MiniMax: Speech 01 Turbo
MiniMax Speech 01 Turboは、同期のaudio_speechリクエストで渡したテキストを読み上げ、音声を生成します。10,000文字未満のテキストを受け付け、声、速度、音の高さを設定でき、MP3、PCM、FLAC、WAVで出力します。
モデルについて
この説明はモデルの機能を紹介するものです。Ailootで利用できる入力、出力、オプションは、選択したメソッドごとに以下に記載されています。
MiniMax Speech 01 Turboは、渡したテキストを音声に変換します。正確なAilootモデルIDはminimax/speech-01-turboで、文書に記載された音声合成の選択識別子はspeech-01-turboです。すでに文面があるボイスオーバー、音声レッスン、商品説明、ナレーションの下書きにaudio_speechメソッドを使用します。入力は読み上げる文章で、結果は選択した音声形式の合成音声です。
語句のまとまりを反映する句読点を入れ、実際に読み上げる言葉としてテキストを準備します。ナレーションの下書きでは、声の設定を選ぶ前に、最終的な文の順序と名前の表記を用意してください。演出指示は、その言葉自体を録音に含める場合を除き、読み上げる文章から分けます。結果に含まれる重要な名前、数値、つなぎの部分を聴き、元のテキストと比較してください。
textは10,000文字未満である必要があります。公開された音声合成の契約ではmodelとtextが必須です。長い資料では、その上限内に収まる文章を準備し、編集用に順序を保持します。同期プロフィールは完全な応答を使用し、文書上の既定値はstream=falseです。一般的なAPIにはストリーミングの選択肢も記載されていますが、このカードで選択されているメソッドは同期の音声ワークフローです。
voice_settingは利用可能なvoice_idを選び、speed、vol、pitchを制御します。文書上のspeedの範囲は0.5～2で、既定値は1です。volは0より大きく10以下で、既定値は1です。pitchは-12から12までの整数で、既定値は0です。各設定を文章に合わせてください。数値を変更すれば特定の表現になると決めつけず、実際の録音の読み上げ速度と聴き取りやすさを比較します。
文書に記載されたemotion値はhappy、sad、angry、fearful、disgusted、surprised、calm、fluentです。テキストでもモデルの感情を導けます。text_normalizationは中国語と英語の数値読み上げの準備を行う独立したブール値の設定で、latex_readはLaTeX数式の読み上げを制御します。どちらも既定値はfalseです。pronunciation_dict.toneには、文書化された発音置換規則を指定できます。長いナレーションに使用する前に、結果の音声で名前や専門表現を確認してください。
audio_setting.formatはmp3、pcm、flac、wavを受け付け、既定値はmp3です。sample_rateは8000、16000、22050、24000、32000、44100を受け付け、既定値は32000です。bitrateは32000、64000、128000、256000を受け付け、既定値は128000で、MP3に適用されます。channelは1でモノラル、2でステレオを選び、既定値は1です。返されたファイルを意図する編集先や再生先に照らして確認できるよう、これらの選択を元の文章と一緒に保持します。
ほかの文書化された設定にはlanguage_boostがあり、正確な選択肢にはEnglish、Russian、Chinese、Chinese,Yueが含まれます。文章に合う、実際に記載された値を選んでください。timber_weightsは既存のvoice_id項目を、1から100までの整数weight値で組み合わせられます。公開されたsound_effects値はspacious_echo、auditorium_echo、lofi_telephone、roboticです。これらは選んだ声を調整する省略可能な設定です。読み上げを比較する際は、実際の設定を記録してください。
同期の結果には生成された音声が含まれます。output_formatはurlまたはhexを選び、音声合成スキーマの既定値はhexです。URL結果が参照するファイルをダウンロードするか、hex結果を音声バイトにデコードしてから再生してください。形式、サンプルレート、チャンネル数、サイズを含む返却音声のメタデータを録音とともに保持します。subtitle_enableの既定値はfalseで、有効にした場合は非ストリーミング出力にのみ適用されます。元資料では、このプロフィールの字幕ファイル形式は確定されていません。
元の文章、正確なモデルID、選んだ声、完成した録音を一緒に保存します。動画、レッスン、音声ガイドに組み込む前に、読み上げ全体で、意図する文面、間、選択した読み方の設定を確認してください。応答が不完全な場合は、別の録音を求める前に結果を照合できるよう、元のリクエスト識別情報と返された情報を保持します。後の修正では、比較を明確にするため原稿のほかの部分を維持しながら、特定の語句や声の設定を変更できます。
Ailoot Ultra · Speech POST /v1/audio/speech minimax/speech-01-turbo
minimax/speech-01-turboはじめに
MiniMax Speech 01 Turboは、同期のaudio_speechリクエストで渡したテキストを読み上げ、音声を生成します。10,000文字未満のテキストを受け付け、声、速度、音の高さを設定でき、MP3、PCM、FLAC、WAVで出力します。
- 対応する入力
- テキスト
- 結果
- 音声
Ailootで利用可能 · 入力とメソッド
Ailoot Ultra · Speech POST /v1/audio/speech
- 入力の種類
text- 出力の種類
audio- 出力形式
- mp3,pcm,flac,wav
| フィールド | 種類 | 要件 | 値と制限 | デフォルト |
|---|---|---|---|---|
フィールドmodel | 種類string | 要件必須 | 値と制限 minimax/speech-01-turbo | デフォルト— |
フィールドtext | 種類string | 要件必須 | 値と制限 | デフォルト— |
フィールドstream | 種類boolean | 要件任意 | 値と制限 false | デフォルトfalse |
フィールドvoice_setting | 種類object | 要件任意 | 値と制限 | デフォルト— |
フィールドvoice_setting.voice_id | 種類string | 要件任意 | 値と制限 | デフォルト— |
フィールドvoice_setting.speed | 種類number | 要件任意 | 値と制限 最小値: 0.5 最大値: 2 | デフォルト1 |
フィールドvoice_setting.vol | 種類number | 要件任意 | 値と制限 最小値: 0 最大値: 10 | デフォルト1 |
フィールドvoice_setting.pitch | 種類integer | 要件任意 | 値と制限 最小値: -12 最大値: 12 | デフォルト0 |
フィールドvoice_setting.emotion | 種類string | 要件任意 | 値と制限 happy, sad, angry, fearful, disgusted, surprised, calm, fluent | デフォルト— |
フィールドvoice_setting.text_normalization | 種類boolean | 要件任意 | 値と制限 | デフォルトfalse |
フィールドvoice_setting.latex_read | 種類boolean | 要件任意 | 値と制限 | デフォルトfalse |
フィールドaudio_setting | 種類object | 要件任意 | 値と制限 | デフォルト— |
フィールドaudio_setting.sample_rate | 種類integer | 要件任意 | 値と制限 8,000, 16,000, 22,050, 24,000, 32,000, 44,100 | デフォルト32,000 |
フィールドaudio_setting.bitrate | 種類integer | 要件任意 | 値と制限 32,000, 64,000, 128,000, 256,000 | デフォルト128,000 |
フィールドaudio_setting.format | 種類string | 要件任意 | 値と制限 mp3, pcm, flac, wav | デフォルトmp3 |
フィールドaudio_setting.channel | 種類integer | 要件任意 | 値と制限 1, 2 | デフォルト1 |
フィールドaudio_setting.force_cbr | 種類boolean | 要件任意 | 値と制限 | デフォルトfalse |
フィールドpronunciation_dict | 種類object | 要件任意 | 値と制限 | デフォルト— |
フィールドpronunciation_dict.tone | 種類array | 要件任意 | 値と制限 | デフォルト— |
フィールドtimber_weights | 種類array | 要件任意 | 値と制限 | デフォルト— |
フィールドlanguage_boost | 種類string | 要件任意 | 値と制限 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, auto | デフォルト— |
フィールドvoice_modify | 種類object | 要件任意 | 値と制限 | デフォルト— |
フィールドvoice_modify.pitch | 種類integer | 要件任意 | 値と制限 -100, 100 | デフォルト— |
フィールドvoice_modify.intensity | 種類integer | 要件任意 | 値と制限 -100, 100 | デフォルト— |
フィールドvoice_modify.timbre | 種類integer | 要件任意 | 値と制限 -100, 100 | デフォルト— |
フィールドvoice_modify.sound_effects | 種類string | 要件任意 | 値と制限 spacious_echo, auditorium_echo, lofi_telephone, robotic | デフォルト— |
フィールドsubtitle_enable | 種類boolean | 要件任意 | 値と制限 | デフォルトfalse |
フィールドoutput_format | 種類string | 要件任意 | 値と制限 url, hex | デフォルトhex |
フィールドaigc_watermark | 種類boolean | 要件任意 | 値と制限 | デフォルトfalse |
メソッドのパラメータとライフサイクル
| パラメータ | 仕様 |
|---|---|
パラメータcontent_type | 仕様application/json |
パラメータrequired | 仕様model, text |
パラメータoptional | 仕様stream, voice_setting, audio_setting, pronunciation_dict, timber_weights, language_boost, voice_modify, subtitle_enable, output_format, aigc_watermark |
パラメータmaterial_types | 仕様text |
パラメータconditions | 仕様Use text, not input or contents. Fewer than 10000 Unicode characters; stream is false or omitted., PCM is raw audio with its returned sample geometry; do not invent a WAV header or bit depth. |
ライフサイクル: synchronous_result_then_owned_library
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
料金
料金情報はリクエストの機能を追加しません。対応するパラメーターは選択したメソッドに記載されています。
- 高速モード
- 未指定 高速モードが選択されている場合
- Flex モード
- 未指定 flex モードが選択されている場合
- 最大推論量
- 未指定 推論量が最大で、調整に既定値（default）を使用する場合
Ailootの料金
設定別の価格
各料金を表示された条件と照合してください。選択肢となる設定の各組には、いずれか1つの料金を適用します。
| 設定 | 料金表 | 課金単位 | 料金 |
|---|---|---|---|
| 設定基本トークン料金 | 料金表基本料金 | 課金単位— | 料金 入力 · 入力トークン — / 1K トークン 出力 · 出力トークン — / 1K トークン 入力 · キャッシュ読み取り — / 1K トークン 入力 · キャッシュ書き込み — / 1K トークン 入力 · キャッシュ書き込み、1時間 — / 1K トークン |
| 設定入力文字 | 料金表— | 課金単位入力文字あたり | 料金 入力 · 入力文字 $0.00006 入力文字あたり |
Ailootはリクエスト前に見積額を確保します。結果の取得後、実測使用量に基づいて最終料金を精算します。ストリーミング時の精算には最終の使用量記録を使用します。金額の確保と精算の仕組み →
リクエスト例
Ailoot Ultra · Speech
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
export AILOOT_API_KEY
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "minimax/speech-01-turbo", "text": "Hello, this is a short speech example.", "stream": false, "output_format": "hex", "audio_setting": {"format": "mp3", "sample_rate": 32000, "channel": 1}}')
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 result.json
# Submit once. Retain the complete result, original identifiers and every response header.
結果を受け取って保存
Ailoot Ultra · Speech
mp3,pcm,flac,wav
GET /v1/media/assetsGET /v1/media/assets/{asset_id}
完了した結果をすべて保存
返された完全なレスポンス、ファイル、コンテンツ部分をすべて保存してください。
Retain the full JSON. Decode every hex audio byte or use the returned owned URL. Keep the actual format, sample rate, channel count and usage_characters.
元のレスポンスを確認する場合
Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.
レスポンスのフィールド
| フィールド | 種類 |
|---|---|
フィールドdata.audio | 種類string |
フィールドextra_info | 種類object |
フィールドtrace_id | 種類string |
エイリアス
モデルのエイリアス
Ailoot Ultra minimax/speech-01-turbo
メソッドパスのエイリアス
上記に表示されたメソッドパスを使用してください。
関連する呼び出し用ID
FAQ · MiniMax: Speech 01 Turbo
- 利用できる入力と結果は何ですか？
POST /v1/audio/speech·minimax/speech-01-turbo:text→audio- リクエストはどの項目を使用しますか？
POST /v1/audio/speech·minimax/speech-01-turbo:model,text,stream,voice_setting,audio_setting,pronunciation_dict,timber_weights,language_boost,voice_modify,subtitle_enable,output_format,aigc_watermark- どの制限が適用されますか？
POST /v1/audio/speech·minimax/speech-01-turbo:voice_setting.speed.minimum:0.5;voice_setting.speed.maximum:2;voice_setting.vol.minimum:0;voice_setting.vol.maximum:10;voice_setting.pitch.minimum:-12;voice_setting.pitch.maximum:12