speech-2.6-hd
Speech 2.6 HD — табиғилыққа және дауыс ұқсастығына басымдық беретін сапалы сөйлеу синтезі моделі.
Модель туралы
Бұл сипаттама модель мүмкіндіктерін қамтиды. Ailoot жүйесінде таңдалған әдіс үшін қолжетімді кіріс, шығыс және параметрлер төменде берілген.
Өзара әрекетке арналған табиғи дауыс
Speech 2.6 HD табиғи сөйлеу синтезіне және жауапты жылдам бастау маңызды болатын сценарийлерге арналған. Өндіруші интонацияға, сөйлеудің жатықтығына және айтылғанға дейін мәтінді өңдеуге көңіл бөледі. HD нұсқасы дыбыс сапасына басымдық береді; бұл карточканың кірісі — мәтін, шығысы — сөйлеу аудиосы.
Қалыптан тыс жазбаларды оқу
Speech 2.6 буыны жұмыс хабарламаларында жиі кездесетін жазбаларды өңдей алады: бет мекенжайлары, электрондық пошта, телефон нөмірлері, күндер және ақша сомалары. Модель реплика естуге түсінікті болуы үшін оларды айтылатын түрге келтіреді. Өндіруші мұндай тапсырмаларды бірнеше тілде сипаттайды.
Тембрді сақтайтын жатық сөйлеу
Speech 2.6-да сөйлеу жатықтығын арттыратын Fluent LoRA режимі қарастырылған. Ол дайын дауыс негізінде синтездеуге арналған: бастапқы үлгі біркелкі болмаса немесе акценті болса да, тембрді сақтап, байланыстырақ сөйлеу қалыптастыруға көмектеседі. Клондалған дауысты дайындау және оны дыбыстауда қолдану — әртүрлі әрекеттер.
Орыс тілін қоса алғанда 40 тіл қолдау табады. Жеті негізгі эмоциялық күйге қоса, Speech 2.6 үшін жатық сөйлеудің fluent және сыбырдың whisper нұсқалары қарастырылған. Эмоция көрсетілмесе, модель оны мәтін мағынасына қарай таңдайды.
Айтылу баптаулары
MiniMax дауысты таңдауды және қарқын, дыбыс қаттылығы мен биіктігін басқаруды қарастырған. Жылдамдық 0,5–2 аралығында, дыбыс қаттылығы 0-ден жоғары және 10-ға дейін, биіктік өзгерісі −12-ден 12-ге дейін беріледі. Эмоцияны мәтін мағынасына қарай модельдің таңдауына қалдыруға немесе қолмен көрсетуге болады: қуаныш, мұң, ашу, қорқыныш, жиіркену, таңдану немесе сабырлылық.
Айтылуды алмастыру сөздігі мен фонетикалық жазба арқылы нақтылауға болады; онда халықаралық фонетикалық әліпби, қытай пиньині және жапонша оқу нұсқалары қарастырылған. Үзілістер айтылатын үзінділер арасында 0,01–99,99 секунд аралығында беріледі. Үзіліс ұзақтығы үтірден кейінгі екі таңба дәлдігімен белгіленеді; маркерлер айтылатын үзінділер арасында орналастырылады және қатарынан қойылмайды. Мұндай баптаулар есімдердің, қысқартулардың және мағынасы екіұшты сөздердің дыбысталуын дыбыстау ойымен үйлестіруге мүмкіндік береді.
Мәтін ұзындығы және аудио
Синтез 10 000 таңбадан аз мәтінді қабылдайды. 3000 таңбадан асатын ұзақ мәтін үшін өндіруші ағындық шығысты ұсынады; дайын аудионы тұтас алу да қарастырылған. Жалпы синтез баптаулары MP3, PCM, FLAC, WAV, Opus және G.711 μ-law нұсқаларын, моно немесе стереоны қамтиды; нақты сұраудың қолжетімді форматтары Ailoot құралдарымен анықталады.
MiniMax дерегіне сәйкес, бұл буын дауыстық сценарийлердегі төмен кідіріске бағытталған. Бұл — модель сипаттамасы; нақты жауап уақыты мен кеңейтілген баптаулардың қолжетімділігі Ailoot-та таңдалған жүгіну тәсіліне байланысты.
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-2.6-hd
speech-2.6-hdБастау
Speech 2.6 HD — табиғилыққа және дауыс ұқсастығына басымдық беретін сапалы 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-2.6-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-2.6-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-2.6-hd
Әдіс жолдарының балама атаулары
Жоғарыда көрсетілген әдіс жолдарын пайдаланыңыз.
Шақыруға арналған байланысты ID
FAQ · speech-2.6-hd
- Қандай кіріс деректері мен нәтижелер қолжетімді?
POST /v1/audio/speech·speech-2.6-hd:text→speech- Сұрау қандай өрістерді пайдаланады?
POST /v1/audio/speech·speech-2.6-hd:model,input,voice,response_format