speech-2.6-hd
Speech 2.6 HD è un modello di sintesi vocale di qualità, con particolare attenzione alla naturalezza e alla somiglianza della voce.
Informazioni sul modello
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Una voce naturale per l'interazione
Speech 2.6 HD è pensato per la sintesi vocale naturale e per scenari in cui conta iniziare rapidamente la risposta. Il produttore dedica attenzione a intonazione, fluidità del parlato ed elaborazione del testo prima della pronuncia. La variante HD pone l'accento sulla qualità del suono; l'input di questa scheda è testo, l'output audio parlato.
Leggere notazioni non standard
La generazione Speech 2.6 può elaborare notazioni frequenti nei messaggi di lavoro: indirizzi di pagine, email, numeri di telefono, date e importi. Il modello le converte in una forma pronunciabile, per mantenere la battuta comprensibile all'ascolto. Il produttore descrive queste attività in più lingue.
Parlato fluido conservando il timbro
Speech 2.6 prevede la modalità di maggiore fluidità Fluent LoRA. È pensata per la sintesi basata su una voce preparata: aiuta a conservare il timbro e a produrre un parlato più coerente, anche se il campione originale era irregolare o presentava un accento. La preparazione di una voce clonata e il suo utilizzo nella lettura vocale sono azioni diverse.
Sono supportate 40 lingue, tra cui il russo. Oltre ai sette stati emotivi di base, Speech 2.6 prevede le varianti di parlato fluido fluent e sussurro whisper. Se l'emozione non viene indicata, il modello la sceglie dal significato del testo.
Impostazioni di pronuncia
MiniMax prevede scelta della voce e controllo di ritmo, volume e altezza. La velocità si imposta nell'intervallo 0,5–2, il volume superiore a 0 e fino a 10, la modifica dell'altezza da −12 a 12. L'emozione può essere lasciata alla scelta del modello in base al significato del testo oppure indicata manualmente: gioia, tristezza, rabbia, paura, disgusto, sorpresa o calma.
La pronuncia può essere precisata con un dizionario di sostituzioni e notazione fonetica; sono previsti alfabeto fonetico internazionale, pinyin cinese e varianti di lettura giapponesi. Le pause vengono impostate tra i segmenti pronunciati nell'intervallo 0,01–99,99 secondi. La durata della pausa viene definita con una precisione di due cifre decimali; i marcatori vengono collocati tra i segmenti pronunciati e non consecutivamente. Queste impostazioni permettono di adeguare il suono di nomi, abbreviazioni e parole ambigue all'idea della lettura vocale.
Lunghezza del testo e audio
La sintesi riceve testo con meno di 10 000 caratteri. Per testi lunghi oltre 3000 caratteri il produttore consiglia l'output in streaming; è prevista anche la ricezione dell'audio finale interamente. Le impostazioni generali di sintesi comprendono MP3, PCM, FLAC, WAV, Opus e varianti G.711 μ-law, mono o stereo; i formati disponibili per una specifica richiesta dipendono dagli strumenti di Ailoot.
Secondo MiniMax, questa generazione è orientata a una bassa latenza negli scenari vocali. È una descrizione del modello; il tempo concreto della risposta e la disponibilità delle impostazioni estese dipendono dalla modalità di accesso scelta in Ailoot.
Le impostazioni audio aggiuntive comprendono le frequenze di campionamento 8, 16, 22,05, 24, 32 e 44,1 kHz. Per MP3 è previsto un bitrate di 32, 64, 128 o 256 kbit/s. Si possono anche modificare la coloritura della voce e applicare un solo effetto: eco spazioso, eco di sala, suono telefonico o voce robotica. Gli effetti di modifica della voce sono supportati per MP3, WAV e FLAC quando si riceve l'audio interamente; nell'output in streaming soltanto per MP3. I formati G.711 μ-law utilizzano una frequenza di 8 kHz. Queste capacità riguardano le impostazioni di sintesi di MiniMax.
Il produttore prevede la sincronizzazione tra parlato e testo: riferimenti temporali per frasi, per parole o per parole nell'output progressivo. Questo risultato aiuta ad associare la pronuncia alla visualizzazione del testo. La capacità aggiuntiva richiede il supporto del formato di risposta corrispondente.
Ailoot · Sintesi vocale POST /v1/audio/speech speech-2.6-hd
speech-2.6-hdIntroduzione
Speech 2.6 HD è un modello di sintesi vocale di qualità, con particolare attenzione alla naturalezza e alla somiglianza della voce.
- Input accettati
- Testo
- Risultati
- speech
Disponibile in Ailoot · input e metodi
Ailoot · Sintesi vocale POST /v1/audio/speech
- Tipi di input
text- Tipi di output
speech- Formato di output
- mp3
| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti speech-2.6-hd | Predefinito— |
Campoinput | Tipostring | RequisitoObbligatorio | Valori e limiti Lunghezza minima: 1 Lunghezza massima (esclusa): 10.000 Unità: caratteri Unicode | Predefinito— |
Campovoice | Tipostring | RequisitoObbligatorio | Valori e limiti Schema: ^[A-Za-z0-9_-]{1,128}$ | Predefinito— |
Camporesponse_format | Tipostring | RequisitoFacoltativo | Valori e limiti mp3 | Predefinito— |
Combinazioni di materiali in input
text_to_speech · Obbligatorio: input
Parametri e ciclo di vita del metodo
| Parametro | Contratto |
|---|---|
Parametromaterial_types | Contrattotext |
Parametrorequired | Contrattonull |
Parametrooptional_controls | Contrattonull |
Ciclo di vita: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id effettivamente restituito o record della libreria multimediale
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Le strutture dei metodi e gli ID sono esatti; la capacità del fornitore è distinta dall’ammissione delle richieste.
Tariffe
Tariffe dei metodi Ailoot
POST /v1/audio/speech- Input
- 100,00 USD per 1 milione di caratteri
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
Esempi di richieste
Ailoot · Sintesi vocale
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
Ricevi e salva i risultati
Ailoot · Sintesi vocale
mp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Conserva tutti i risultati completati
Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva il risultato binario completo e gli header. Se vengono restituiti JSON o più output, conserva ogni elemento data e recupera ogni URL firmato effettivo della risorsa.
Se occorre verificare la risposta originale
Conserva operation_id/X-Client-Request-ID originale per la riconciliazione senza reinvio; non esiste una rotta dedicata al polling audio.
Campi della risposta
| Campo | Tipo |
|---|---|
Campobinary audio | Tipobytes |
Camporesponse headers | Tipoheaders |
Errori e passaggi successivi
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Rispostaserver_error | CondizioneLa risposta restituita indica che l'operazione o il risultato richiede una verifica | Passaggio successivoConserva l'ID originale di operazione/task restituito, gli header della richiesta e la risposta; continua a leggere l'operazione originale tramite le modalità supportate. Non reinviare la richiesta di creazione. |
Alias
Alias del modello
Ailoot speech-2.6-hd
Alias dei percorsi dei metodi
Usa i percorsi dei metodi indicati sopra.
ID di chiamata correlati
FAQ · speech-2.6-hd
- Quali input e risultati sono disponibili?
POST /v1/audio/speech·speech-2.6-hd:text→speech- Quali campi usa la richiesta?
POST /v1/audio/speech·speech-2.6-hd:model,input,voice,response_format