speech-02-turbo
Speech-02 Turbo тұрақты ырғақпен және көптілді дыбысталумен жылдам сөйлеу синтезіне арналған.
Модель туралы
Бұл сипаттама модель мүмкіндіктерін қамтиды. Ailoot жүйесінде таңдалған әдіс үшін қолжетімді кіріс, шығыс және параметрлер төменде берілген.
Интерактивті жауапқа арналған жылдам сөйлеу
Speech 02 Turbo интерактивті сөйлеу синтезіне арналған. Өндіруші жылдамдықтың тұрақты ырғақпен және табиғи дыбысталумен үйлесуін сипаттайды; сценарийлер арасында дауыстық жауаптар, ойын репликалары және интерактивті контент бар. Модель мәтінді алып, сөйлеу аудиосын қалыптастырады.
Дыбысталу сипатын таңдау
Speech 02 тобы дауысты, тілді, акцентті және эмоциялық реңкті үйлестіруге мүмкіндік береді. Бірге үйретілетін авторегрессиялық Transformer мен сөйлеуші кодтағышы тембрді мазмұнмен байланыстырады. Мәтінді дайын дауыспен синтездеуге болады; жаңа клондалған дауысты жасау бөлек дайындыққа жатады.
Модель мәтінге қарай эмоциялық интонацияны өзі таңдайды немесе берілген күйді қабылдайды: қуаныш, мұң, ашу, қорқыныш, жиіркену, таңдану немесе сабырлылық. Репликаны қажетті өзара әрекет қарқынымен үйлестіру үшін жылдамдық, биіктік және дыбыс қаттылығы қосымша басқарылады.
Тілдер және сөздерді оқу
Орысша сөйлеу және басқа тілдер, соның ішінде ағылшын, қытай, кантон, жапон, корей, француз, неміс, испан, португал, түрік, араб және украин тілдері қолдау табады. Speech 02-нің қазіргі спецификациясында парсы, филиппин және тамил тілдері бөлек алынып тасталған.
Айтылуды алмастыру сөздігі, халықаралық фонетикалық жазба, қытай пиньині және жапонша оқу нұсқалары арқылы нақтылауға болады. Айтылатын бөліктер арасындағы үзілістер 0,01–99,99 секунд шегінде беріледі. Үзіліс ұзақтығы үтірден кейінгі екі таңба дәлдігімен белгіленеді; маркерлер айтылатын үзінділер арасында орналастырылады және қатарынан қойылмайды. Модель 0,5–2 жылдамдықты, 0-ден жоғары және 10-ға дейінгі дыбыс қаттылығын, −12-ден 12-ге дейінгі биіктік өзгерісін қарастырады.
Ойнатуға арналған аудио
Синхронды кіріс 10 000 таңбадан аз мәтінмен шектеледі; 3000 таңбадан асатын көлем үшін өндіруші біртіндеп шығаруды ұсынады. Модель мүмкіндіктері MP3, WAV, FLAC және PCM форматтарын қамтиды; жалпы баптауларда Opus пен G.711 μ-law, бір немесе екі аудиоарна да сипатталған.
Бұл Ailoot карточкасы мәтінді қабылдап, сөйлеу қайтарады. Turbo жылдамдығы модель нұсқасының мақсатына қатысты; нақты жауаптың ұзақтығы мен кеңейтілген форматтардың қолжетімділігі таңдалған жүгіну тәсілімен анықталады.
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-turbo
speech-02-turboБастау
Speech-02 Turbo тұрақты ырғақпен және көптілді дыбысталумен жылдам сөйлеу синтезіне арналған.
- 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-turbo | 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
- 60,00 $ 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-turbo", "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-turbo
Әдіс жолдарының балама атаулары
Жоғарыда көрсетілген әдіс жолдарын пайдаланыңыз.
Шақыруға арналған байланысты ID
FAQ · speech-02-turbo
- Қандай кіріс деректері мен нәтижелер қолжетімді?
POST /v1/audio/speech·speech-02-turbo:text→speech- Сұрау қандай өрістерді пайдаланады?
POST /v1/audio/speech·speech-02-turbo:model,input,voice,response_format