{ "aboutHtml": "

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.

", "aboutText": "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.\n\ntext 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.\n\nДауысты 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.\n\nvoice_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.\n\naudio_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.\n\nlanguage_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.\n\nstream 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.\n\nsubtitle_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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "737c6818fc7b0d22fd4c6c254152c4c29f4ff6b6d8190e53b0becfd4f802a61b", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "kk", "methods": [ { "html": "
MM

MiniMax: Speech 02 Turbo

MiniMax /minimax/speech-02-turbo

Бастау

Speech 02 Turbo — дайын сценарийді дыбысқа айналдыруға арналған MiniMax мәтінді дыбыстау моделі. minimax/speech-02-turbo нұсқасы толық JSON жауабымен және URL немесе он алтылық дыбыс шығысын таңдаумен дауыс, жеткізу мәнері және дыбыс пішімі параметрлерін ұсынады. Оны дайын хабарландыруды, өнім түсіндірмесін немесе баяндау сценарийін дыбыстық сөйлеуге айналдыру үшін пайдаланыңыз.

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.

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.

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-02-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 $0.00012 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-02-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-02-turbo

Әдіс жолдарының балама атаулары

Жоғарыда көрсетілген әдіс жолдарын пайдаланыңыз.

Шақыруға арналған байланысты ID

minimax/speech-02-turbo

", "method_identity": { "effective_request_model_id": "minimax/speech-02-turbo", "fmt": "speech", "http": "POST", "path": "/v1/audio/speech", "request_model_id": "minimax/speech-02-turbo", "route_label": "Ultra" }, "method_key": "Ultra|speech|/v1/audio/speech|minimax%2Fspeech-02-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-02-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-02-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-02-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-02-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": "0.00012", "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": "0.00012", "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-02-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": "0.00012" } }, "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": "0.00012", "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": "0.00012", "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-02-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": "0.00012", "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": "0.00012", "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-02-turbo", "nativeProvenance": { "input_facts_canonical_sha256": "3783ca2089d0418fd496bf0de93f2618a425eb25b4e016c29c4b370269564a42", "input_html_sha256": "c78f7af384f9a5022f305e985a27feecf05d7de5a37eb7436433dbcd00a76cf6", "private_audit_sha256": "d0d22d33401be2a8bfe7a15f19c49603da5e03180517eb1a11a7a86f0aff01b9", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/kk/minimax-speech-02-turbo/", "description": "Speech 02 Turbo — дайын сценарийді дыбысқа айналдыруға арналған MiniMax мәтінді дыбыстау моделі. minimax/speech-02-turbo нұсқасы толық JSON жауабымен және URL немесе он алтылық дыбыс шығысын таңдаумен дауыс, жеткізу мәнері және дыбыс пішімі параметрлерін ұсынады. Оны дайын хабарландыруды, өнім түсіндірмесін немесе баяндау сценарийін дыбыстық сөйлеуге айналдыру үшін пайдаланыңыз.", "locale": "kk", "md_url": "https://ailoot.ai/models/kk/minimax-speech-02-turbo/index.md", "title": "MiniMax: Speech 02 Turbo — Ailoot", "url": "https://ailoot.ai/models/kk/minimax-speech-02-turbo/" }, "rawModel": { "about": "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.\n\ntext 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.\n\nДауысты 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.\n\nvoice_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.\n\naudio_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.\n\nlanguage_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.\n\nstream 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.\n\nsubtitle_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.", "alias_of": null, "aliases": [], "author": "MiniMax", "ctx": null, "formats": [ "speech" ], "id": "minimax/speech-02-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-02-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-02-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-02-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-02-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": "0.00012", "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": "0.00012", "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-02-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": "0.00012" } }, "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": "0.00012", "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": "0.00012", "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-02-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": "0.00012", "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": "0.00012", "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-02-turbo", "request_model_id": "minimax/speech-02-turbo", "route_label": "Ultra" } ], "name": "MiniMax: Speech 02 Turbo", "price": { "in": "0.00012", "in_label": "per input character", "out": null, "out_label": null, "sort_in": null, "sort_out": null, "varies": false }, "short": "Speech 02 Turbo — дайын сценарийді дыбысқа айналдыруға арналған MiniMax мәтінді дыбыстау моделі. minimax/speech-02-turbo нұсқасы толық JSON жауабымен және URL немесе он алтылық дыбыс шығысын таңдаумен дауыс, жеткізу мәнері және дыбыс пішімі параметрлерін ұсынады. Оны дайын хабарландыруды, өнім түсіндірмесін немесе баяндау сценарийін дыбыстық сөйлеуге айналдыру үшін пайдаланыңыз." }, "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": "Speech 02 Turbo — дайын сценарийді дыбысқа айналдыруға арналған MiniMax мәтінді дыбыстау моделі. minimax/speech-02-turbo нұсқасы толық JSON жауабымен және URL немесе он алтылық дыбыс шығысын таңдаумен дауыс, жеткізу мәнері және дыбыс пішімі параметрлерін ұсынады. Оны дайын хабарландыруды, өнім түсіндірмесін немесе баяндау сценарийін дыбыстық сөйлеуге айналдыру үшін пайдаланыңыз.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "18480813bedc09b2e1828ed6cfdb07a9803a7893ac84aac18d35bf675e04c9a9", "renderer_sha256": "def3bb6e69c8ddb72f88ec6540bbe55d0e503790f964d84073ecda781b13bedf" }, "sourceRevision": "6268c46201985d0fa001e63ca2271f7a7c95b852ad2a698b8f898104d6394ed8" }