MiniMax: Speech 02 Turbo

Speech 02 Turbo — model: "minimax/speech-02-turbo" арқылы таңдалатын дәл MiniMax сөйлеу нұсқасы. model және айтылатын мәтін бар application/json денесімен POST /v1/audio/speech сұрауын пайдаланыңыз. Оның кірісі — жазбаша сценарий, нәтижесі — синтезделген дыбыс. Хабарландыру үшін text ішіне қысқа алып кету туралы хабарлама сияқты тек айтылуға тиіс сөздерді салыңыз. Өнімді түсіндіру үшін дыбыс жасамас бұрын сценарийді толық сөйлемдерге бөліп, өнім атаулары мен сандарын нақтылаңыз. Үнсіз қалуға тиіс өндірістік ескертпелерді, файл атауларын және бағыттарды айтылатын сценарийден тыс ұстаңыз.

text өрісі бос болмауы және 10 000 Unicode таңбасынан аз болуы тиіс. Толық айтылатын сценарийді stream:false арқылы жіберіңіз немесе stream қоспаңыз. Ұзақ материалды әр бөлігін жібермес бұрын бөлек толық сценарий үзінділеріне бөліңіз. Құжаттың нақты мазмұнын оқып, тиісті үзіндіні text ішіне орналастыру арқылы оны қолдануға болады; құжат URL мекенжайы сценарийдің орнын баспайды.

Дауысты voice_setting.voice_id арқылы таңдаңыз. Құжатталған дауыс санаттарына жүйелік дауыстар және бұрын жасалған клондалған не мәтіннен жобаланған дауыстар кіреді; таңдалған санат үшін жарамды дауыс ID мәнін пайдаланыңыз. Мысал дауысы — audiobook_male_1. Сол нысан 0.5 пен 2 аралығындағы speed, 0 мәнінен жоғары және 10 мәніне дейінгі vol, сондай-ақ -12 мен 12 аралығындағы бүтін pitch мәндерін басқарады. Олардың әдепкі мәндері — 1, 1 және 0. Бұл параметрлер сөйлеу мәнерінің әртүрлі қырларын реттейді, сондықтан олардың атауларын сценарийге жазудың орнына бөлек таңдаңыз.

voice_setting.emotion happy, sad, angry, fearful, disgusted, surprised, calm және fluent мәндерін қабылдайды. Құжаттама мәтіннен эмоцияны автоматты сәйкестендіруді де сипаттайды. Сандары көп сценарийлер үшін voice_setting.text_normalization қытай және ағылшын мәтінін қалыпқа келтіруді қосады, әдепкі мәні — false. voice_setting.latex_read LaTeX өрнектерін оқуды басқарады және оның да әдепкі мәні false болады. pronunciation_dict.tone — айтылым ережелері жолдарының массиві. Жарияланған мысал — ["草地/(cao3)(di1)"]; ереже бергенде сөзді, қиғаш сызықты және жақша ішіндегі айтылым құрылымын сақтаңыз.

audio_setting.format mp3, pcm, flac және wav қабылдайды, әдепкі мәні — mp3. sample_rate 8000, 16000, 22050, 24000, 32000 және 44100 Hz қабылдайды; әдепкі мәні — 32000. channel моно үшін 1 немесе екі арна үшін 2 болады, әдепкі мәні — 1. bitrate мәндері — секундына 32000, 64000, 128000 және 256000 бит, әдепкі мәні — 128000, олар mp3 үшін қолданылады. Нәтижені пайдаланатын ойнатқышқа немесе өңдеу құралына қажет кодтауды таңдаңыз.

language_boost — қосымша жол, әдепкі мәні — null. Оның рұқсат етілген мәндері: 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 және auto. "Chinese,Yue" — бір мән. Бұл — сценарий мен дауыс ID мәнінен бөлек параметр. Схема voice_id және бүтін weight жұптарының тізімі үшін timber_weights параметрін де ұсынады, әр weight 1 мен 100 аралығында болады. Сұрауды дайындағанда timber_weights параметрінің жазылуын сақтаңыз. voice_modify.sound_effects — spacious_echo, auditorium_echo, lofi_telephone және robotic мәндері бар қосымша жол.

stream әдепкіде false болады. Толық жауап үшін output_format url немесе hex таңдайды, әдепкі мәні — hex. Құжатталған JSON нәтижесінде data.audio таңдалған түрді тасымалдайды: қолтаңбаланған Ailoot URL мекенжайын сұрау жолымен бірге толық жүктеп алыңыз немесе толық он алтылық дыбысты байттарға декодтаңыз. Бастапқы нәтижені data.status, base_resp, trace_id және нақты дыбыс пішімі, дискреттеу жиілігі, арна саны, көлемі мен usage_characters қамтылған extra_info мәндерімен бірге сақтаңыз.

subtitle_enable — әдепкі мәні false болатын және ағынсыз шығысқа қолданылатын логикалық параметр. aigc_watermark — әдепкі мәні false болатын, генерацияланған дыбыстың соңындағы естілетін ырғақ белгісін басқаратын логикалық параметр. Қайтарылған әр дыбыс не субтитр нәтижесін сақтап, қолданбаға орналастырмас бұрын айтылымды, сандарды және дайын файлды тексеріңіз. Жеткізу белгісіз болса, бар әрекетті тексеру үшін бастапқы сұрау сәйкестендіргішін және жауапты сақтаңыз. Ailoot дайын дыбысты медиа кітапханаңызға да сақтайды. output_format:"url" болғанда data.audio ішінде сол сақталған активке қолтаңбаланған сілтеме болады; актив ID мәні оның /v1/media/assets/{asset_id}/content жолында көрінеді. Ailoot қолтаңбаланған файл сілтемелері берілген кезден бастап 24 сағат жарамды. Дыбыс активтерінің жазбаларын табу үшін сол API кілтімен GET /v1/media/assets?family=audio сұрауын пайдаланып, әр next_cursor бойымен өтіңіз. Таңдалған әр жазба үшін GET /v1/media/assets/{asset_id} сұрауын оқып, оның дәл content_url мекенжайын сұрау жолымен бірге жүктеп алыңыз. Файл сұрауы link_expired коды бар 404 қайтарса, жаңартылған content_url алу үшін сол активті қайта оқыңыз. Мерзімі өткен сілтемені алмастыру үшін дыбысты қайта генерацияламай, сақталған нәтижені жаңартыңыз.