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。
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。
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。
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。
", "aboutText": "### 小さな音の細部を含む生き生きした発話\n\nSpeech 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。\n\n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。\n\n### 声質と明瞭さ\n\n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。\n\n### 言語と表現力\n\nSpeech 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。\n\nMiniMax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。\n\n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。\n\n### 音声の結果\n\n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。\n\n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。\n\n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。\n\n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。", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "6ccaba4ba002b2f7581babb51cb90399fb687073c3d8740a8d9ff3326a89987b", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ja", "methods": [ { "html": "speech-2.8-hdSpeech 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。
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。
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。
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。
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。
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。
POST /v1/audio/speechtextspeech| 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-2.8-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 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— |
text_to_speech · 必須: input
| 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。
POST /v1/audio/speechAiloot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 →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 narration script}"\nexport AILOOT_TEXT_FILE\n: "${AILOOT_VOICE_ID:?Set the actual accepted voice ID for this model}"\nexport AILOOT_VOICE_ID\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "speech-2.8-hd", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=text\nimport re\nvoice=os.environ["AILOOT_VOICE_ID"]\nif not re.fullmatch(r"[A-Za-z0-9_-]{1,128}",voice):raise SystemExit("Set an actual accepted voice ID")\np["voice"]=voice\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o speech.mp3\nmp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}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。
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。
| 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 |
| 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。 |
Ailoot speech-2.8-hd, minimax-speech, minimax-speech-latest
上記に表示されたメソッドパスを使用してください。
minimax-speechSpeech 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。
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。
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。
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。
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。
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。
POST /v1/audio/speechtextspeech| 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 | 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— |
text_to_speech · 必須: input
| 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。
POST /v1/audio/speechAiloot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 →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 narration script}"\nexport AILOOT_TEXT_FILE\n: "${AILOOT_VOICE_ID:?Set the actual accepted voice ID for this model}"\nexport AILOOT_VOICE_ID\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "minimax-speech", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=text\nimport re\nvoice=os.environ["AILOOT_VOICE_ID"]\nif not re.fullmatch(r"[A-Za-z0-9_-]{1,128}",voice):raise SystemExit("Set an actual accepted voice ID")\np["voice"]=voice\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o speech.mp3\nmp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}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。
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。
| 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 |
| 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。 |
Ailoot speech-2.8-hd, minimax-speech, minimax-speech-latest
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-latestSpeech 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。
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。
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。
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。
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。
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。
POST /v1/audio/speechtextspeech| 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-latest | 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— |
text_to_speech · 必須: input
| 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。
POST /v1/audio/speechAiloot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 →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 narration script}"\nexport AILOOT_TEXT_FILE\n: "${AILOOT_VOICE_ID:?Set the actual accepted voice ID for this model}"\nexport AILOOT_VOICE_ID\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "minimax-speech-latest", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=text\nimport re\nvoice=os.environ["AILOOT_VOICE_ID"]\nif not re.fullmatch(r"[A-Za-z0-9_-]{1,128}",voice):raise SystemExit("Set an actual accepted voice ID")\np["voice"]=voice\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o speech.mp3\nmp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}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。
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。
| 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 |
| 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。 |
Ailoot speech-2.8-hd, minimax-speech, minimax-speech-latest
上記に表示されたメソッドパスを使用してください。