speech-02-hd
Speech-02 HD — дыбыс сапасына және дауыс ұқсастығына басымдық беретін сөйлеу синтезі моделі.
Модель туралы
Бұл сипаттама модель мүмкіндіктерін қамтиды. Ailoot жүйесінде таңдалған әдіс үшін қолжетімді кіріс, шығыс және параметрлер төменде берілген.
Дыбыстауға және ұзақ оқуға арналған дауыс
Speech 02 HD сапаға, ырғаққа және дыбысталудың тұрақтылығына басымдық беріп, сөйлеу жасайды. Өндіруші дауыс өз сипатын сақтап, ұзақ мәтінді бірқалыпты оқуы қажет материалдарды дыбыстау мен аудиокітаптарды атап көрсетеді. Бұл — синтез моделі: мәтінді қабылдап, оны сөйлеу аудиосына айналдырады.
Мәтін мен тембр қалай байланысады
Speech 02 тобының негізінде авторегрессиялық Transformer архитектурасы және үйретілетін сөйлеуші кодтағышы жатыр. Дауыс ерекшеліктерін мазмұнмен үйлестіру үшін тембрді бөліп алу мен сөйлеу генерациясы бірге үйретілген. Топ мүмкіндіктері дайын клондалған дауыстарды қолдануды және тілді, акцентті, айтылу мәнерін үйлестіруді қамтиды.
Эмоция және көптілді оқу
Эмоциялық реңк мәтін мағынасына қарай анықталуы немесе қолмен берілуі мүмкін. Қуаныш, мұң, ашу, қорқыныш, жиіркену, таңдану және сабырлылық қолжетімді. Модель орыс, ағылшын және басқа тілдермен жұмыс істейді; өндіруші ағылшын тілінің әртүрлі акценттерін, қытай және кантон тілдерін, жапон, корей, еуропалық және басқа тілдерді сипаттайды.
Speech 02-нің қазіргі сипаттамасында парсы, филиппин және тамил тілдері бөлек алынып тасталған. Speech-тің жаңа буындарының жалпы тілдер тізімін бұл нұсқаға автоматты түрде қолдануға болмайды.
Дауысты баптау
Синтез үшін дауысты таңдау, жылдамдықты 0,5–2, дыбыс қаттылығын 0-ден жоғары және 10-ға дейін, биіктікті −12-ден 12-ге дейін өзгерту қарастырылған. Айтылу сөздігінде жазылымды қажетті оқылуға алмастыруға болады; фонетикалық жазбалар мен жапонша айтылу нұсқалары қолдау табады. Бұл есімдер мен мағынасы екіұшты сөздердің қалай дыбысталатынын басқаруға көмектеседі.
Үзілістер және дайын аудио
Өндіруші айтылатын үзінділер арасында 0,01–99,99 секунд ұзақтықтағы үзілістерді беруге мүмкіндік береді. Үзіліс ұзақтығы үтірден кейінгі екі таңба дәлдігімен белгіленеді; маркерлер айтылатын үзінділер арасында орналастырылады және қатарынан қойылмайды. Бір синхронды сұраудың мәтіні 10 000 таңбадан аз болуы керек. Дыбысты тұтас және біртіндеп алу қарастырылған; 3000 таңбадан асатын мәтін үшін ағындық шығыс ұсынылады.
Модель форматтарының арасында MP3, WAV, FLAC және PCM бар; жалпы синтез баптауларында Opus пен G.711 μ-law нұсқалары да сипатталған. Моно немесе стерео қолдануға болады. Бұл карточкада мәтінді дыбыстау қолжетімді, ал дауысты бөлек дайындау мен кеңейтілген баптаулар тек Ailoot арқылы қолдау көрсетілетін жүгіну тәсілі шегінде қолданылады.
Қосымша дыбыс баптаулары 8, 16, 22,05, 24, 32 және 44,1 кГц дискреттеу жиіліктерін қамтиды. MP3 үшін 32, 64, 128 немесе 256 кбит/с битрейт қарастырылған. Дауыстың реңкін өзгертіп, бір әсерді қолдануға да болады: кең кеңістіктегі жаңғырық, зал жаңғырығы, телефон дыбысы немесе робот дауысы. Дауысты өзгерту әсерлері аудионы тұтас алғанда MP3, WAV және FLAC үшін, ал ағындық шығыста тек MP3 үшін қолданылады. G.711 μ-law форматтары 8 кГц жиілігін қолданады. Бұл мүмкіндіктер MiniMax синтез баптауларына жатады.
Өндіруші сөйлеуді мәтінмен синхрондауды қарастырған: сөйлемдер, сөздер немесе біртіндеп шығару кезіндегі сөздер бойынша уақыт белгілері. Мұндай нәтиже айтылуды мәтіннің көрсетілуімен үйлестіруге көмектеседі. Бұл қосымша мүмкіндік тиісті жауап форматының қолдауын қажет етеді.
Ailoot · Дыбыстау POST /v1/audio/speech speech-02-hd
speech-02-hdБастау
Speech-02 HD — дыбыс сапасына және дауыс ұқсастығына басымдық беретін сөйлеу синтезі моделі.
- Қабылданатын кіріс деректері
- Мәтін
- Нәтижелер
- speech
Ailoot жүйесінде қолжетімді · кіріс деректері мен әдістер
Ailoot · Дыбыстау POST /v1/audio/speech
- Кіріс
text- Шығыс
speech- Шығыс пішімі
- mp3
| Өріс | Түрі | Талап | Мәндер мен шектеулер | Әдепкі |
|---|---|---|---|---|
Өрісmodel | Түріstring | ТалапМіндетті | Мәндер мен шектеулер speech-02-hd | Әдепкі— |
Өрісinput | Түріstring | ТалапМіндетті | Мәндер мен шектеулер Ең аз ұзындық: 1 Ең үлкен ұзындық (шегі кірмейді): 10 000 Бірлік: Unicode таңбалары | Әдепкі— |
Өрісvoice | Түріstring | ТалапМіндетті | Мәндер мен шектеулер Үлгі: ^[A-Za-z0-9_-]{1,128}$ | Әдепкі— |
Өрісresponse_format | Түріstring | ТалапМіндетті емес | Мәндер мен шектеулер mp3 | Әдепкі— |
Кіріс материалдарының үйлесімдері
text_to_speech · Міндетті: input
Әдіс параметрлері мен өмірлік циклі
| Параметр | Параметр талаптары |
|---|---|
Параметрmaterial_types | Параметр талаптарыtext |
Параметрrequired | Параметр талаптарыnull |
Параметрoptional_controls | Параметр талаптарыnull |
Өмірлік цикл: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · Нақты қайтарылған task_id немесе медиатека жазбасы
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Әдіс құрылымдары мен ID мәндері дәл берілген; жеткізушінің мүмкіндігі сұрауды қабылдаудан бөлек қаралады.
Тарифтер
Ailoot әдістерінің мөлшерлемелері
POST /v1/audio/speech- Кіріс
- 100,00 $ 1 миллион таңба 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 · Дыбыстау
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 narration script}"
export AILOOT_TEXT_FILE
: "${AILOOT_VOICE_ID:?Set the actual accepted voice ID for this model}"
export AILOOT_VOICE_ID
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "speech-02-hd", "input": ""}')
f=Path(os.environ["AILOOT_TEXT_FILE"])
if not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")
text=f.read_text(encoding="utf-8")
if not text.strip():raise SystemExit("Source material must contain text")
p["input"]=text
import re
voice=os.environ["AILOOT_VOICE_ID"]
if not re.fullmatch(r"[A-Za-z0-9_-]{1,128}",voice):raise SystemExit("Set an actual accepted voice ID")
p["voice"]=voice
Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \
-H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o speech.mp3
Нәтижелерді алу және сақтау
Ailoot · Дыбыстау
mp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Барлық дайын нәтижені сақтау
Қайтарылған әр толық жауапты, файлды және мазмұн бөлігін сақтаңыз.
Толық бинарлық нәтижені және тақырыптарды сақтаңыз. JSON/бірнеше нәтиже қайтарылса, әрбір дерек элементін сақтап, активке берілген әрбір нақты қолтаңбаланған URL мекенжайынан жүктеп алыңыз.
Бастапқы жауапты тексеру қажет болса
Қайта жібермей салыстырып тексеру үшін бастапқы operation_id/X-Client-Request-ID мәнін сақтаңыз; аудио күйін мерзімді түрде сұратуға арналған жеке маршрут жоқ.
Жауап өрістері
| Өріс | Түрі |
|---|---|
Өрісbinary audio | Түріbytes |
Өрісresponse headers | Түріheaders |
Қателер және келесі қадамдар
| Жауап | Шарт | Келесі қадам |
|---|---|---|
Жауап400 · invalid_request_error | ШартМіндетті өрістер, материалды ұсыну тәсілі немесе параметр мәні қате | Келесі қадамЖаңадан жасау сұрауын жібермес бұрын көрсетілген өрістерді түзетіңіз. |
Жауапserver_error | ШартҚайтарылған жауапта операцияны немесе нәтижені тексеру қажет екені көрсетілген | Келесі қадамБастапқыда қайтарылған операцияның/тапсырманың ID мәнін, сұрау тақырыптарын және жауабын сақтаңыз; сол бастапқы операцияны қолдау көрсетілетін тәсілдермен оқуды жалғастырыңыз. Жасау сұрауын қайта жібермеңіз. |
Балама атаулар
Модельдердің балама атаулары
Ailoot speech-02-hd
Әдіс жолдарының балама атаулары
Жоғарыда көрсетілген әдіс жолдарын пайдаланыңыз.
Шақыруға арналған байланысты ID
FAQ · speech-02-hd
- Қандай кіріс деректері мен нәтижелер қолжетімді?
POST /v1/audio/speech·speech-02-hd:text→speech- Сұрау қандай өрістерді пайдаланады?
POST /v1/audio/speech·speech-02-hd:model,input,voice,response_format