MiniMax: Speech 2.6 HD

Speech 2.6 HDは、model: "minimax/speech-2.6-hd"で選択する正確なMiniMaxの音声版です。modelと読み上げるtextを含むapplication/jsonのボディでPOST /v1/audio/speechを使用します。入力は文章による原稿で、結果は合成音声です。学習用の文章なら、読み上げる正確な説明と例を準備します。商品の操作案内では、画面上の手順と同じ順序で読み上げ内容を書いてください。ナレーション原稿には完全な文と意図した句読点を含められます。読み上げない編集上の指示はtextの外に置きます。

textフィールドには空白以外の文字を含め、Unicodeで10,000文字未満にします。読み上げる原稿全体をstream:falseで送るか、streamを省略してください。長い資料は、それぞれ単独でまとまった原稿区間に分けてから、区間ごとに送信します。文書を使用するには実際の内容を読み、関連する文章をtextに入れます。文書のURLは原稿の代わりにはなりません。

voice_setting.voice_idで声を選択します。文書に記載された声の分類には、システムの声と、すでに作成済みのクローン音声やテキストで設計した音声があります。選択した分類で有効なvoice IDを使用してください。例で使われている声はaudiobook_male_1です。同じオブジェクトで、0.5から2までのspeed、0より大きく10以下のvol、-12から12までの整数pitchを制御します。既定値はそれぞれ1、1、0です。これらは読み上げ方の異なる側面を調整するため、名前を原稿に記すのではなく、個別に選択してください。

voice_setting.emotionはhappy、sad、angry、fearful、disgusted、surprised、calm、fluentを受け付けます。文書には、テキストから感情を自動で合わせる動作も記載されています。数値が多い原稿では、voice_setting.text_normalizationが中国語と英語のテキスト正規化を有効にし、既定値はfalseです。voice_setting.latex_readはLaTeX式の読み上げを制御し、これも既定値はfalseです。pronunciation_dict.toneは発音規則の文字列配列です。公開例は["草地/(cao3)(di1)"]です。規則を指定するときは、単語、スラッシュ、括弧で囲まれた発音の構造を維持してください。

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 Hzを受け付け、既定値は32000です。channelは1でモノラル、2で二チャンネルとなり、既定値は1です。bitrateの値は32000、64000、128000、256000ビット/秒で、既定値は128000、mp3に適用されます。結果を使用するプレーヤーや編集ツールに必要なエンコードを選択してください。

language_boostは省略可能な文字列で、既定値はnullです。使用できる値は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です。"Chinese,Yue"は単一の値です。これは原稿やvoice IDとは独立した設定です。スキーマにはvoice_idと整数weightの組のリストを指定するtimber_weightsもあり、各weightは1から100です。リクエストを準備するときは、パラメータの綴りtimber_weightsを維持してください。voice_modify.sound_effectsは省略可能な文字列で、値はspacious_echo、auditorium_echo、lofi_telephone、roboticです。

streamの既定値はfalseです。完全な応答ではoutput_formatでurlまたはhexを選択し、既定値はhexです。文書のJSON結果では、data.audioが選択した表現を格納します。クエリ文字列を含む完全な署名付きAiloot URLからダウンロードするか、完全な十六進数の音声をバイトにデコードしてください。元の結果をdata.status、base_resp、trace_id、extra_infoとともに保持します。extra_infoには実際の音声形式、サンプルレート、チャンネル数、サイズ、usage_charactersが含まれます。

subtitle_enableは既定値falseのブール値で、非ストリーミング出力に適用されます。aigc_watermarkは既定値falseのブール値で、生成音声の最後に入る、聴き取れるリズムマーカーを制御します。返された音声や字幕の結果をすべて保持し、アプリケーションに組み込む前に、発音、数値、完成したファイルを確認してください。配信が不明な場合は、既存の試行を確認するため、元のリクエスト識別子と応答を保持します。Ailootは完成した音声をメディアライブラリにも保存します。output_format:"url"では、data.audioにその保存アセットへの署名付きリンクが含まれ、アセットIDはリンクの/v1/media/assets/{asset_id}/contentパスに現れます。Ailootの署名付きファイルリンクは発行から24時間有効です。同じAPIキーでGET /v1/media/assets?family=audioを使用し、すべてのnext_cursorをたどって音声アセット記録を探します。選んだ各記録に対してGET /v1/media/assets/{asset_id}を読み取り、クエリ文字列を含む正確なcontent_urlからダウンロードしてください。ファイルリクエストが404とコードlink_expiredを返した場合は、同じアセットを再度読み取って更新されたcontent_urlを取得します。期限切れリンクを置き換えるために音声を再生成せず、保存済みの結果を更新してください。