MiniMax: Speech 01 Turbo

MiniMax Speech 01 Turbo берілген мәтінді дыбыстық сөйлеуге айналдырады. Оның Ailoot ішіндегі дәл модель ID мәні — minimax/speech-01-turbo, ал құжатталған синтездеу селекторы — speech-01-turbo. Мәтіні дайын дауыстық сүйемелдеу, дыбыстық сабақ, өнімді түсіндіру немесе баяндаудың алғашқы нұсқасы үшін audio_speech әдісін пайдаланыңыз. Кіріс — оқылатын үзінді, ал нәтиже — таңдалған дыбыс пішіміндегі синтезделген сөйлеу.

Мәтінді айтылуға арналған сөздер ретінде, сөйлем әуезін көрсететін тыныс белгілерімен дайындаңыз. Баяндаудың алғашқы нұсқасы үшін дауыс параметрлерін таңдамас бұрын сөйлемдердің дайын ретін және есімдердің жазылуын беріңіз. Сол сөздер жазбада айтылуға тиіс болмаса, сахналық нұсқауларды айтылатын үзіндіден бөлек ұстаңыз. Нәтижедегі маңызды есімдерді, сандарды және ауысуларды тыңдап, бастапқы мәтінмен салыстырыңыз.

Мәтін 10 000 таңбадан қысқа болуы тиіс. Жарияланған синтездеу келісімі model және text өрістерін талап етеді. Ұзақ материал үшін осы шектегі үзінділерді дайындап, өңдеу үшін ретін сақтаңыз. Синхронды нұсқа толық жауапты пайдаланады, құжатталған әдепкі мән — stream=false. Жалпы API ағынмен жеткізу нұсқаларын да сипаттайды, бірақ осы карточкада таңдалған әдіс — синхронды сөйлеу үдерісі.

voice_setting қолжетімді voice_id таңдап, speed, vol және pitch мәндерін басқарады. Құжатталған speed аралығы — 0.5–2, әдепкі мәні — 1. vol 0 мәнінен үлкен және ең көбі 10 болуы тиіс, әдепкі мәні — 1; pitch — -12 мен 12 аралығындағы бүтін сан, әдепкі мәні — 0. Әр параметр үзіндіге қызмет етсін: сандық өзгеріс белгілі бір орындау мәнерін жасайды деп болжамай, нақты жазбаның оқу қарқыны мен естілуін салыстырыңыз.

Құжатталған emotion мәндері — happy, sad, angry, fearful, disgusted, surprised, calm және fluent. Мәтін де модельдің эмоциясын бағыттай алады. text_normalization — қытай және ағылшын тілдеріндегі сандарды оқуға дайындауға арналған бөлек логикалық параметр, ал latex_read LaTeX формулаларын оқуды басқарады; екеуінің де әдепкі мәні — false. pronunciation_dict.tone құжатталған айтылымды алмастыру ережелерін тасымалдай алады. Есімді немесе арнаулы тіркесті ұзақ баяндауда қолданбас бұрын алынған дыбыстан тексеріңіз.

audio_setting.format mp3, pcm, flac немесе wav қабылдайды, әдепкі мәні — mp3. sample_rate 8000, 16000, 22050, 24000, 32000 немесе 44100 қабылдайды, әдепкі мәні — 32000. bitrate 32000, 64000, 128000 немесе 256000 қабылдайды, әдепкі мәні — 128000 және ол MP3 үшін қолданылады. channel моно үшін 1 немесе стерео үшін 2 таңдайды, әдепкі мәні — 1. Қайтарылған файлды жоспарланған өңдеу не ойнату орнына сәйкестігі бойынша тексере алу үшін осы таңдауларды бастапқы үзіндімен бірге сақтаңыз.

Қосымша құжатталған параметрлерге language_boost кіреді, оның дәл аталған нұсқаларының ішінде English, Russian, Chinese және Chinese,Yue бар; үзінді үшін тізімде нақты көрсетілген мәнді таңдаңыз. timber_weights бар voice_id жазбаларын 1 мен 100 аралығындағы бүтін салмақ мәндерімен біріктіре алады. Жарияланған sound_effects мәндері — spacious_echo, auditorium_echo, lofi_telephone және robotic. Бұлар — таңдалған дауысты қалыптастыруға арналған қосымша параметрлер; оқылымдарды салыстырғанда олардың нақты мәндерін жазыңыз.

Синхронды нәтиже генерацияланған сөйлеуді қамтиды. output_format url немесе hex таңдайды және синтездеу схемасында әдепкі мәні hex болады. URL нәтижесі көрсеткен файлды жүктеп алыңыз немесе ойнату алдында hex нәтижесін дыбыс байттарына декодтаңыз. Қайтарылған дыбыс метадеректерін, соның ішінде пішімін, дискреттеу жиілігін, арна санын және көлемін жазбамен бірге сақтаңыз. subtitle_enable әдепкіде false болады және қосылғанда тек ағынсыз шығысқа қолданылады; бастапқы дереккөз бұл нұсқа үшін субтитр файлының пішімін белгілемейді.

Бастапқы үзіндіні, дәл модель ID мәнін, дауыс таңдауын және дайын жазбаны бірге сақтаңыз. Оны бейнеге, сабаққа немесе дыбыстық нұсқаулыққа қоспас бұрын бүкіл оқылымды көзделген сөздерге, үзілістерге және таңдалған жеткізу параметрлеріне сәйкестігі бойынша тексеріңіз. Жауап толық болмаса, тағы бір жазба сұрамас бұрын салыстырып тексеру үшін бастапқы сұраудың сәйкестендіру деректерін және қайтарылған ақпаратты сақтаңыз. Кейінгі түзетуде анық салыстыру үшін сценарийдің қалған бөлігін сақтай отырып, нақты тіркесті немесе дауыс параметрін өзгертуге болады.