speech-2.6-hd
Speech 2.6 HDは、自然さと声の類似性を重視した、高品質な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。
やり取りのための自然な声
Speech 2.6 HDは、自然な音声合成と、応答を素早く開始することが重要な用途に向けられています。メーカーは、イントネーション、発話の滑らかさ、発話前のテキスト処理を重視しています。HD版は音質を重視し、このカードの入力はテキスト、出力は発話の音声です。
特殊な表記を読み上げる
Speech 2.6世代は、ウェブアドレス、メールアドレス、電話番号、日付、金額など、業務メッセージでよく使う表記を処理できます。耳で聞いても発話が理解できるよう、読み上げる形式に変換します。メーカーは、複数の言語でこうしたタスクを説明しています。
声質を保ちながら滑らかに話す
Speech 2.6には、滑らかさを高めるFluent LoRAモードが用意されています。準備済みの声を使う合成に向けられており、元のサンプルが不均一だったりアクセントを含んでいたりする場合でも、声質を保ち、よりつながりのよい発話を作るのに役立ちます。複製した声の準備と、読み上げでの利用は、異なる動作です。
ロシア語を含む40言語に対応しています。七つの基本的な感情状態に加え、Speech 2.6には滑らかな発話のfluentと、ささやきのwhisperが用意されています。感情を指定しない場合、テキストの意味から選びます。
発話の設定
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。
テキストの長さと音声
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。
MiniMaxによると、この世代は音声の用途で低遅延を目指しています。これはモデルについての説明です。個々の応答時間や拡張設定の利用可否は、Ailootで選択したアクセス方法によって決まります。
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-2.6-hd
speech-2.6-hdはじめに
Speech 2.6 HDは、自然さと声の類似性を重視した、高品質な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-2.6-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-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
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-2.6-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-2.6-hd
- 利用できる入力と結果は何ですか？
POST /v1/audio/speech·speech-2.6-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-2.6-hd:model,input,voice,response_format