztott hanggal és a szöveg tartalmával függ össze. Az egyenletes kiejtéshez az anyag nyelvének a hang által támogatott nyelvek közé kell tartoznia. A modell írott anyag felolvasására szolgál; a beszélgetés jelentésének elemzése és a kiinduló felvétel átírása más hangfeldolgozási feladat.
Két rendszerhang érhető el: egy meleg női és egy vidám férfihang. Ezek a kínai és az angol nyelvet támogatják. Rajtuk kívül több mint 500 alaphang és hangminta alapján történő hangreprodukció is rendelkezésre áll. A gyártó a rendszerhangokat ajánlja, ha egyenletes hangzásra van szükség.
A hangmintás mód támogatja a kínait regionális kiejtési változataival, az angolt, a franciát, a németet, a japánt, a koreait, az oroszt, a portugált, a thait, az indonézt, a vietnámit, az olaszt, a spanyolt, a malájt, a filippínót és az arabot. Ez az adott mód nyelvi képessége; nem vonatkozik automatikusan minden kész hangra.
A hangmintára vonatkozó követelmények a gyártó külön hangkészítési eljárásához tartoznak; beszédszintéziskor már előkészített hang használatos. Az előkészített hangnak illeszkednie kell a kiválasztott felolvasó modellhez: a gyártónál más modellhez tartozó hang használata szintézishibát okoz. Tiszta, 10–20 másodperces beszédminta ajánlott. Az általános korlát 60 másodperc és 10 MB; legalább öt másodperc megszakítás nélküli beszéd szükséges. Támogatott a 16 bites WAV, az MP3 és az M4A, legalább 16 kHz mintavétellel. Egy vagy két csatorna megengedett, de két csatorna esetén az első használatos.
A beszédmintában egyetlen hangnak kell hallatszania, egyszerre beszélő emberek, zene és ének nélkül. A gyártó követelményei a mintán belüli rövid szüneteket két másodpercben korlátozzák. Ez segít elkülöníteni a későbbi szintézishez szükséges hangszínt és kiejtési sajátosságokat. Az előadásmód vezérlése és a hangminta alapján történő hangreprodukció a modell működésének eltérő oldalait írja le, és egy anyag hangzásának kialakításához is használhatók.
POST /v1/audio/speechtextspeech| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok qwen-audio-3.0-tts-plus | Alapértelmezett— |
Mezőinput | Típusstring | KövetelményKötelező | Értékek és korlátok Minimális hossz: 1 Maximális hossz: 600 Egység: Unicode-karakterek | Alapértelmezett— |
Mezővoice | Típusstring | KövetelményOpcionális | Értékek és korlátok Példák: longanlingxin, longanlufeng Elfogadott egyéni minta: ^qwen-audio-3\\.0-tts-plus- Feltételek: A pontos qwen-audio-3.0-tts-plus- előtaggal rendelkező tényleges egyéni hangazonosítók elfogadottak. | Alapértelmezettlonganlingxin |
Mezőresponse_format | Típusstring | KövetelményOpcionális | Értékek és korlátok mp3, wav, pcm | Alapértelmezettmp3 |
Mezősample_rate | Típusinteger | KövetelményOpcionális | Értékek és korlátok 16 000, 24 000, 48 000 Egység: Hz | Alapértelmezett24 000 |
text_to_speech · Kötelező: input
| Paraméter | Szerződés |
|---|---|
Paramétermaterial_types | Szerződéstext |
Paraméterrequired | Szerződésnull |
Paraméteroptional_controls | Szerződésnull |
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}
A metódusok szerkezete és azonosítói pontosak; a beszállítói képesség különbözik a kérelmek befogadásától.
POST /v1/audio/speech20,00 USD 1 millió elszámolt karakterenként. Egy CJK-ideogramma 2 elszámolt karakternek számít: 40,00 USD 1 millió ideogrammánként. A többi Unicode-karakter súlya: 1. Kimeneti hang: 0,00 USD.
{\n "cjk_ideograph_weight": 2,\n "input_usd_per_10000_counted_characters": 0.2,\n "other_unicode_character_weight": 1,\n "output_audio_usd": 0,\n "unit": "counted_unicode_characters"\n}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 →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 narration script}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen-audio-3.0-tts-plus", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=text\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o speech.mp3\nkiválasztott mp3/wav/pcm
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}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.
Őrizze meg az eredeti operation_id/X-Client-Request-ID értéket az egyeztetéshez, újbóli beküldés nélkül; nincs külön hangállapot-lekérdezési útvonal.
| Mező | Típus |
|---|---|
Mezőbinary audio | Típusbytes |
Mezőresponse headers | Típusheaders |
| 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. |
Ailoot qwen-audio-3.0-tts-plus, qwen-tts, qwen-tts-latest
Használja a fent látható metódusútvonalakat.
qwen-ttsKifejező szövegfelolvasó modell videókhoz, hangoskönyvekhez és hanganyagokhoz. Támogatja a beszédmód vezérlését, valamint kész vagy hangminta alapján létrehozott hang választását.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
A Qwen-Audio-3.0-TTS-Plus kifejező beszéddé alakítja a szöveget. Az Alibaba tartalmak, hangoskönyvek, videók és felismerhető hangkarakterű anyagok professzionális narrációjára tervezte. A bemenet szöveg, a kimenet hang; a hang szintézis közbeni visszaadása is támogatott.
Az előadásmód természetes nyelvű utasításokkal és részletes vezérlőjelölésekkel adható meg. Ezek határozzák meg az érzelmet, a hangszínt, a karaktert, a tempót, a hangerőt és a beszédstílust. Így ugyanaz a mondat eltérően adható elő: a nyugodt elbeszéléstől az energikusabb vagy érzelmesebb megszólalásig.
A kifejezőerő a kiválasztott hanggal és a szöveg tartalmával függ össze. Az egyenletes kiejtéshez az anyag nyelvének a hang által támogatott nyelvek közé kell tartoznia. A modell írott anyag felolvasására szolgál; a beszélgetés jelentésének elemzése és a kiinduló felvétel átírása más hangfeldolgozási feladat.
Két rendszerhang érhető el: egy meleg női és egy vidám férfihang. Ezek a kínai és az angol nyelvet támogatják. Rajtuk kívül több mint 500 alaphang és hangminta alapján történő hangreprodukció is rendelkezésre áll. A gyártó a rendszerhangokat ajánlja, ha egyenletes hangzásra van szükség.
A hangmintás mód támogatja a kínait regionális kiejtési változataival, az angolt, a franciát, a németet, a japánt, a koreait, az oroszt, a portugált, a thait, az indonézt, a vietnámit, az olaszt, a spanyolt, a malájt, a filippínót és az arabot. Ez az adott mód nyelvi képessége; nem vonatkozik automatikusan minden kész hangra.
A hangmintára vonatkozó követelmények a gyártó külön hangkészítési eljárásához tartoznak; beszédszintéziskor már előkészített hang használatos. Az előkészített hangnak illeszkednie kell a kiválasztott felolvasó modellhez: a gyártónál más modellhez tartozó hang használata szintézishibát okoz. Tiszta, 10–20 másodperces beszédminta ajánlott. Az általános korlát 60 másodperc és 10 MB; legalább öt másodperc megszakítás nélküli beszéd szükséges. Támogatott a 16 bites WAV, az MP3 és az M4A, legalább 16 kHz mintavétellel. Egy vagy két csatorna megengedett, de két csatorna esetén az első használatos.
A beszédmintában egyetlen hangnak kell hallatszania, egyszerre beszélő emberek, zene és ének nélkül. A gyártó követelményei a mintán belüli rövid szüneteket két másodpercben korlátozzák. Ez segít elkülöníteni a későbbi szintézishez szükséges hangszínt és kiejtési sajátosságokat. Az előadásmód vezérlése és a hangminta alapján történő hangreprodukció a modell működésének eltérő oldalait írja le, és egy anyag hangzásának kialakításához is használhatók.
POST /v1/audio/speechtextspeech| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok qwen-tts | Alapértelmezett— |
Mezőinput | Típusstring | KövetelményKötelező | Értékek és korlátok Minimális hossz: 1 Maximális hossz: 600 Egység: Unicode-karakterek | Alapértelmezett— |
Mezővoice | Típusstring | KövetelményOpcionális | Értékek és korlátok Példák: longanlingxin, longanlufeng Elfogadott egyéni minta: ^qwen-audio-3\\.0-tts-plus- Feltételek: A pontos qwen-audio-3.0-tts-plus- előtaggal rendelkező tényleges egyéni hangazonosítók elfogadottak. | Alapértelmezettlonganlingxin |
Mezőresponse_format | Típusstring | KövetelményOpcionális | Értékek és korlátok mp3, wav, pcm | Alapértelmezettmp3 |
Mezősample_rate | Típusinteger | KövetelményOpcionális | Értékek és korlátok 16 000, 24 000, 48 000 Egység: Hz | Alapértelmezett24 000 |
text_to_speech · Kötelező: input
| Paraméter | Szerződés |
|---|---|
Paramétermaterial_types | Szerződéstext |
Paraméterrequired | Szerződésnull |
Paraméteroptional_controls | Szerződésnull |
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}
A metódusok szerkezete és azonosítói pontosak; a beszállítói képesség különbözik a kérelmek befogadásától.
POST /v1/audio/speech20,00 USD 1 millió elszámolt karakterenként. Egy CJK-ideogramma 2 elszámolt karakternek számít: 40,00 USD 1 millió ideogrammánként. A többi Unicode-karakter súlya: 1. Kimeneti hang: 0,00 USD.
{\n "cjk_ideograph_weight": 2,\n "input_usd_per_10000_counted_characters": 0.2,\n "other_unicode_character_weight": 1,\n "output_audio_usd": 0,\n "unit": "counted_unicode_characters"\n}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 →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 narration script}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen-tts", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=text\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o speech.mp3\nkiválasztott mp3/wav/pcm
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}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.
Őrizze meg az eredeti operation_id/X-Client-Request-ID értéket az egyeztetéshez, újbóli beküldés nélkül; nincs külön hangállapot-lekérdezési útvonal.
| Mező | Típus |
|---|---|
Mezőbinary audio | Típusbytes |
Mezőresponse headers | Típusheaders |
| 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. |
Ailoot qwen-audio-3.0-tts-plus, qwen-tts, qwen-tts-latest
Használja a fent látható metódusútvonalakat.
qwen-tts-latestKifejező szövegfelolvasó modell videókhoz, hangoskönyvekhez és hanganyagokhoz. Támogatja a beszédmód vezérlését, valamint kész vagy hangminta alapján létrehozott hang választását.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
A Qwen-Audio-3.0-TTS-Plus kifejező beszéddé alakítja a szöveget. Az Alibaba tartalmak, hangoskönyvek, videók és felismerhető hangkarakterű anyagok professzionális narrációjára tervezte. A bemenet szöveg, a kimenet hang; a hang szintézis közbeni visszaadása is támogatott.
Az előadásmód természetes nyelvű utasításokkal és részletes vezérlőjelölésekkel adható meg. Ezek határozzák meg az érzelmet, a hangszínt, a karaktert, a tempót, a hangerőt és a beszédstílust. Így ugyanaz a mondat eltérően adható elő: a nyugodt elbeszéléstől az energikusabb vagy érzelmesebb megszólalásig.
A kifejezőerő a kiválasztott hanggal és a szöveg tartalmával függ össze. Az egyenletes kiejtéshez az anyag nyelvének a hang által támogatott nyelvek közé kell tartoznia. A modell írott anyag felolvasására szolgál; a beszélgetés jelentésének elemzése és a kiinduló felvétel átírása más hangfeldolgozási feladat.
Két rendszerhang érhető el: egy meleg női és egy vidám férfihang. Ezek a kínai és az angol nyelvet támogatják. Rajtuk kívül több mint 500 alaphang és hangminta alapján történő hangreprodukció is rendelkezésre áll. A gyártó a rendszerhangokat ajánlja, ha egyenletes hangzásra van szükség.
A hangmintás mód támogatja a kínait regionális kiejtési változataival, az angolt, a franciát, a németet, a japánt, a koreait, az oroszt, a portugált, a thait, az indonézt, a vietnámit, az olaszt, a spanyolt, a malájt, a filippínót és az arabot. Ez az adott mód nyelvi képessége; nem vonatkozik automatikusan minden kész hangra.
A hangmintára vonatkozó követelmények a gyártó külön hangkészítési eljárásához tartoznak; beszédszintéziskor már előkészített hang használatos. Az előkészített hangnak illeszkednie kell a kiválasztott felolvasó modellhez: a gyártónál más modellhez tartozó hang használata szintézishibát okoz. Tiszta, 10–20 másodperces beszédminta ajánlott. Az általános korlát 60 másodperc és 10 MB; legalább öt másodperc megszakítás nélküli beszéd szükséges. Támogatott a 16 bites WAV, az MP3 és az M4A, legalább 16 kHz mintavétellel. Egy vagy két csatorna megengedett, de két csatorna esetén az első használatos.
A beszédmintában egyetlen hangnak kell hallatszania, egyszerre beszélő emberek, zene és ének nélkül. A gyártó követelményei a mintán belüli rövid szüneteket két másodpercben korlátozzák. Ez segít elkülöníteni a későbbi szintézishez szükséges hangszínt és kiejtési sajátosságokat. Az előadásmód vezérlése és a hangminta alapján történő hangreprodukció a modell működésének eltérő oldalait írja le, és egy anyag hangzásának kialakításához is használhatók.
POST /v1/audio/speechtextspeech| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok qwen-tts-latest | Alapértelmezett— |
Mezőinput | Típusstring | KövetelményKötelező | Értékek és korlátok Minimális hossz: 1 Maximális hossz: 600 Egység: Unicode-karakterek | Alapértelmezett— |
Mezővoice | Típusstring | KövetelményOpcionális | Értékek és korlátok Példák: longanlingxin, longanlufeng Elfogadott egyéni minta: ^qwen-audio-3\\.0-tts-plus- Feltételek: A pontos qwen-audio-3.0-tts-plus- előtaggal rendelkező tényleges egyéni hangazonosítók elfogadottak. | Alapértelmezettlonganlingxin |
Mezőresponse_format | Típusstring | KövetelményOpcionális | Értékek és korlátok mp3, wav, pcm | Alapértelmezettmp3 |
Mezősample_rate | Típusinteger | KövetelményOpcionális | Értékek és korlátok 16 000, 24 000, 48 000 Egység: Hz | Alapértelmezett24 000 |
text_to_speech · Kötelező: input
| Paraméter | Szerződés |
|---|---|
Paramétermaterial_types | Szerződéstext |
Paraméterrequired | Szerződésnull |
Paraméteroptional_controls | Szerződésnull |
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}
A metódusok szerkezete és azonosítói pontosak; a beszállítói képesség különbözik a kérelmek befogadásától.
POST /v1/audio/speech20,00 USD 1 millió elszámolt karakterenként. Egy CJK-ideogramma 2 elszámolt karakternek számít: 40,00 USD 1 millió ideogrammánként. A többi Unicode-karakter súlya: 1. Kimeneti hang: 0,00 USD.
{\n "cjk_ideograph_weight": 2,\n "input_usd_per_10000_counted_characters": 0.2,\n "other_unicode_character_weight": 1,\n "output_audio_usd": 0,\n "unit": "counted_unicode_characters"\n}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 →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 narration script}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "qwen-tts-latest", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=text\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o speech.mp3\nkiválasztott mp3/wav/pcm
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}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.
Őrizze meg az eredeti operation_id/X-Client-Request-ID értéket az egyeztetéshez, újbóli beküldés nélkül; nincs külön hangállapot-lekérdezési útvonal.
| Mező | Típus |
|---|---|
Mezőbinary audio | Típusbytes |
Mezőresponse headers | Típusheaders |
| 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. |
Ailoot qwen-audio-3.0-tts-plus, qwen-tts, qwen-tts-latest
Használja a fent látható metódusútvonalakat.