speech-2.6-turbo
Speech 2.6 Turboは、多言語の発話を合成し、応答の低遅延を目指しています。
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。
音声の処理で使う発話
Speech 2.6 Turboは、速度を重視した音声合成のバリエーションです。メーカーは、テキストを段階的に応答へ変える、音声アシスタントや対話的な用途を説明しています。Speech 2.6世代の自然なイントネーションを保ち、特殊な表記を処理できます。
正確に読み上げるテキスト
モデルは、日付、電話番号、金額、ウェブアドレス、メールアドレスを、それぞれ事前に手動で書き換えることなく読み上げるために作られています。通常の単語とともに数値や表記が現れる、動的なメッセージで有用な解析です。メーカーは、複数の言語でこうした形式の処理を説明しています。
滑らかさと感情の制御
Speech 2.6はFluent LoRAに対応しています。識別できる声質を保ちながら、テキストをより滑らかに発話します。この機能は、準備済みの声の利用に関するものです。声の複製の別途準備は、通常のテキストリクエストには含まれません。ファミリーには、ロシア語を含む40言語があります。
Turboには、七つの基本的な感情と、追加モードのfluentとwhisperが用意されています。内容から感情表現を選ぶことも、指定した状態を使うこともできます。音声の深さや速度は、テキストとは独立して変更できます。
声、間、発音
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。
音声を取得する
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Ailootのカードでは、テキストを発話の音声に変換します。Turboの用途は合成の速度に関係しますが、ここでは一定の応答時間を約束していません。挙げられた設定は、メーカーの機能を示すもので、利用可能なアクセス方法の範囲内で適用されます。
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-2.6-turbo
speech-2.6-turboはじめに
Speech 2.6 Turboは、多言語の発話を合成し、応答の低遅延を目指しています。
- 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-turbo | 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
- $60.00 1百万文字あたり
Ailootはリクエスト前に見積額を確保します。結果の取得後、実測使用量に基づいて最終料金を精算します。ストリーミング時の精算には最終の使用量記録を使用します。金額の確保と精算の仕組み →
リクエスト例
Ailoot · 音声合成
set -eu
: "${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-turbo", "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-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 · speech-2.6-turbo
- 利用できる入力と結果は何ですか？
POST /v1/audio/speech·speech-2.6-turbo: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-turbo:model,input,voice,response_format