MiniMax: Speech 2.8 HD

Speech 2.8 HDは、感情と、呼吸や笑いなどの音声の細部を制御し、表現豊かな発話を合成します。

Ailoot Ultra · 音声合成 POST /v1/audio/speech minimax/speech-2.8-hd

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。

小さな音の細部を含む生き生きした発話

Speech 2.8 HDは、自然で明瞭な音声に向けられています。この世代の主な特徴は、笑い、軽い笑い、呼吸、吸気、呼気、ため息、咳、喉を払う音、その他の短い音など、会話の細部を発話に加えられる音声マーカーです。すべてのフレーズを均一なナレーションにするのではなく、生きた発話のリズムや間を伝えるのに役立ちます。

マーカーは、モデルに指定された形式でテキストに挿入します。例えば、(chuckle)、(breath)、(sighs)は、それぞれ対応する音声動作を示します。音声マーカーの機能は、Speech 2.8に関するものです。音声合成の中の声の細部であり、独立した音楽や音響作品の生成ではありません。

声質と明瞭さ

メーカーは、声の質感、呼吸、発音の仕方など、特徴の伝達を重視しています。ファミリーの機能には、準備済みの複製した声を使う合成があります。その声の作成は別の処理です。Speech 2.8では、背景の雑音やデジタルな歪みを減らすため、処理も見直されています。

言語と表現力

Speech 2.8は、ロシア語を含む40言語に対応しています。メーカーは、中国語と日本語を組み合わせた言語間の発音の改善を個別に説明しています。この用途は、異なる言語を使う際の自然な音声の保持に関するもので、テキストの自動翻訳ではありません。

MiniMaxは、声の選択と、速度、音量、ピッチの制御を用意しています。速度は0.5〜2、音量は0超から10まで、ピッチの変更は−12〜12です。感情は、テキストの意味に基づくモデルの判断に任せるか、喜び、悲しみ、怒り、恐れ、嫌悪、驚き、落ち着きを手動で指定できます。

発音は、置換辞書や発音表記で調整できます。国際音声記号、中国語のピンイン、日本語の読み方が用意されています。発話部分の間には、0.01〜99.99秒の間を指定します。間の長さは、小数点以下二桁の精度で指定します。マーカーは発話部分の間に置き、連続して並べません。名前、略語、読み方が曖昧な単語の音声を、読み上げの意図に合わせるための設定です。

音声の結果

合成では、10 000文字未満のテキストを受け取ります。3000文字を超える長いテキストでは、メーカーはストリーミング出力を推奨しています。完成した音声を一括取得する方法も用意されています。共通の合成設定には、MP3、PCM、FLAC、WAV、Opus、G.711 μ-lawのバリエーション、モノラル、ステレオがあります。個々のリクエストで利用できる形式は、Ailootの手段によって決まります。

このカードは、テキストを発話の音声に変換します。声の設定機能は、MiniMaxのモデルを説明するものです。声の複製の作成、独立した字幕、特殊な接続方法は、読み上げリクエストに自動的に含まれるわけではありません。

追加の音声設定には、8、16、22.05、24、32、44.1キロヘルツのサンプリング周波数があります。MP3には、32、64、128、256キロビット毎秒のビットレートが用意されています。声の響きを変え、広い空間のエコー、ホールのエコー、電話の音、ロボットの声のいずれか一つの効果も適用できます。声の変更効果は、音声を一括取得する場合はMP3、WAV、FLAC、ストリーミング出力ではMP3のみに対応しています。G.711 μ-law形式は、8キロヘルツを使用します。これらの機能は、MiniMaxの合成設定に関するものです。

メーカーは、発話とテキストの同期として、文ごと、単語ごと、段階的な出力時の単語ごとのタイムスタンプを用意しています。発話とテキスト表示を合わせるのに役立つ結果です。この追加機能には、対応する応答形式への支援が必要です。

Ailoot Ultra · 音声合成 POST /v1/audio/speech minimax/speech-2.8-hd

minimax/speech-2.8-hd

MiniMax /minimax/speech-2.8-hd

はじめに

Speech 2.8 HDは、感情と、呼吸や笑いなどの音声の細部を制御し、表現豊かな発話を合成します。

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 · 音声合成 POST /v1/audio/speech

入力の種類: text
出力の種類: audio
出力形式: mp3

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-2.8-hd	デフォルト—
フィールド`input`	種類`string`	要件必須	値と制限最小の長さ: 1 単位: Unicode 文字	デフォルト—
フィールド`voice`	種類`string`	要件必須	値と制限 English_expressive_narrator, English_radiant_girl, English_magnetic_voiced_man, English_compelling_lady1, English_Aussie_Bloke, English_captivating_female1, English_Upbeat_Woman, English_Trustworth_Man, English_CalmWoman, English_UpsetGirl, English_Gentle-voiced_man, English_Whispering_girl, English_Diligent_Man, English_Graceful_Lady, English_ReservedYoungMan, English_PlayfulGirl, English_ManWithDeepVoice, English_MaturePartner, English_FriendlyPerson, English_MatureBoss, English_Debator, English_LovelyGirl, English_Steadymentor, English_Deep-VoicedGentleman, English_Wiselady, English_CaptivatingStoryteller, English_DecentYoungMan, English_SentimentalLady, English_ImposingManner, English_SadTeen, English_PassionateWarrior, English_WiseScholar, English_Soft-spokenGirl, English_SereneWoman, English_ConfidentWoman, English_PatientMan, English_Comedian, English_BossyLeader, English_Strong-WilledBoy, English_StressedLady, English_AssertiveQueen, English_AnimeCharacter, English_Jovialman, English_WhimsicalGirl, English_Kind-heartedGirl	デフォルト—
フィールド`response_format`	種類`string`	要件必須	値と制限 mp3	デフォルト—

入力素材の組み合わせ

text_to_speech · 必須: input

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, input, voice, response_format
パラメータ`voice_ids`	仕様English_expressive_narrator, English_radiant_girl, English_magnetic_voiced_man, English_compelling_lady1, English_Aussie_Bloke, English_captivating_female1, English_Upbeat_Woman, English_Trustworth_Man, English_CalmWoman, English_UpsetGirl, English_Gentle-voiced_man, English_Whispering_girl, English_Diligent_Man, English_Graceful_Lady, English_ReservedYoungMan, English_PlayfulGirl, English_ManWithDeepVoice, English_MaturePartner, English_FriendlyPerson, English_MatureBoss, English_Debator, English_LovelyGirl, English_Steadymentor, English_Deep-VoicedGentleman, English_Wiselady, English_CaptivatingStoryteller, English_DecentYoungMan, English_SentimentalLady, English_ImposingManner, English_SadTeen, English_PassionateWarrior, English_WiseScholar, English_Soft-spokenGirl, English_SereneWoman, English_ConfidentWoman, English_PatientMan, English_Comedian, English_BossyLeader, English_Strong-WilledBoy, English_StressedLady, English_AssertiveQueen, English_AnimeCharacter, English_Jovialman, English_WhimsicalGirl, English_Kind-heartedGirl
パラメータ`response_format`	仕様mp3
パラメータ`max_input_characters`	仕様null
パラメータ`other_options`	仕様false
パラメータ`input`	仕様正確なUTF-8テキスト。正規化せずにUnicode文字数を数えます
パラメータ`material_types`	仕様text

ライフサイクル: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · 実際に返された task_id またはメディアライブラリのレコード

GET /v1/media/assets/{asset_id}/content

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

このモデルのプロファイルから、使用する音声を正確に選択してください。

入力文字数と音声の秒数は、別の計測単位です。

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	課金対象の数量	課金単位	料金
設定基本トークン料金	料金表基本料金	課金対象の数量—	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Ultra	料金表—	課金対象の数量漢字を含め、Unicodeコードポイント1つを1文字として数えます。	課金単位1K入力文字あたり	料金入力 · 入力文字 $0.2 1K入力文字あたり

参考料金の詳細

モデル単位の参照料金表は、メソッド選択、見積もり、課金を変更しません。実際の課金には、選択したAilootメソッドの料金を適用します。

MiniMax: Speech 2.8 HD

設定別の価格

設定	課金条件	料金
設定MiniMax: Speech 2.8 HD · 標準設定	課金条件デフォルト設定	料金入力 · 入力文字数 $0.0002 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 · 音声合成

curl

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_VOICE_ID:?Choose an accepted voice ID from this exact model profile}"
export AILOOT_VOICE_ID
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "minimax/speech-2.8-hd", "input": "Good afternoon! This is a short voice take."}')
voice=os.environ["AILOOT_VOICE_ID"]
allowed=json.loads('["English_expressive_narrator", "English_radiant_girl", "English_magnetic_voiced_man", "English_compelling_lady1", "English_Aussie_Bloke", "English_captivating_female1", "English_Upbeat_Woman", "English_Trustworth_Man", "English_CalmWoman", "English_UpsetGirl", "English_Gentle-voiced_man", "English_Whispering_girl", "English_Diligent_Man", "English_Graceful_Lady", "English_ReservedYoungMan", "English_PlayfulGirl", "English_ManWithDeepVoice", "English_MaturePartner", "English_FriendlyPerson", "English_MatureBoss", "English_Debator", "English_LovelyGirl", "English_Steadymentor", "English_Deep-VoicedGentleman", "English_Wiselady", "English_CaptivatingStoryteller", "English_DecentYoungMan", "English_SentimentalLady", "English_ImposingManner", "English_SadTeen", "English_PassionateWarrior", "English_WiseScholar", "English_Soft-spokenGirl", "English_SereneWoman", "English_ConfidentWoman", "English_PatientMan", "English_Comedian", "English_BossyLeader", "English_Strong-WilledBoy", "English_StressedLady", "English_AssertiveQueen", "English_AnimeCharacter", "English_Jovialman", "English_WhimsicalGirl", "English_Kind-heartedGirl"]')
if voice not in allowed: raise SystemExit("Choose an accepted voice ID from this exact model profile")
p["voice"]=voice
p["response_format"]="mp3"
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

結果を受け取って保存

Ailoot Ultra · 音声合成

mp3

GET /v1/media/tasks/{task_id}
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}

その他のコンテンツ取得

メディアライブラリタスクのステータスアセットの詳細

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-assets.json

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_MEDIA_TASK_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_MEDIA_TASK_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_MEDIA_TASK_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/tasks/$resource_id" \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-task.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-task.json").read_text())))
PY_RESULT

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_ASSET_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_ASSET_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_ASSET_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/assets/$resource_id" \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-asset.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-asset.json").read_text())))
PY_RESULT

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。

バイナリ結果の全体とヘッダーを保存してください。JSON または複数の出力が返された場合は、すべてのデータ項目を保存し、実際に返された署名付きアセット URL から各アセットを取得してください。

元のレスポンスを確認する場合

再送せずに照合できるよう、元の operation_id/X-Client-Request-ID を保存してください。音声専用のポーリングルートはありません。

レスポンスのフィールド

フィールド	種類
フィールド`binary audio`	種類bytes
フィールド`response headers`	種類headers

エラーと次の手順

レスポンス	条件	次の手順
レスポンス400 · `invalid_request_error`	条件必須フィールド、素材の表現形式、またはパラメーター値が不正です	次の手順新しい生成リクエストを送る前に、指定されたフィールドを修正してください。
レスポンス`server_error`	条件返されたレスポンスは、操作または結果の確認が必要であることを示しています	次の手順最初に返された操作／タスク ID、リクエストヘッダー、レスポンスを保存し、その元の操作に対してサポートされている読み取りを継続してください。作成リクエストを再送しないでください。

エイリアス

モデルのエイリアス

Ailoot Ultra minimax/speech-2.8-hd

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。

MiniMax: Speech 2.8 HD