speech-02-hd
A Speech-02 HD beszédszintézis-modell, amely a hangminőségre és a hanghasonlóságra helyezi a hangsúlyt.
A modellről
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
Hang narrációhoz és hosszú felolvasáshoz
A Speech 02 HD a minőségre, a ritmusra és a hangzás stabilitására összpontosítva készít beszédet. A gyártó az anyagok narrációját és a hangoskönyveket emeli ki, ahol a hangnak meg kell őriznie karakterét, és egyenletesen kell végighaladnia a hosszú szövegen. Ez szintézismodell: szöveget fogad, és beszédhanggá alakítja.
A szöveg és a hangszín összekapcsolása
A Speech 02 család alapja autoregresszív Transformer-architektúra és tanítható beszélőkódoló. A hangszínkinyerés és a beszédgenerálás együtt lett tanítva a hangjellemzők és a tartalom összehangolásához. A család képességei között előkészített klónozott hangok használata, valamint a nyelv, az akcentus és a kiejtésmód kombinálása szerepel.
Érzelem és többnyelvű felolvasás
Az érzelmi árnyalat a szöveg jelentéséből határozható meg vagy kézzel adható meg. Elérhető az öröm, a szomorúság, a harag, a félelem, az undor, a meglepetés és a nyugalom. A modell orosszal, angollal és más nyelvekkel dolgozik; a gyártó különféle angol akcentusokat, kínait és kantonit, japánt, koreait, európai és más nyelveket ír le.
A Speech 02 jelenlegi leírása külön kizárja a perzsát, a filippínót és a tamilt. Az újabb Speech-generációk általános nyelvlistája nem vihető át automatikusan erre a verzióra.
Hangbeállítás
Szintézishez hangválasztás, 0,5–2 közötti sebesség, 0 fölötti és legfeljebb 10 hangerő, valamint −12 és 12 közötti hangmagasság áll rendelkezésre. A kiejtési szótárban az íráskép a kívánt felolvasással helyettesíthető; fonetikus leírások és japán kiejtési változatok támogatottak. Ez segít vezérelni a nevek és többértelmű szavak hangzását.
Szünetek és kész hang
A gyártó 0,01–99,99 másodperces szünetek megadását engedi a kimondott részletek között. A szünet időtartama két tizedesjegy pontossággal adható meg; a jelölőket a kimondott részletek közé kell tenni, nem közvetlenül egymás után. Egy szinkron kérés szövegének 10 000 karakternél rövidebbnek kell lennie. A hang egyben és fokozatosan is fogadható; 3000 karakter fölötti szöveghez streamkimenet ajánlott.
A modell formátumai között MP3, WAV, FLAC és PCM szerepel; az általános szintézisbeállítások Opus és G.711 μ-law változatokat is leírnak. Monó vagy sztereó használható. E kártyán szövegfelolvasás érhető el, a külön hang-előkészítés és a kibővített beállítások pedig csak az Ailoot által támogatott hozzáférési mód keretein belül alkalmazhatók.
További hangbeállítások a 8, 16, 22,05, 24, 32 és 44,1 kHz mintavételi frekvenciák. MP3-hoz 32, 64, 128 vagy 256 kbit/s bitráta áll rendelkezésre. A hang színezete is módosítható, és egy effekt alkalmazható: tágas visszhang, teremvisszhang, telefonhangzás vagy robothang. A hangmódosító effektek MP3, WAV és FLAC esetén a teljes hang egyben történő fogadásakor, streamkimenetnél pedig csak MP3-hoz támogatottak. A G.711 μ-law formátumok 8 kHz frekvenciát használnak. E képességek a MiniMax szintézisbeállításaihoz tartoznak.
A gyártó a beszéd szöveggel való szinkronizálását is kínálja: mondat- vagy szószintű időbélyegeket, illetve szószintű jelölést fokozatos kimenetnél. Az ilyen eredmény segít összehangolni a kiejtést a szöveg megjelenítésével. E további képesség a megfelelő válaszformátum támogatását igényli.
Ailoot · Felolvasás POST /v1/audio/speech speech-02-hd
speech-02-hdKezdő lépések
A Speech-02 HD beszédszintézis-modell, amely a hangminőségre és a hanghasonlóságra helyezi a hangsúlyt.
- Elfogadott bemenetek
- Szöveg
- Eredmények
- speech
Elérhető az Ailootban · bemenetek és metódusok
Ailoot · Felolvasás POST /v1/audio/speech
- Bemenet
text- Kimenet
speech- Kimeneti formátum
- mp3
| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok speech-02-hd | Alapértelmezett— |
Mezőinput | Típusstring | KövetelményKötelező | Értékek és korlátok Minimális hossz: 1 Maximális hossz (kizáró): 10 000 Egység: Unicode-karakterek | Alapértelmezett— |
Mezővoice | Típusstring | KövetelményKötelező | Értékek és korlátok Minta: ^[A-Za-z0-9_-]{1,128}$ | Alapértelmezett— |
Mezőresponse_format | Típusstring | KövetelményOpcionális | Értékek és korlátok mp3 | Alapértelmezett— |
Bemeneti anyagok kombinációi
text_to_speech · Kötelező: input
Metódus paraméterei és életciklusa
| 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.
Díjcsomagok
Ailoot-metódusok díjai
POST /v1/audio/speech- Bemenet
- 100,00 USD 1 millió 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 · Felolvasás
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 narration script}"
export AILOOT_TEXT_FILE
: "${AILOOT_VOICE_ID:?Set the actual accepted voice ID for this model}"
export AILOOT_VOICE_ID
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "speech-02-hd", "input": ""}')
f=Path(os.environ["AILOOT_TEXT_FILE"])
if not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")
text=f.read_text(encoding="utf-8")
if not text.strip():raise SystemExit("Source material must contain text")
p["input"]=text
import re
voice=os.environ["AILOOT_VOICE_ID"]
if not re.fullmatch(r"[A-Za-z0-9_-]{1,128}",voice):raise SystemExit("Set an actual accepted voice ID")
p["voice"]=voice
Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \
-H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o speech.mp3
Eredmények fogadása és mentése
Ailoot · Felolvasás
mp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Őrizzen meg minden elkészült eredményt
Őrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt.
Őrizze meg a teljes bináris eredményt és a fejléceket. JSON vagy több kimenet esetén őrizzen meg minden adatelemet, és töltse le minden ténylegesen visszaadott, aláírt média-URL tartalmát.
Ha az eredeti választ ellenőrizni kell
Őrizze meg az eredeti operation_id/X-Client-Request-ID értéket az egyeztetéshez, újbóli beküldés nélkül; nincs külön hangállapot-lekérdezési útvonal.
Válaszmezők
| Mező | Típus |
|---|---|
Mezőbinary audio | Típusbytes |
Mezőresponse headers | Típusheaders |
Hibák és következő lépések
| Válasz | Feltétel | Következő lépés |
|---|---|---|
Válasz400 · invalid_request_error | FeltételÉrvénytelen kötelező mezők, az anyag érvénytelen reprezentációja vagy érvénytelen paraméterérték | Következő lépésJavítsa a jelzett mezőket egy új létrehozási kérés előtt. |
Válaszserver_error | FeltételA visszaadott válasz szerint a művelet vagy az eredmény ellenőrzést igényel | Következő lépésŐrizze meg az eredetileg visszaadott művelet- vagy feladatazonosítót, a kérés fejléceit és a választ; folytassa az eredeti művelet támogatott lekérdezéseit. Ne küldje be újra a létrehozási kérést. |
Álnevek
Modell álnevei
Ailoot speech-02-hd
Metódusútvonalak álnevei
Használja a fent látható metódusútvonalakat.
Kapcsolódó modellazonosítók
FAQ · speech-02-hd
- Milyen bemenetek és eredmények érhetők el?
POST /v1/audio/speech·speech-02-hd:text→speech- Mely mezőket használja a kérés?
POST /v1/audio/speech·speech-02-hd:model,input,voice,response_format