{ "aboutHtml": "

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.

", "aboutText": "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.\n\nМәтінді 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.\n\nМәтін 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.\n\nvoice_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.\n\nҚұжатталған 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.\n\naudio_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.\n\nҚосымша 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.\n\nСинхронды 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.\n\nБастапқы 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "2c35d5c210fc49aa64e4ee6161d96e3ba084c3186ebd7547a51475434dee5384", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "kk", "methods": [ { "html": "
MM

MiniMax: Speech 01 Turbo

MiniMax /minimax/speech-01-turbo

Бастау

MiniMax Speech 01 Turbo берілген мәтінді синхронды audio_speech сұрауы арқылы генерацияланған сөйлеу ретінде оқиды. Ол 10 000 таңбадан қысқа мәтінді қабылдап, MP3, PCM, FLAC немесе WAV шығысымен дауыс, қарқын және үн биіктігі параметрлерін ұсынады.

Қабылданатын кіріс деректері
Мәтін
Нәтижелер
Аудио
Модель туралы

Бұл сипаттама модель мүмкіндіктерін қамтиды. Ailoot жүйесінде таңдалған әдіс үшін қолжетімді кіріс, шығыс және параметрлер төменде берілген.

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.

Ailoot жүйесінде қолжетімді · кіріс деректері мен әдістер

Ailoot Ultra · Speech POST /v1/audio/speech
Кіріс
text
Шығыс
audio
Шығыс пішімі
mp3,pcm,flac,wav
ӨрісТүріТалапМәндер мен шектеулерӘдепкі
ӨрісmodelТүріstringТалапМіндеттіМәндер мен шектеулер
minimax/speech-01-turbo
Әдепкі—
ӨрісtextТүріstringТалапМіндеттіМәндер мен шектеулерӘдепкі—
ӨрісstreamТүріbooleanТалапМіндетті емесМәндер мен шектеулер
false
Әдепкіfalse
Өрісvoice_settingТүріobjectТалапМіндетті емесМәндер мен шектеулерӘдепкі—
Өрісvoice_setting.voice_idТүріstringТалапМіндетті емесМәндер мен шектеулерӘдепкі—
Өрісvoice_setting.speedТүріnumberТалапМіндетті емесМәндер мен шектеулер
Ең азы: 0,5
Ең көбі: 2
Әдепкі1
Өрісvoice_setting.volТүріnumberТалапМіндетті емесМәндер мен шектеулер
Ең азы: 0
Ең көбі: 10
Әдепкі1
Өрісvoice_setting.pitchТүріintegerТалапМіндетті емесМәндер мен шектеулер
Ең азы: -12
Ең көбі: 12
Әдепкі0
Өрісvoice_setting.emotionТүріstringТалапМіндетті емесМәндер мен шектеулер
happy, sad, angry, fearful, disgusted, surprised, calm, fluent
Әдепкі—
Өрісvoice_setting.text_normalizationТүріbooleanТалапМіндетті емесМәндер мен шектеулерӘдепкіfalse
Өрісvoice_setting.latex_readТүріbooleanТалапМіндетті емесМәндер мен шектеулерӘдепкіfalse
Өрісaudio_settingТүріobjectТалапМіндетті емесМәндер мен шектеулерӘдепкі—
Өрісaudio_setting.sample_rateТүріintegerТалапМіндетті емесМәндер мен шектеулер
8 000, 16 000, 22 050, 24 000, 32 000, 44 100
Әдепкі32 000
Өрісaudio_setting.bitrateТүріintegerТалапМіндетті емесМәндер мен шектеулер
32 000, 64 000, 128 000, 256 000
Әдепкі128 000
Өрісaudio_setting.formatТүріstringТалапМіндетті емесМәндер мен шектеулер
mp3, pcm, flac, wav
Әдепкіmp3
Өрісaudio_setting.channelТүріintegerТалапМіндетті емесМәндер мен шектеулер
1, 2
Әдепкі1
Өрісaudio_setting.force_cbrТүріbooleanТалапМіндетті емесМәндер мен шектеулерӘдепкіfalse
Өрісpronunciation_dictТүріobjectТалапМіндетті емесМәндер мен шектеулерӘдепкі—
Өрісpronunciation_dict.toneТүріarrayТалапМіндетті емесМәндер мен шектеулерӘдепкі—
Өрісtimber_weightsТүріarrayТалапМіндетті емесМәндер мен шектеулерӘдепкі—
Өрісlanguage_boostТүріstringТалапМіндетті емесМәндер мен шектеулер
Chinese, Chinese,Yue, English, Arabic, Russian, Spanish, French, Portuguese, German, Turkish, Dutch, Ukrainian, Vietnamese, Indonesian, Japanese, Italian, Korean, Thai, Polish, Romanian, Greek, Czech, Finnish, Hindi, Bulgarian, Danish, Hebrew, Malay, Persian, Slovak, Swedish, Croatian, Filipino, Hungarian, Norwegian, Slovenian, Catalan, Nynorsk, Tamil, Afrikaans, auto
Әдепкі—
Өрісvoice_modifyТүріobjectТалапМіндетті емесМәндер мен шектеулерӘдепкі—
Өрісvoice_modify.pitchТүріintegerТалапМіндетті емесМәндер мен шектеулер
-100, 100
Әдепкі—
Өрісvoice_modify.intensityТүріintegerТалапМіндетті емесМәндер мен шектеулер
-100, 100
Әдепкі—
Өрісvoice_modify.timbreТүріintegerТалапМіндетті емесМәндер мен шектеулер
-100, 100
Әдепкі—
Өрісvoice_modify.sound_effectsТүріstringТалапМіндетті емесМәндер мен шектеулер
spacious_echo, auditorium_echo, lofi_telephone, robotic
Әдепкі—
Өрісsubtitle_enableТүріbooleanТалапМіндетті емесМәндер мен шектеулерӘдепкіfalse
Өрісoutput_formatТүріstringТалапМіндетті емесМәндер мен шектеулер
url, hex
Әдепкіhex
Өрісaigc_watermarkТүріbooleanТалапМіндетті емесМәндер мен шектеулерӘдепкіfalse
Әдіс параметрлері мен өмірлік циклі
ПараметрПараметр талаптары
Параметрcontent_typeПараметр талаптарыapplication/json
ПараметрrequiredПараметр талаптарыmodel, text
ПараметрoptionalПараметр талаптарыstream, voice_setting, audio_setting, pronunciation_dict, timber_weights, language_boost, voice_modify, subtitle_enable, output_format, aigc_watermark
Параметрmaterial_typesПараметр талаптарыtext
ПараметрconditionsПараметр талаптарыUse text, not input or contents. Fewer than 10000 Unicode characters; stream is false or omitted., PCM is raw audio with its returned sample geometry; do not invent a WAV header or bit depth.

Өмірлік цикл: synchronous_result_then_owned_library

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Тарифтер

Тариф анықтамасы сұрау мүмкіндіктерін қоспайды. Қолдау көрсетілетін параметрлер таңдалған әдісте берілген.

Жылдам режим
Көрсетілмеген Жылдам режим таңдалғанда
Икемді режим
Көрсетілмеген flex режимі таңдалғанда
Ой қорытудың ең жоғары деңгейі
Көрсетілмеген Ой қорыту деңгейі ең жоғары болып, default түзетуі қолданылғанда

Ailoot мөлшерлемелері

Баптаулар бойынша бағалар

Әр төлемді көрсетілген шарттармен салыстырыңыз. Балама баптаулардың әр жиыны үшін бір мөлшерлемені қолданыңыз.

БаптауМөлшерлемелер кестесіЕсептеу бірлігіТөлем
БаптауТокендердің базалық тарифтеріМөлшерлемелер кестесіНегізгі мөлшерлемеЕсептеу бірлігі—Төлем
Кіріс · Кіріс токендері — / 1K токен
Шығыс · Шығыс токендері — / 1K токен
Кіріс · Кэшті оқу — / 1K токен
Кіріс · Кэшке жазу — / 1K токен
Кіріс · Кэшке жазу, 1 сағ — / 1K токен
Баптаукіріс таңбасыМөлшерлемелер кестесі—Есептеу бірлігікіріс таңбасы үшінТөлем
Кіріс · кіріс таңбасы $0.00006 кіріс таңбасы үшін

Ailoot сұрау алдында болжамды соманы резервтейді. Нәтижеден кейін өлшенген пайдалану көлемі бойынша қорытынды төлемді шегереді. Ағындық жауап үшін төлем соңғы пайдалану жазбасы негізінде шегеріледі. Резервтеу мен төлемді есептеу тәртібі →

Сұрау мысалдары

Ailoot Ultra · Speech

set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "minimax/speech-01-turbo", "text": "Hello, this is a short speech example.", "stream": false, "output_format": "hex", "audio_setting": {"format": "mp3", "sample_rate": 32000, "channel": 1}}')\n\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 result.json\n# Submit once. Retain the complete result, original identifiers and every response header.\n

Нәтижелерді алу және сақтау

Ailoot Ultra · Speech

mp3,pcm,flac,wav

Барлық дайын нәтижені сақтау

Қайтарылған әр толық жауапты, файлды және мазмұн бөлігін сақтаңыз.

Retain the full JSON. Decode every hex audio byte or use the returned owned URL. Keep the actual format, sample rate, channel count and usage_characters.

Бастапқы жауапты тексеру қажет болса

Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.

Жауап өрістері
ӨрісТүрі
Өрісdata.audioТүріstring
Өрісextra_infoТүріobject
Өрісtrace_idТүріstring

Балама атаулар

Модельдердің балама атаулары

Ailoot Ultra minimax/speech-01-turbo

Әдіс жолдарының балама атаулары

Жоғарыда көрсетілген әдіс жолдарын пайдаланыңыз.

Шақыруға арналған байланысты ID

minimax/speech-01-turbo

", "method_identity": { "effective_request_model_id": "minimax/speech-01-turbo", "fmt": "speech", "http": "POST", "path": "/v1/audio/speech", "request_model_id": "minimax/speech-01-turbo", "route_label": "Ultra" }, "method_key": "Ultra|speech|/v1/audio/speech|minimax%2Fspeech-01-turbo", "ordinal": 0, "rawMethod": { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Retain the complete response, all actual results, original identifiers, usage and response headers.", "authentication": { "api_key_source": "AILOOT_API_KEY", "header": "Authorization: Bearer" }, "example_body": { "audio_setting": { "channel": 1, "format": "mp3", "sample_rate": 32000 }, "model": "minimax/speech-01-turbo", "output_format": "hex", "stream": false, "text": "Hello, this is a short speech example." }, "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets", "query": { "cursor": "actual returned next_cursor, when present", "family": "audio" } }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "cancel_endpoint": null, "create": { "http": "POST", "path": "/v1/audio/speech" }, "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "owned_content": { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "Use the exact returned content_url. Refresh an expired link by reading the same existing asset." }, "status": [], "unknown": "Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.", "unknown_no_replay": true }, "outputs": { "all_results": "Retain the full JSON. Decode every hex audio byte or use the returned owned URL. Keep the actual format, sample rate, channel count and usage_characters.", "family": "audio", "fields": [ { "name": "data.audio", "type": "string" }, { "name": "extra_info", "type": "object" }, { "name": "trace_id", "type": "string" } ], "format": [ "mp3", "pcm", "flac", "wav" ] }, "parameters": [ { "default_known": false, "enum": [ "minimax/speech-01-turbo" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "default_known": false, "enum_known": false, "maxLength": 9999, "minLength": 1, "name": "text", "required": true, "type": "string" }, { "default": false, "default_known": true, "enum": [ false ], "enum_known": true, "name": "stream", "required": false, "type": "boolean" }, { "default_known": false, "enum_known": false, "name": "voice_setting", "properties": { "emotion": { "enum": [ "happy", "sad", "angry", "fearful", "disgusted", "surprised", "calm", "fluent" ], "type": "string" }, "latex_read": { "default": false, "type": "boolean" }, "pitch": { "default": 0, "maximum": 12, "minimum": -12, "type": "integer" }, "speed": { "default": 1, "maximum": 2, "minimum": 0.5, "type": "number" }, "text_normalization": { "default": false, "type": "boolean" }, "voice_id": { "type": "string" }, "vol": { "default": 1, "exclusiveMinimum": true, "maximum": 10, "minimum": 0, "type": "number" } }, "required": false, "type": "object" }, { "default_known": false, "enum_known": false, "name": "voice_setting.voice_id", "required": false, "type": "string" }, { "default": 1, "default_known": true, "enum_known": false, "maximum": 2, "minimum": 0.5, "name": "voice_setting.speed", "required": false, "type": "number" }, { "default": 1, "default_known": true, "enum_known": false, "exclusiveMinimum": true, "maximum": 10, "minimum": 0, "name": "voice_setting.vol", "required": false, "type": "number" }, { "default": 0, "default_known": true, "enum_known": false, "maximum": 12, "minimum": -12, "name": "voice_setting.pitch", "required": false, "type": "integer" }, { "default_known": false, "enum": [ "happy", "sad", "angry", "fearful", "disgusted", "surprised", "calm", "fluent" ], "enum_known": true, "name": "voice_setting.emotion", "required": false, "type": "string" }, { "default": false, "default_known": true, "enum_known": false, "name": "voice_setting.text_normalization", "required": false, "type": "boolean" }, { "default": false, "default_known": true, "enum_known": false, "name": "voice_setting.latex_read", "required": false, "type": "boolean" }, { "default_known": false, "enum_known": false, "name": "audio_setting", "properties": { "bitrate": { "default": 128000, "enum": [ 32000, 64000, 128000, 256000 ], "type": "integer" }, "channel": { "default": 1, "enum": [ 1, 2 ], "type": "integer" }, "force_cbr": { "default": false, "type": "boolean" }, "format": { "default": "mp3", "enum": [ "mp3", "pcm", "flac", "wav" ], "type": "string" }, "sample_rate": { "default": 32000, "enum": [ 8000, 16000, 22050, 24000, 32000, 44100 ], "type": "integer" } }, "required": false, "type": "object" }, { "default": 32000, "default_known": true, "enum": [ 8000, 16000, 22050, 24000, 32000, 44100 ], "enum_known": true, "name": "audio_setting.sample_rate", "required": false, "type": "integer" }, { "default": 128000, "default_known": true, "enum": [ 32000, 64000, 128000, 256000 ], "enum_known": true, "name": "audio_setting.bitrate", "required": false, "type": "integer" }, { "default": "mp3", "default_known": true, "enum": [ "mp3", "pcm", "flac", "wav" ], "enum_known": true, "name": "audio_setting.format", "required": false, "type": "string" }, { "default": 1, "default_known": true, "enum": [ 1, 2 ], "enum_known": true, "name": "audio_setting.channel", "required": false, "type": "integer" }, { "default": false, "default_known": true, "enum_known": false, "name": "audio_setting.force_cbr", "required": false, "type": "boolean" }, { "default_known": false, "enum_known": false, "name": "pronunciation_dict", "properties": { "tone": { "items": { "type": "string" }, "type": "array" } }, "required": false, "type": "object" }, { "default_known": false, "enum_known": false, "items": { "type": "string" }, "name": "pronunciation_dict.tone", "required": false, "type": "array" }, { "default_known": false, "enum_known": false, "items": { "properties": { "voice_id": { "type": "string" }, "weight": { "type": "integer" } }, "type": "object" }, "name": "timber_weights", "required": false, "type": "array" }, { "default_known": false, "enum": [ "Chinese", "Chinese,Yue", "English", "Arabic", "Russian", "Spanish", "French", "Portuguese", "German", "Turkish", "Dutch", "Ukrainian", "Vietnamese", "Indonesian", "Japanese", "Italian", "Korean", "Thai", "Polish", "Romanian", "Greek", "Czech", "Finnish", "Hindi", "Bulgarian", "Danish", "Hebrew", "Malay", "Persian", "Slovak", "Swedish", "Croatian", "Filipino", "Hungarian", "Norwegian", "Slovenian", "Catalan", "Nynorsk", "Tamil", "Afrikaans", "auto" ], "enum_known": true, "name": "language_boost", "required": false, "type": "string" }, { "default_known": false, "enum_known": false, "name": "voice_modify", "properties": { "intensity": { "enum": [ -100, 100 ], "type": "integer" }, "pitch": { "enum": [ -100, 100 ], "type": "integer" }, "sound_effects": { "enum": [ "spacious_echo", "auditorium_echo", "lofi_telephone", "robotic" ], "type": "string" }, "timbre": { "enum": [ -100, 100 ], "type": "integer" } }, "required": false, "type": "object" }, { "default_known": false, "enum": [ -100, 100 ], "enum_known": true, "name": "voice_modify.pitch", "required": false, "type": "integer" }, { "default_known": false, "enum": [ -100, 100 ], "enum_known": true, "name": "voice_modify.intensity", "required": false, "type": "integer" }, { "default_known": false, "enum": [ -100, 100 ], "enum_known": true, "name": "voice_modify.timbre", "required": false, "type": "integer" }, { "default_known": false, "enum": [ "spacious_echo", "auditorium_echo", "lofi_telephone", "robotic" ], "enum_known": true, "name": "voice_modify.sound_effects", "required": false, "type": "string" }, { "default": false, "default_known": true, "enum_known": false, "name": "subtitle_enable", "required": false, "type": "boolean" }, { "default": "hex", "default_known": true, "enum": [ "url", "hex" ], "enum_known": true, "name": "output_format", "required": false, "type": "string" }, { "default": false, "default_known": true, "enum_known": false, "name": "aigc_watermark", "required": false, "type": "boolean" } ], "request_schema": { "properties": { "aigc_watermark": { "default": false, "type": "boolean" }, "audio_setting": { "properties": { "bitrate": { "default": 128000, "enum": [ 32000, 64000, 128000, 256000 ], "type": "integer" }, "channel": { "default": 1, "enum": [ 1, 2 ], "type": "integer" }, "force_cbr": { "default": false, "type": "boolean" }, "format": { "default": "mp3", "enum": [ "mp3", "pcm", "flac", "wav" ], "type": "string" }, "sample_rate": { "default": 32000, "enum": [ 8000, 16000, 22050, 24000, 32000, 44100 ], "type": "integer" } }, "type": "object" }, "language_boost": { "enum": [ "Chinese", "Chinese,Yue", "English", "Arabic", "Russian", "Spanish", "French", "Portuguese", "German", "Turkish", "Dutch", "Ukrainian", "Vietnamese", "Indonesian", "Japanese", "Italian", "Korean", "Thai", "Polish", "Romanian", "Greek", "Czech", "Finnish", "Hindi", "Bulgarian", "Danish", "Hebrew", "Malay", "Persian", "Slovak", "Swedish", "Croatian", "Filipino", "Hungarian", "Norwegian", "Slovenian", "Catalan", "Nynorsk", "Tamil", "Afrikaans", "auto" ], "type": "string" }, "model": { "enum": [ "minimax/speech-01-turbo" ], "type": "string" }, "output_format": { "default": "hex", "enum": [ "url", "hex" ], "type": "string" }, "pronunciation_dict": { "properties": { "tone": { "items": { "type": "string" }, "type": "array" } }, "type": "object" }, "stream": { "default": false, "enum": [ false ], "type": "boolean" }, "subtitle_enable": { "default": false, "type": "boolean" }, "text": { "maxLength": 9999, "minLength": 1, "type": "string" }, "timber_weights": { "items": { "properties": { "voice_id": { "type": "string" }, "weight": { "type": "integer" } }, "type": "object" }, "type": "array" }, "voice_modify": { "properties": { "intensity": { "enum": [ -100, 100 ], "type": "integer" }, "pitch": { "enum": [ -100, 100 ], "type": "integer" }, "sound_effects": { "enum": [ "spacious_echo", "auditorium_echo", "lofi_telephone", "robotic" ], "type": "string" }, "timbre": { "enum": [ -100, 100 ], "type": "integer" } }, "type": "object" }, "voice_setting": { "properties": { "emotion": { "enum": [ "happy", "sad", "angry", "fearful", "disgusted", "surprised", "calm", "fluent" ], "type": "string" }, "latex_read": { "default": false, "type": "boolean" }, "pitch": { "default": 0, "maximum": 12, "minimum": -12, "type": "integer" }, "speed": { "default": 1, "maximum": 2, "minimum": 0.5, "type": "number" }, "text_normalization": { "default": false, "type": "boolean" }, "voice_id": { "type": "string" }, "vol": { "default": 1, "exclusiveMinimum": true, "maximum": 10, "minimum": 0, "type": "number" } }, "type": "object" } }, "required": [ "model", "text" ], "type": "object" }, "schema_template": { "body": { "audio_setting": { "channel": 1, "format": "mp3", "sample_rate": 32000 }, "model": "minimax/speech-01-turbo", "output_format": "hex", "stream": false, "text": "Hello, this is a short speech example." }, "content_type": "application/json" } }, "input": { "conditions": [ "Use text, not input or contents. Fewer than 10000 Unicode characters; stream is false or omitted.", "PCM is raw audio with its returned sample geometry; do not invent a WAV header or bit depth." ], "content_type": "application/json", "material_types": [ "text" ], "optional": [ "stream", "voice_setting", "audio_setting", "pronunciation_dict", "timber_weights", "language_boost", "voice_modify", "subtitle_enable", "output_format", "aigc_watermark" ], "required": [ "model", "text" ] }, "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets", "query": { "cursor": "actual returned next_cursor, when present", "family": "audio" } }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "cancel_endpoint": null, "create": { "http": "POST", "path": "/v1/audio/speech" }, "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "owned_content": { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "Use the exact returned content_url. Refresh an expired link by reading the same existing asset." }, "status": [], "unknown": "Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.", "unknown_no_replay": true }, "method": { "http": "POST", "path": "/v1/audio/speech" }, "method_aliases": [], "output": { "all_results": "Retain the full JSON. Decode every hex audio byte or use the returned owned URL. Keep the actual format, sample rate, channel count and usage_characters.", "family": "audio", "fields": [ { "name": "data.audio", "type": "string" }, { "name": "extra_info", "type": "object" }, { "name": "trace_id", "type": "string" } ], "format": [ "mp3", "pcm", "flac", "wav" ] } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input character" }, "label": "input character", "units": [ { "amount": "0.00006", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.00006", "native_quantity": 1, "public_unit_label": "per input character", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_character" } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"minimax/speech-01-turbo\", \"text\": \"Hello, this is a short speech example.\", \"stream\": false, \"output_format\": \"hex\", \"audio_setting\": {\"format\": \"mp3\", \"sample_rate\": 32000, \"channel\": 1}}')\n\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 result.json\n# Submit once. Retain the complete result, original identifiers and every response header.\n", "label": "curl · create once and retain the complete result", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "speech", "http": "POST", "img_in": null, "img_out": null, "in": null, "input": [ "text" ], "label": "Speech", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": null, "output": [ "audio" ], "path": "/v1/audio/speech", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "per_request", "cache_read_price": null, "cache_write_1h_price": null, "cache_write_price": null, "fast_multiplier": null, "flex_multiplier": null, "image_input_price": null, "image_output_price": null, "input_price": null, "intervals": null, "max_reasoning_effort_multiplier": null, "output_price": null, "per_request_price": null, "unit_prices": { "audio_input_character": "0.00006" } }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input character" }, "label": "input character", "units": [ { "amount": "0.00006", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.00006", "native_quantity": 1, "public_unit_label": "per input character", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_character" } ] } ], "request_model_id": "minimax/speech-01-turbo", "route_label": "Ultra", "status_reads": [], "tiers": [], "unit": "per_request", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" }, { "amount": "0.00006", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.00006", "native_quantity": 1, "public_unit_label": "per input character", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_character" } ] } } ], "model_id": "minimax/speech-01-turbo", "nativeProvenance": { "input_facts_canonical_sha256": "bfe96ecfdde37da9f948cd256128224968dfb2c3f6b3427686d64738b53dcb6e", "input_html_sha256": "f8ab749a84ccb68ed0a3df7d96f670a98b9551bc4c29db0a6977423603829e8c", "private_audit_sha256": "6bc0e496e9a10ea22e946ff98426174cfaadd33e83ea06a5a6a4645bb19c7cbc", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/kk/minimax-speech-01-turbo/", "description": "MiniMax Speech 01 Turbo берілген мәтінді синхронды audio_speech сұрауы арқылы генерацияланған сөйлеу ретінде оқиды. Ол 10 000 таңбадан қысқа мәтінді қабылдап, MP3, PCM, FLAC немесе WAV шығысымен дауыс, қарқын және үн биіктігі параметрлерін ұсынады.", "locale": "kk", "md_url": "https://ailoot.ai/models/kk/minimax-speech-01-turbo/index.md", "title": "MiniMax: Speech 01 Turbo — Ailoot", "url": "https://ailoot.ai/models/kk/minimax-speech-01-turbo/" }, "rawModel": { "about": "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.\n\nМәтінді 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.\n\nМәтін 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.\n\nvoice_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.\n\nҚұжатталған 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.\n\naudio_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.\n\nҚосымша 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.\n\nСинхронды 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.\n\nБастапқы 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.", "alias_of": null, "aliases": [], "author": "MiniMax", "ctx": null, "formats": [ "speech" ], "id": "minimax/speech-01-turbo", "input": [ "text" ], "kind": "speech", "max_out": null, "methods": [ { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Retain the complete response, all actual results, original identifiers, usage and response headers.", "authentication": { "api_key_source": "AILOOT_API_KEY", "header": "Authorization: Bearer" }, "example_body": { "audio_setting": { "channel": 1, "format": "mp3", "sample_rate": 32000 }, "model": "minimax/speech-01-turbo", "output_format": "hex", "stream": false, "text": "Hello, this is a short speech example." }, "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets", "query": { "cursor": "actual returned next_cursor, when present", "family": "audio" } }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "cancel_endpoint": null, "create": { "http": "POST", "path": "/v1/audio/speech" }, "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "owned_content": { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "Use the exact returned content_url. Refresh an expired link by reading the same existing asset." }, "status": [], "unknown": "Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.", "unknown_no_replay": true }, "outputs": { "all_results": "Retain the full JSON. Decode every hex audio byte or use the returned owned URL. Keep the actual format, sample rate, channel count and usage_characters.", "family": "audio", "fields": [ { "name": "data.audio", "type": "string" }, { "name": "extra_info", "type": "object" }, { "name": "trace_id", "type": "string" } ], "format": [ "mp3", "pcm", "flac", "wav" ] }, "parameters": [ { "default_known": false, "enum": [ "minimax/speech-01-turbo" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "default_known": false, "enum_known": false, "maxLength": 9999, "minLength": 1, "name": "text", "required": true, "type": "string" }, { "default": false, "default_known": true, "enum": [ false ], "enum_known": true, "name": "stream", "required": false, "type": "boolean" }, { "default_known": false, "enum_known": false, "name": "voice_setting", "properties": { "emotion": { "enum": [ "happy", "sad", "angry", "fearful", "disgusted", "surprised", "calm", "fluent" ], "type": "string" }, "latex_read": { "default": false, "type": "boolean" }, "pitch": { "default": 0, "maximum": 12, "minimum": -12, "type": "integer" }, "speed": { "default": 1, "maximum": 2, "minimum": 0.5, "type": "number" }, "text_normalization": { "default": false, "type": "boolean" }, "voice_id": { "type": "string" }, "vol": { "default": 1, "exclusiveMinimum": true, "maximum": 10, "minimum": 0, "type": "number" } }, "required": false, "type": "object" }, { "default_known": false, "enum_known": false, "name": "voice_setting.voice_id", "required": false, "type": "string" }, { "default": 1, "default_known": true, "enum_known": false, "maximum": 2, "minimum": 0.5, "name": "voice_setting.speed", "required": false, "type": "number" }, { "default": 1, "default_known": true, "enum_known": false, "exclusiveMinimum": true, "maximum": 10, "minimum": 0, "name": "voice_setting.vol", "required": false, "type": "number" }, { "default": 0, "default_known": true, "enum_known": false, "maximum": 12, "minimum": -12, "name": "voice_setting.pitch", "required": false, "type": "integer" }, { "default_known": false, "enum": [ "happy", "sad", "angry", "fearful", "disgusted", "surprised", "calm", "fluent" ], "enum_known": true, "name": "voice_setting.emotion", "required": false, "type": "string" }, { "default": false, "default_known": true, "enum_known": false, "name": "voice_setting.text_normalization", "required": false, "type": "boolean" }, { "default": false, "default_known": true, "enum_known": false, "name": "voice_setting.latex_read", "required": false, "type": "boolean" }, { "default_known": false, "enum_known": false, "name": "audio_setting", "properties": { "bitrate": { "default": 128000, "enum": [ 32000, 64000, 128000, 256000 ], "type": "integer" }, "channel": { "default": 1, "enum": [ 1, 2 ], "type": "integer" }, "force_cbr": { "default": false, "type": "boolean" }, "format": { "default": "mp3", "enum": [ "mp3", "pcm", "flac", "wav" ], "type": "string" }, "sample_rate": { "default": 32000, "enum": [ 8000, 16000, 22050, 24000, 32000, 44100 ], "type": "integer" } }, "required": false, "type": "object" }, { "default": 32000, "default_known": true, "enum": [ 8000, 16000, 22050, 24000, 32000, 44100 ], "enum_known": true, "name": "audio_setting.sample_rate", "required": false, "type": "integer" }, { "default": 128000, "default_known": true, "enum": [ 32000, 64000, 128000, 256000 ], "enum_known": true, "name": "audio_setting.bitrate", "required": false, "type": "integer" }, { "default": "mp3", "default_known": true, "enum": [ "mp3", "pcm", "flac", "wav" ], "enum_known": true, "name": "audio_setting.format", "required": false, "type": "string" }, { "default": 1, "default_known": true, "enum": [ 1, 2 ], "enum_known": true, "name": "audio_setting.channel", "required": false, "type": "integer" }, { "default": false, "default_known": true, "enum_known": false, "name": "audio_setting.force_cbr", "required": false, "type": "boolean" }, { "default_known": false, "enum_known": false, "name": "pronunciation_dict", "properties": { "tone": { "items": { "type": "string" }, "type": "array" } }, "required": false, "type": "object" }, { "default_known": false, "enum_known": false, "items": { "type": "string" }, "name": "pronunciation_dict.tone", "required": false, "type": "array" }, { "default_known": false, "enum_known": false, "items": { "properties": { "voice_id": { "type": "string" }, "weight": { "type": "integer" } }, "type": "object" }, "name": "timber_weights", "required": false, "type": "array" }, { "default_known": false, "enum": [ "Chinese", "Chinese,Yue", "English", "Arabic", "Russian", "Spanish", "French", "Portuguese", "German", "Turkish", "Dutch", "Ukrainian", "Vietnamese", "Indonesian", "Japanese", "Italian", "Korean", "Thai", "Polish", "Romanian", "Greek", "Czech", "Finnish", "Hindi", "Bulgarian", "Danish", "Hebrew", "Malay", "Persian", "Slovak", "Swedish", "Croatian", "Filipino", "Hungarian", "Norwegian", "Slovenian", "Catalan", "Nynorsk", "Tamil", "Afrikaans", "auto" ], "enum_known": true, "name": "language_boost", "required": false, "type": "string" }, { "default_known": false, "enum_known": false, "name": "voice_modify", "properties": { "intensity": { "enum": [ -100, 100 ], "type": "integer" }, "pitch": { "enum": [ -100, 100 ], "type": "integer" }, "sound_effects": { "enum": [ "spacious_echo", "auditorium_echo", "lofi_telephone", "robotic" ], "type": "string" }, "timbre": { "enum": [ -100, 100 ], "type": "integer" } }, "required": false, "type": "object" }, { "default_known": false, "enum": [ -100, 100 ], "enum_known": true, "name": "voice_modify.pitch", "required": false, "type": "integer" }, { "default_known": false, "enum": [ -100, 100 ], "enum_known": true, "name": "voice_modify.intensity", "required": false, "type": "integer" }, { "default_known": false, "enum": [ -100, 100 ], "enum_known": true, "name": "voice_modify.timbre", "required": false, "type": "integer" }, { "default_known": false, "enum": [ "spacious_echo", "auditorium_echo", "lofi_telephone", "robotic" ], "enum_known": true, "name": "voice_modify.sound_effects", "required": false, "type": "string" }, { "default": false, "default_known": true, "enum_known": false, "name": "subtitle_enable", "required": false, "type": "boolean" }, { "default": "hex", "default_known": true, "enum": [ "url", "hex" ], "enum_known": true, "name": "output_format", "required": false, "type": "string" }, { "default": false, "default_known": true, "enum_known": false, "name": "aigc_watermark", "required": false, "type": "boolean" } ], "request_schema": { "properties": { "aigc_watermark": { "default": false, "type": "boolean" }, "audio_setting": { "properties": { "bitrate": { "default": 128000, "enum": [ 32000, 64000, 128000, 256000 ], "type": "integer" }, "channel": { "default": 1, "enum": [ 1, 2 ], "type": "integer" }, "force_cbr": { "default": false, "type": "boolean" }, "format": { "default": "mp3", "enum": [ "mp3", "pcm", "flac", "wav" ], "type": "string" }, "sample_rate": { "default": 32000, "enum": [ 8000, 16000, 22050, 24000, 32000, 44100 ], "type": "integer" } }, "type": "object" }, "language_boost": { "enum": [ "Chinese", "Chinese,Yue", "English", "Arabic", "Russian", "Spanish", "French", "Portuguese", "German", "Turkish", "Dutch", "Ukrainian", "Vietnamese", "Indonesian", "Japanese", "Italian", "Korean", "Thai", "Polish", "Romanian", "Greek", "Czech", "Finnish", "Hindi", "Bulgarian", "Danish", "Hebrew", "Malay", "Persian", "Slovak", "Swedish", "Croatian", "Filipino", "Hungarian", "Norwegian", "Slovenian", "Catalan", "Nynorsk", "Tamil", "Afrikaans", "auto" ], "type": "string" }, "model": { "enum": [ "minimax/speech-01-turbo" ], "type": "string" }, "output_format": { "default": "hex", "enum": [ "url", "hex" ], "type": "string" }, "pronunciation_dict": { "properties": { "tone": { "items": { "type": "string" }, "type": "array" } }, "type": "object" }, "stream": { "default": false, "enum": [ false ], "type": "boolean" }, "subtitle_enable": { "default": false, "type": "boolean" }, "text": { "maxLength": 9999, "minLength": 1, "type": "string" }, "timber_weights": { "items": { "properties": { "voice_id": { "type": "string" }, "weight": { "type": "integer" } }, "type": "object" }, "type": "array" }, "voice_modify": { "properties": { "intensity": { "enum": [ -100, 100 ], "type": "integer" }, "pitch": { "enum": [ -100, 100 ], "type": "integer" }, "sound_effects": { "enum": [ "spacious_echo", "auditorium_echo", "lofi_telephone", "robotic" ], "type": "string" }, "timbre": { "enum": [ -100, 100 ], "type": "integer" } }, "type": "object" }, "voice_setting": { "properties": { "emotion": { "enum": [ "happy", "sad", "angry", "fearful", "disgusted", "surprised", "calm", "fluent" ], "type": "string" }, "latex_read": { "default": false, "type": "boolean" }, "pitch": { "default": 0, "maximum": 12, "minimum": -12, "type": "integer" }, "speed": { "default": 1, "maximum": 2, "minimum": 0.5, "type": "number" }, "text_normalization": { "default": false, "type": "boolean" }, "voice_id": { "type": "string" }, "vol": { "default": 1, "exclusiveMinimum": true, "maximum": 10, "minimum": 0, "type": "number" } }, "type": "object" } }, "required": [ "model", "text" ], "type": "object" }, "schema_template": { "body": { "audio_setting": { "channel": 1, "format": "mp3", "sample_rate": 32000 }, "model": "minimax/speech-01-turbo", "output_format": "hex", "stream": false, "text": "Hello, this is a short speech example." }, "content_type": "application/json" } }, "input": { "conditions": [ "Use text, not input or contents. Fewer than 10000 Unicode characters; stream is false or omitted.", "PCM is raw audio with its returned sample geometry; do not invent a WAV header or bit depth." ], "content_type": "application/json", "material_types": [ "text" ], "optional": [ "stream", "voice_setting", "audio_setting", "pronunciation_dict", "timber_weights", "language_boost", "voice_modify", "subtitle_enable", "output_format", "aigc_watermark" ], "required": [ "model", "text" ] }, "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets", "query": { "cursor": "actual returned next_cursor, when present", "family": "audio" } }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "cancel_endpoint": null, "create": { "http": "POST", "path": "/v1/audio/speech" }, "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "owned_content": { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "Use the exact returned content_url. Refresh an expired link by reading the same existing asset." }, "status": [], "unknown": "Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.", "unknown_no_replay": true }, "method": { "http": "POST", "path": "/v1/audio/speech" }, "method_aliases": [], "output": { "all_results": "Retain the full JSON. Decode every hex audio byte or use the returned owned URL. Keep the actual format, sample rate, channel count and usage_characters.", "family": "audio", "fields": [ { "name": "data.audio", "type": "string" }, { "name": "extra_info", "type": "object" }, { "name": "trace_id", "type": "string" } ], "format": [ "mp3", "pcm", "flac", "wav" ] } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input character" }, "label": "input character", "units": [ { "amount": "0.00006", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.00006", "native_quantity": 1, "public_unit_label": "per input character", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_character" } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"minimax/speech-01-turbo\", \"text\": \"Hello, this is a short speech example.\", \"stream\": false, \"output_format\": \"hex\", \"audio_setting\": {\"format\": \"mp3\", \"sample_rate\": 32000, \"channel\": 1}}')\n\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 result.json\n# Submit once. Retain the complete result, original identifiers and every response header.\n", "label": "curl · create once and retain the complete result", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "speech", "http": "POST", "img_in": null, "img_out": null, "in": null, "input": [ "text" ], "label": "Speech", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": null, "output": [ "audio" ], "path": "/v1/audio/speech", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "per_request", "cache_read_price": null, "cache_write_1h_price": null, "cache_write_price": null, "fast_multiplier": null, "flex_multiplier": null, "image_input_price": null, "image_output_price": null, "input_price": null, "intervals": null, "max_reasoning_effort_multiplier": null, "output_price": null, "per_request_price": null, "unit_prices": { "audio_input_character": "0.00006" } }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input character" }, "label": "input character", "units": [ { "amount": "0.00006", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.00006", "native_quantity": 1, "public_unit_label": "per input character", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_character" } ] } ], "request_model_id": "minimax/speech-01-turbo", "route_label": "Ultra", "status_reads": [], "tiers": [], "unit": "per_request", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" }, { "amount": "0.00006", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.00006", "native_quantity": 1, "public_unit_label": "per input character", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_character" } ] } ], "model_aliases": [ { "canonical_model_id": "minimax/speech-01-turbo", "request_model_id": "minimax/speech-01-turbo", "route_label": "Ultra" } ], "name": "MiniMax: Speech 01 Turbo", "price": { "in": "0.00006", "in_label": "per input character", "out": null, "out_label": null, "sort_in": null, "sort_out": null, "varies": false }, "short": "MiniMax Speech 01 Turbo берілген мәтінді синхронды audio_speech сұрауы арқылы генерацияланған сөйлеу ретінде оқиды. Ол 10 000 таңбадан қысқа мәтінді қабылдап, MP3, PCM, FLAC немесе WAV шығысымен дауыс, қарқын және үн биіктігі параметрлерін ұсынады." }, "renderer_schema": { "method_order": "Original DTO methods order; every exact route/format/path/caller survives.", "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers." }, "representation": "exact-public-dto-and-native-renderer-html", "representationNotes": { "current_reference": { "about_json_pointer": "/aboutHtml", "methods": [ { "contract_json_pointer": "/methods/0/rawMethod/contract", "html_json_pointer": "/methods/0/html", "method_ordinal": 0 } ], "role": "current-semantic-reference" }, "raw_input": { "examples_role": "historical-input-not-current-ready-examples", "json_pointers": [ "/rawModel", "/methods/0/rawMethod" ], "role": "historical-owner-input" }, "schema": "ailoot-native-model-representations-v1" }, "schema": "ailoot-static-model-facts-v1", "schema_version": 1, "shortText": "MiniMax Speech 01 Turbo берілген мәтінді синхронды audio_speech сұрауы арқылы генерацияланған сөйлеу ретінде оқиды. Ол 10 000 таңбадан қысқа мәтінді қабылдап, MP3, PCM, FLAC немесе WAV шығысымен дауыс, қарқын және үн биіктігі параметрлерін ұсынады.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "733519b8dda620dc8eaaa65fc8618475b5894de49dd9998542a8a6553bb19790", "renderer_sha256": "def3bb6e69c8ddb72f88ec6540bbe55d0e503790f964d84073ecda781b13bedf" }, "sourceRevision": "1eb0a98f035ed20b89aaf9552c3ddbfb44aacb7a1bcab6b657ead2d321257b29" }