speech-2.6-hd
A Speech 2.6 HD minőségi beszédszintézis-modell, amely a természetességre 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.
Természetes hang interakcióhoz
A Speech 2.6 HD természetes beszédszintézishez és olyan felhasználásokhoz szolgál, ahol fontos a válasz gyors megkezdése. A gyártó a hanglejtésre, a beszéd folyamatosságára és a szöveg kimondás előtti feldolgozására fordít figyelmet. A HD-változat a hangminőségre helyezi a hangsúlyt; e kártya bemenete szöveg, kimenete beszédhang.
Szokatlan írásmódok felolvasása
A Speech 2.6 generáció képes feldolgozni a munkaüzenetekben gyakran előforduló írásmódokat: webcímeket, e-mail-címeket, telefonszámokat, dátumokat és pénzösszegeket. A modell kimondható formára alakítja őket, hogy a megszólalás hallás után érthető maradjon. A gyártó több nyelven ír le ilyen feladatokat.
Folyamatos beszéd a hangszín megőrzésével
A Speech 2.6 Fluent LoRA folyamatosságjavító módot kínál. Előkészített hangon alapuló szintézishez szolgál: segít megőrizni a hangszínt, miközben összefüggőbb beszédet állít elő akkor is, ha az eredeti minta egyenetlen vagy akcentusos volt. A klónozott hang előkészítése és a felolvasáskor történő használata külön művelet.
40 nyelv támogatott, köztük az orosz. A hét alapvető érzelmi állapoton kívül a Speech 2.6 a folyamatos beszéd fluent és a suttogás whisper változatát kínálja. Ha nincs érzelem megadva, a modell a szöveg jelentése alapján választja ki.
Beszédbeállítások
A MiniMax hangválasztást, valamint a tempó, a hangerő és a hangmagasság vezérlését kínálja. A sebesség 0,5–2 között, a hangerő 0 fölött és legfeljebb 10 értéken, a hangmagasság-változtatás −12 és 12 között adható meg. Az érzelem a szöveg jelentése alapján a modellre bízható, vagy kézzel megadható: öröm, szomorúság, harag, félelem, undor, meglepetés vagy nyugalom.
A kiejtés helyettesítési szótárral és fonetikus leírással pontosítható; ezekhez nemzetközi fonetikai ábécé, kínai pinjin és japán olvasati változatok állnak rendelkezésre. A kimondott részletek között 0,01–99,99 másodperces szünetek adhatók meg. A szünet időtartama két tizedesjegy pontossággal adható meg; a jelölőket a kimondott részletek közé kell tenni, nem közvetlenül egymás után. E beállítások segítenek a nevek, rövidítések és többértelmű szavak hangzását a felolvasás elképzeléséhez igazítani.
Szöveghossz és hang
A szintézis 10 000 karakternél rövidebb szöveget fogad. 3000 karakter fölötti hosszú szöveghez a gyártó streamkimenetet ajánl; a kész hang egyben történő fogadása is rendelkezésre áll. Az általános szintézisbeállítások MP3, PCM, FLAC, WAV, Opus és G.711 μ-law változatokat, monót vagy sztereót tartalmaznak; az adott kérés elérhető formátumkészletét az Ailoot eszközei határozzák meg.
A MiniMax szerint a generáció alacsony késleltetésű hangalapú felhasználásokra készült. Ez a modell leírása; az adott válasz ideje és a kibővített beállítások elérhetősége a választott Ailoot-hozzáférési módtól függ.
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-2.6-hd
speech-2.6-hdKezdő lépések
A Speech 2.6 HD minőségi beszédszintézis-modell, amely a természetességre 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-2.6-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-2.6-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-2.6-hd
Metódusútvonalak álnevei
Használja a fent látható metódusútvonalakat.
Kapcsolódó modellazonosítók
FAQ · speech-2.6-hd
- Milyen bemenetek és eredmények érhetők el?
POST /v1/audio/speech·speech-2.6-hd:text→speech- Mely mezőket használja a kérés?
POST /v1/audio/speech·speech-2.6-hd:model,input,voice,response_format