speech-02-hd
Speech-02 HDは、音質と声の類似性を重視した音声合成モデルです。
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。
読み上げと長い朗読のための声
Speech 02 HDは、品質、リズム、音声の安定性を重視して発話を作成します。メーカーは、長いテキストを通じて声の個性と滑らかさを保つ必要がある、素材の読み上げとオーディオブックを特徴として挙げています。テキストを受け取り、発話の音声に変換する合成モデルです。
テキストと声質の組み合わせ
Speech 02ファミリーの基盤は、自己回帰型のTransformer構造と、学習可能な話者エンコーダです。声の特徴を内容と合わせるため、声質の抽出と発話生成を共同で学習しています。ファミリーの機能には、準備済みの複製した声の利用と、言語、アクセント、発音の仕方の組み合わせがあります。
感情と多言語の読み上げ
感情表現は、テキストの意味から判断することも、手動で指定することもできます。喜び、悲しみ、怒り、恐れ、嫌悪、驚き、落ち着きを利用できます。ロシア語、英語、その他の言語を扱います。メーカーは、英語のさまざまなアクセント、中国語、広東語、日本語、韓国語、欧州の言語、その他の言語を説明しています。
現在のSpeech 02の説明では、ペルシャ語、フィリピン語、タミル語を個別に除外しています。より新しいSpeech世代の一般的な言語一覧を、このバージョンに自動的に適用してはいけません。
声の設定
合成では、声の選択、速度の0.5〜2の変更、音量の0超から10まで、ピッチの−12〜12の変更が用意されています。発音辞書では、表記を必要な読み方に置き換えられ、発音表記や日本語の読み方に対応しています。名前や読み方が曖昧な単語を、どのように発話するかを制御するのに役立ちます。
間と完成した音声
メーカーは、発話部分の間に0.01〜99.99秒の間を指定する機能を用意しています。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。一回の同期リクエストのテキストは、10 000文字未満である必要があります。音声の一括取得と段階的な取得が用意されており、3000文字を超えるテキストにはストリーミング出力が推奨されます。
モデルの形式には、MP3、WAV、FLAC、PCMがあります。合成の共通設定では、OpusとG.711 μ-lawのバリエーションも説明しています。モノラルまたはステレオを使用できます。このカードではテキストの読み上げを利用でき、声の別途準備や拡張設定は、Ailoot経由で対応するアクセス方法の範囲内でのみ適用されます。
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 · 音声合成 POST /v1/audio/speech speech-02-hd
speech-02-hdはじめに
Speech-02 HDは、音質と声の類似性を重視した音声合成モデルです。
- 対応する入力
- テキスト
- 結果
- speech
Ailootで利用可能 · 入力とメソッド
Ailoot · 音声合成 POST /v1/audio/speech
- 入力の種類
text- 出力の種類
speech- 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 speech-02-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 最大の長さ（上限値を含まない）: 10,000 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 パターン: ^[A-Za-z0-9_-]{1,128}$ | デフォルト— |
フィールドresponse_format | 種類string | 要件任意 | 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material_types | 仕様text |
パラメータrequired | 仕様null |
パラメータoptional_controls | 仕様null |
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}
メソッドの形式とIDは正確に記載しています。供給元の対応能力とリクエストの受け入れは別です。
料金
Ailootのメソッド料金
POST /v1/audio/speech- 入力
- $100.00 1百万文字あたり
Ailootはリクエスト前に見積額を確保します。結果の取得後、実測使用量に基づいて最終料金を精算します。ストリーミング時の精算には最終の使用量記録を使用します。金額の確保と精算の仕組み →
リクエスト例
Ailoot · 音声合成
set -eu
: "${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-02-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
結果を受け取って保存
Ailoot · 音声合成
mp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /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。
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 speech-02-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。
関連する呼び出し用ID
FAQ · speech-02-hd
- 利用できる入力と結果は何ですか？
POST /v1/audio/speech·speech-02-hd:text→speech- リクエストはどの項目を使用しますか？
POST /v1/audio/speech·speech-02-hd:model,input,voice,response_format