{ "aboutHtml": "

MiniMax Speech 01 HD pateiktą tekstą paverčia kalbos garso įrašu. Tikslus jo Ailoot modelio ID yra minimax/speech-01-hd, o dokumentuotas sintezės parinkiklis – speech-01-hd. Naudokite audio_speech metodą įgarsinimui, garsinei pamokai, produkto paaiškinimui ar pasakojimo juodraščiui, kurio tekstą jau turite. Įvestis yra perskaitytina ištrauka, o rezultatas – susintetinta kalba pasirinktu garso formatu.

Paruoškite tekstą kaip tariamus žodžius su frazavimą atspindinčia skyryba. Pasakojimo juodraščiui pateikite galutinę sakinių tvarką ir vardų rašybą prieš pasirinkdami balso nustatymus. Režisūrines pastabas laikykite atskirai nuo tariamos ištraukos, nebent tie žodžiai turi patekti į įrašą. Rezultate išklausykite svarbius vardus, skaičius ir perėjimus bei palyginkite juos su pradiniu tekstu.

Tekstas turi būti trumpesnis nei 10 000 simbolių. Paskelbta sintezės sutartis reikalauja model ir text. Ilgesnei medžiagai paruoškite šios ribos neviršijančias ištraukas ir išsaugokite jų tvarką redagavimui. Sinchroninis profilis naudoja visą atsakymą, o stream=false yra dokumentuota numatytoji reikšmė. Bendrojoje API taip pat aprašytos srautinio perdavimo galimybės, tačiau šioje kortelėje pasirinktas metodas yra sinchroninė kalbos darbo eiga.

voice_setting parenka prieinamą voice_id ir valdo speed, vol bei pitch. Dokumentuotas speed intervalas yra 0,5–2, o numatytoji reikšmė – 1. vol turi būti didesnis nei 0 ir ne didesnis nei 10, o numatytoji reikšmė – 1; pitch yra sveikasis skaičius nuo -12 iki 12, kurio numatytoji reikšmė yra 0. Kiekvieną nustatymą pritaikykite ištraukai: palyginkite tikrojo įrašo skaitymo tempą ir girdimumą, užuot darę prielaidą, kad skaitinis pakeitimas sukuria tam tikrą atlikimą.

Dokumentuotos emotion reikšmės yra happy, sad, angry, fearful, disgusted, surprised, calm ir fluent. Tekstas taip pat gali nukreipti modelio emociją. text_normalization yra atskiras loginis valdiklis, skirtas skaičių skaitymui kinų ir anglų kalbomis paruošti, o latex_read valdo LaTeX formulių skaitymą; abiejų numatytoji reikšmė yra false. pronunciation_dict.tone gali pateikti dokumentuotas tarimo pakeitimo taisykles. Prieš naudodami vardą ar specialų posakį ilgesniame pasakojime, patikrinkite jį gautame garso įraše.

audio_setting.format priima mp3, pcm, flac arba wav, o numatytoji reikšmė yra mp3. sample_rate priima 8000, 16000, 22050, 24000, 32000 arba 44100, o numatytoji reikšmė yra 32000. bitrate priima 32000, 64000, 128000 arba 256000, jo numatytoji reikšmė yra 128000 ir jis taikomas MP3. channel parenka 1 monofoniniam arba 2 stereofoniniam garsui, o numatytoji reikšmė yra 1. Šiuos pasirinkimus laikykite kartu su pradine ištrauka, kad būtų galima patikrinti grąžinto failo tinkamumą numatytai redagavimo ar atkūrimo vietai.

Papildomi dokumentuoti valdikliai apima language_boost, kurio tikslūs vardiniai pasirinkimai apima English, Russian, Chinese ir Chinese,Yue; ištraukai pasirinkite tikrą sąraše esančią reikšmę. timber_weights gali sujungti esamus voice_id įrašus su sveikosiomis weight reikšmėmis nuo 1 iki 100. Paskelbtos sound_effects reikšmės yra spacious_echo, auditorium_echo, lofi_telephone ir robotic. Tai pasirinktiniai valdikliai pasirinktam balsui formuoti; lygindami skaitymo variantus užfiksuokite tikruosius jų nustatymus.

Sinchroniniame rezultate yra sugeneruota kalba. output_format parenka url arba hex, o sintezės schemoje jo numatytoji reikšmė yra hex. Atsisiųskite failą, į kurį nurodo URL rezultatas, arba prieš atkurdami iškoduokite hex rezultatą į garso baitus. Grąžintus garso metaduomenis, įskaitant formatą, diskretizavimo dažnį, kanalų skaičių ir dydį, išsaugokite kartu su įrašu. subtitle_enable numatytoji reikšmė yra false, o įjungtas jis taikomas tik nesrautinei išvesčiai; šaltinis nenustato šio profilio subtitrų failo formato.

Pradinę ištrauką, tikslų modelio ID, pasirinktą balsą ir užbaigtą įrašą išsaugokite kartu. Prieš įtraukdami įrašą į vaizdo įrašą, pamoką ar garsinį vadovą, perklausykite visą tekstą ir patikrinkite numatytus žodžius, pauzes bei pasirinktus atlikimo nustatymus. Jei atsakymas nepilnas, prieš prašydami kito įrašo išsaugokite pradinės užklausos tapatybę ir grąžintą informaciją rezultatui suderinti. Vėlesnėje pataisoje galima pakeisti konkrečią frazę ar balso nustatymą, o likusią scenarijaus dalį išsaugoti aiškiam palyginimui.

", "aboutText": "MiniMax Speech 01 HD pateiktą tekstą paverčia kalbos garso įrašu. Tikslus jo Ailoot modelio ID yra minimax/speech-01-hd, o dokumentuotas sintezės parinkiklis – speech-01-hd. Naudokite audio_speech metodą įgarsinimui, garsinei pamokai, produkto paaiškinimui ar pasakojimo juodraščiui, kurio tekstą jau turite. Įvestis yra perskaitytina ištrauka, o rezultatas – susintetinta kalba pasirinktu garso formatu.\n\nParuoškite tekstą kaip tariamus žodžius su frazavimą atspindinčia skyryba. Pasakojimo juodraščiui pateikite galutinę sakinių tvarką ir vardų rašybą prieš pasirinkdami balso nustatymus. Režisūrines pastabas laikykite atskirai nuo tariamos ištraukos, nebent tie žodžiai turi patekti į įrašą. Rezultate išklausykite svarbius vardus, skaičius ir perėjimus bei palyginkite juos su pradiniu tekstu.\n\nTekstas turi būti trumpesnis nei 10 000 simbolių. Paskelbta sintezės sutartis reikalauja model ir text. Ilgesnei medžiagai paruoškite šios ribos neviršijančias ištraukas ir išsaugokite jų tvarką redagavimui. Sinchroninis profilis naudoja visą atsakymą, o stream=false yra dokumentuota numatytoji reikšmė. Bendrojoje API taip pat aprašytos srautinio perdavimo galimybės, tačiau šioje kortelėje pasirinktas metodas yra sinchroninė kalbos darbo eiga.\n\nvoice_setting parenka prieinamą voice_id ir valdo speed, vol bei pitch. Dokumentuotas speed intervalas yra 0,5–2, o numatytoji reikšmė – 1. vol turi būti didesnis nei 0 ir ne didesnis nei 10, o numatytoji reikšmė – 1; pitch yra sveikasis skaičius nuo -12 iki 12, kurio numatytoji reikšmė yra 0. Kiekvieną nustatymą pritaikykite ištraukai: palyginkite tikrojo įrašo skaitymo tempą ir girdimumą, užuot darę prielaidą, kad skaitinis pakeitimas sukuria tam tikrą atlikimą.\n\nDokumentuotos emotion reikšmės yra happy, sad, angry, fearful, disgusted, surprised, calm ir fluent. Tekstas taip pat gali nukreipti modelio emociją. text_normalization yra atskiras loginis valdiklis, skirtas skaičių skaitymui kinų ir anglų kalbomis paruošti, o latex_read valdo LaTeX formulių skaitymą; abiejų numatytoji reikšmė yra false. pronunciation_dict.tone gali pateikti dokumentuotas tarimo pakeitimo taisykles. Prieš naudodami vardą ar specialų posakį ilgesniame pasakojime, patikrinkite jį gautame garso įraše.\n\naudio_setting.format priima mp3, pcm, flac arba wav, o numatytoji reikšmė yra mp3. sample_rate priima 8000, 16000, 22050, 24000, 32000 arba 44100, o numatytoji reikšmė yra 32000. bitrate priima 32000, 64000, 128000 arba 256000, jo numatytoji reikšmė yra 128000 ir jis taikomas MP3. channel parenka 1 monofoniniam arba 2 stereofoniniam garsui, o numatytoji reikšmė yra 1. Šiuos pasirinkimus laikykite kartu su pradine ištrauka, kad būtų galima patikrinti grąžinto failo tinkamumą numatytai redagavimo ar atkūrimo vietai.\n\nPapildomi dokumentuoti valdikliai apima language_boost, kurio tikslūs vardiniai pasirinkimai apima English, Russian, Chinese ir Chinese,Yue; ištraukai pasirinkite tikrą sąraše esančią reikšmę. timber_weights gali sujungti esamus voice_id įrašus su sveikosiomis weight reikšmėmis nuo 1 iki 100. Paskelbtos sound_effects reikšmės yra spacious_echo, auditorium_echo, lofi_telephone ir robotic. Tai pasirinktiniai valdikliai pasirinktam balsui formuoti; lygindami skaitymo variantus užfiksuokite tikruosius jų nustatymus.\n\nSinchroniniame rezultate yra sugeneruota kalba. output_format parenka url arba hex, o sintezės schemoje jo numatytoji reikšmė yra hex. Atsisiųskite failą, į kurį nurodo URL rezultatas, arba prieš atkurdami iškoduokite hex rezultatą į garso baitus. Grąžintus garso metaduomenis, įskaitant formatą, diskretizavimo dažnį, kanalų skaičių ir dydį, išsaugokite kartu su įrašu. subtitle_enable numatytoji reikšmė yra false, o įjungtas jis taikomas tik nesrautinei išvesčiai; šaltinis nenustato šio profilio subtitrų failo formato.\n\nPradinę ištrauką, tikslų modelio ID, pasirinktą balsą ir užbaigtą įrašą išsaugokite kartu. Prieš įtraukdami įrašą į vaizdo įrašą, pamoką ar garsinį vadovą, perklausykite visą tekstą ir patikrinkite numatytus žodžius, pauzes bei pasirinktus atlikimo nustatymus. Jei atsakymas nepilnas, prieš prašydami kito įrašo išsaugokite pradinės užklausos tapatybę ir grąžintą informaciją rezultatui suderinti. Vėlesnėje pataisoje galima pakeisti konkrečią frazę ar balso nustatymą, o likusią scenarijaus dalį išsaugoti aiškiam palyginimui.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "f2b41bda6e5a6b09b793db26d4f882e896499e13a6a831acdb55cd95e89d3742", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "lt", "methods": [ { "html": "
MM

MiniMax: Speech 01 HD

MiniMax /minimax/speech-01-hd

Pradžia

MiniMax Speech 01 HD pateiktą tekstą perskaito kaip sugeneruotą kalbą per sinchroninę audio_speech užklausą. Jis priima trumpesnį nei 10 000 simbolių tekstą ir siūlo balso, tempo bei aukščio nustatymus su MP3, PCM, FLAC arba WAV išvestimi.

Leidžiamos įvestys
Tekstas
Rezultatai
Garsas
Apie modelį

Šis aprašas apima modelio galimybes. Pasirinktam metodui Ailoot prieinamos įvestys, išvestys ir parinktys nurodytos toliau.

MiniMax Speech 01 HD pateiktą tekstą paverčia kalbos garso įrašu. Tikslus jo Ailoot modelio ID yra minimax/speech-01-hd, o dokumentuotas sintezės parinkiklis – speech-01-hd. Naudokite audio_speech metodą įgarsinimui, garsinei pamokai, produkto paaiškinimui ar pasakojimo juodraščiui, kurio tekstą jau turite. Įvestis yra perskaitytina ištrauka, o rezultatas – susintetinta kalba pasirinktu garso formatu.

Paruoškite tekstą kaip tariamus žodžius su frazavimą atspindinčia skyryba. Pasakojimo juodraščiui pateikite galutinę sakinių tvarką ir vardų rašybą prieš pasirinkdami balso nustatymus. Režisūrines pastabas laikykite atskirai nuo tariamos ištraukos, nebent tie žodžiai turi patekti į įrašą. Rezultate išklausykite svarbius vardus, skaičius ir perėjimus bei palyginkite juos su pradiniu tekstu.

Tekstas turi būti trumpesnis nei 10 000 simbolių. Paskelbta sintezės sutartis reikalauja model ir text. Ilgesnei medžiagai paruoškite šios ribos neviršijančias ištraukas ir išsaugokite jų tvarką redagavimui. Sinchroninis profilis naudoja visą atsakymą, o stream=false yra dokumentuota numatytoji reikšmė. Bendrojoje API taip pat aprašytos srautinio perdavimo galimybės, tačiau šioje kortelėje pasirinktas metodas yra sinchroninė kalbos darbo eiga.

voice_setting parenka prieinamą voice_id ir valdo speed, vol bei pitch. Dokumentuotas speed intervalas yra 0,5–2, o numatytoji reikšmė – 1. vol turi būti didesnis nei 0 ir ne didesnis nei 10, o numatytoji reikšmė – 1; pitch yra sveikasis skaičius nuo -12 iki 12, kurio numatytoji reikšmė yra 0. Kiekvieną nustatymą pritaikykite ištraukai: palyginkite tikrojo įrašo skaitymo tempą ir girdimumą, užuot darę prielaidą, kad skaitinis pakeitimas sukuria tam tikrą atlikimą.

Dokumentuotos emotion reikšmės yra happy, sad, angry, fearful, disgusted, surprised, calm ir fluent. Tekstas taip pat gali nukreipti modelio emociją. text_normalization yra atskiras loginis valdiklis, skirtas skaičių skaitymui kinų ir anglų kalbomis paruošti, o latex_read valdo LaTeX formulių skaitymą; abiejų numatytoji reikšmė yra false. pronunciation_dict.tone gali pateikti dokumentuotas tarimo pakeitimo taisykles. Prieš naudodami vardą ar specialų posakį ilgesniame pasakojime, patikrinkite jį gautame garso įraše.

audio_setting.format priima mp3, pcm, flac arba wav, o numatytoji reikšmė yra mp3. sample_rate priima 8000, 16000, 22050, 24000, 32000 arba 44100, o numatytoji reikšmė yra 32000. bitrate priima 32000, 64000, 128000 arba 256000, jo numatytoji reikšmė yra 128000 ir jis taikomas MP3. channel parenka 1 monofoniniam arba 2 stereofoniniam garsui, o numatytoji reikšmė yra 1. Šiuos pasirinkimus laikykite kartu su pradine ištrauka, kad būtų galima patikrinti grąžinto failo tinkamumą numatytai redagavimo ar atkūrimo vietai.

Papildomi dokumentuoti valdikliai apima language_boost, kurio tikslūs vardiniai pasirinkimai apima English, Russian, Chinese ir Chinese,Yue; ištraukai pasirinkite tikrą sąraše esančią reikšmę. timber_weights gali sujungti esamus voice_id įrašus su sveikosiomis weight reikšmėmis nuo 1 iki 100. Paskelbtos sound_effects reikšmės yra spacious_echo, auditorium_echo, lofi_telephone ir robotic. Tai pasirinktiniai valdikliai pasirinktam balsui formuoti; lygindami skaitymo variantus užfiksuokite tikruosius jų nustatymus.

Sinchroniniame rezultate yra sugeneruota kalba. output_format parenka url arba hex, o sintezės schemoje jo numatytoji reikšmė yra hex. Atsisiųskite failą, į kurį nurodo URL rezultatas, arba prieš atkurdami iškoduokite hex rezultatą į garso baitus. Grąžintus garso metaduomenis, įskaitant formatą, diskretizavimo dažnį, kanalų skaičių ir dydį, išsaugokite kartu su įrašu. subtitle_enable numatytoji reikšmė yra false, o įjungtas jis taikomas tik nesrautinei išvesčiai; šaltinis nenustato šio profilio subtitrų failo formato.

Pradinę ištrauką, tikslų modelio ID, pasirinktą balsą ir užbaigtą įrašą išsaugokite kartu. Prieš įtraukdami įrašą į vaizdo įrašą, pamoką ar garsinį vadovą, perklausykite visą tekstą ir patikrinkite numatytus žodžius, pauzes bei pasirinktus atlikimo nustatymus. Jei atsakymas nepilnas, prieš prašydami kito įrašo išsaugokite pradinės užklausos tapatybę ir grąžintą informaciją rezultatui suderinti. Vėlesnėje pataisoje galima pakeisti konkrečią frazę ar balso nustatymą, o likusią scenarijaus dalį išsaugoti aiškiam palyginimui.

Prieinama Ailoot · įvestys ir metodai

Ailoot Ultra · Speech POST /v1/audio/speech
Įvestis
text
Išvestis
audio
Išvesties formatas
mp3,pcm,flac,wav
LaukasTipasReikalavimasReikšmės ir ribosNumatyta
LaukasmodelTipasstringReikalavimasPrivalomaReikšmės ir ribos
minimax/speech-01-hd
Numatyta—
LaukastextTipasstringReikalavimasPrivalomaReikšmės ir ribosNumatyta—
LaukasstreamTipasbooleanReikalavimasNeprivalomaReikšmės ir ribos
false
Numatytafalse
Laukasvoice_settingTipasobjectReikalavimasNeprivalomaReikšmės ir ribosNumatyta—
Laukasvoice_setting.voice_idTipasstringReikalavimasNeprivalomaReikšmės ir ribosNumatyta—
Laukasvoice_setting.speedTipasnumberReikalavimasNeprivalomaReikšmės ir ribos
Mažiausia reikšmė: 0,5
Didžiausia reikšmė: 2
Numatyta1
Laukasvoice_setting.volTipasnumberReikalavimasNeprivalomaReikšmės ir ribos
Mažiausia reikšmė: 0
Didžiausia reikšmė: 10
Numatyta1
Laukasvoice_setting.pitchTipasintegerReikalavimasNeprivalomaReikšmės ir ribos
Mažiausia reikšmė: −12
Didžiausia reikšmė: 12
Numatyta0
Laukasvoice_setting.emotionTipasstringReikalavimasNeprivalomaReikšmės ir ribos
happy, sad, angry, fearful, disgusted, surprised, calm, fluent
Numatyta—
Laukasvoice_setting.text_normalizationTipasbooleanReikalavimasNeprivalomaReikšmės ir ribosNumatytafalse
Laukasvoice_setting.latex_readTipasbooleanReikalavimasNeprivalomaReikšmės ir ribosNumatytafalse
Laukasaudio_settingTipasobjectReikalavimasNeprivalomaReikšmės ir ribosNumatyta—
Laukasaudio_setting.sample_rateTipasintegerReikalavimasNeprivalomaReikšmės ir ribos
8 000, 16 000, 22 050, 24 000, 32 000, 44 100
Numatyta32 000
Laukasaudio_setting.bitrateTipasintegerReikalavimasNeprivalomaReikšmės ir ribos
32 000, 64 000, 128 000, 256 000
Numatyta128 000
Laukasaudio_setting.formatTipasstringReikalavimasNeprivalomaReikšmės ir ribos
mp3, pcm, flac, wav
Numatytamp3
Laukasaudio_setting.channelTipasintegerReikalavimasNeprivalomaReikšmės ir ribos
1, 2
Numatyta1
Laukasaudio_setting.force_cbrTipasbooleanReikalavimasNeprivalomaReikšmės ir ribosNumatytafalse
Laukaspronunciation_dictTipasobjectReikalavimasNeprivalomaReikšmės ir ribosNumatyta—
Laukaspronunciation_dict.toneTipasarrayReikalavimasNeprivalomaReikšmės ir ribosNumatyta—
Laukastimber_weightsTipasarrayReikalavimasNeprivalomaReikšmės ir ribosNumatyta—
Laukaslanguage_boostTipasstringReikalavimasNeprivalomaReikšmės ir ribos
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
Numatyta—
Laukasvoice_modifyTipasobjectReikalavimasNeprivalomaReikšmės ir ribosNumatyta—
Laukasvoice_modify.pitchTipasintegerReikalavimasNeprivalomaReikšmės ir ribos
−100, 100
Numatyta—
Laukasvoice_modify.intensityTipasintegerReikalavimasNeprivalomaReikšmės ir ribos
−100, 100
Numatyta—
Laukasvoice_modify.timbreTipasintegerReikalavimasNeprivalomaReikšmės ir ribos
−100, 100
Numatyta—
Laukasvoice_modify.sound_effectsTipasstringReikalavimasNeprivalomaReikšmės ir ribos
spacious_echo, auditorium_echo, lofi_telephone, robotic
Numatyta—
Laukassubtitle_enableTipasbooleanReikalavimasNeprivalomaReikšmės ir ribosNumatytafalse
Laukasoutput_formatTipasstringReikalavimasNeprivalomaReikšmės ir ribos
url, hex
Numatytahex
Laukasaigc_watermarkTipasbooleanReikalavimasNeprivalomaReikšmės ir ribosNumatytafalse
Metodo parametrai ir gyvavimo ciklas
ParametrasSpecifikacija
Parametrascontent_typeSpecifikacijaapplication/json
ParametrasrequiredSpecifikacijamodel, text
ParametrasoptionalSpecifikacijastream, voice_setting, audio_setting, pronunciation_dict, timber_weights, language_boost, voice_modify, subtitle_enable, output_format, aigc_watermark
Parametrasmaterial_typesSpecifikacijatext
ParametrasconditionsSpecifikacijaUse 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.

Gyvavimo ciklas: synchronous_result_then_owned_library

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Planai

Tarifų informacija neprideda užklausos parinkčių. Palaikomi parametrai nurodyti prie pasirinkto metodo.

Spartusis režimas
Nenurodyta Pasirinkus spartųjį režimą
Flex režimas
Nenurodyta Pasirinkus flex režimą
Didžiausios samprotavimo pastangos
Nenurodyta Kai didžiausioms samprotavimo pastangoms taikomas numatytasis koregavimas (default)

Ailoot įkainiai

Kainos pagal konfigūraciją

Kiekvieną mokestį susiekite su nurodytomis sąlygomis. Kiekvienam alternatyvių konfigūracijų rinkiniui taikykite vieną įkainį.

KonfigūracijaĮkainių lentelėApskaitos vienetasMokestis
KonfigūracijaBaziniai žetonų įkainiaiĮkainių lentelėBazinis įkainisApskaitos vienetas—Mokestis
Įvestis · Įvesties tokenai — / 1K tokenų
Išvestis · Išvesties tokenai — / 1K tokenų
Įvestis · Talpyklos skaitymas — / 1K tokenų
Įvestis · Rašymas į talpyklą — / 1K tokenų
Įvestis · Rašymas į talpyklą, 1 val — / 1K tokenų
Konfigūracijaįvesties simbolisĮkainių lentelė—Apskaitos vienetasuž įvesties simbolįMokestis
Įvestis · įvesties simbolis $0.000105 už įvesties simbolį

Ailoot prieš užklausą rezervuoja numatomą sumą. Gavus rezultatą, galutinis mokestis nuskaitomas pagal išmatuotą naudojimą. Srautinio atsakymo atsiskaitymui naudojamas galutinis naudojimo įrašas. Kaip veikia rezervavimas ir atsiskaitymas →

Užklausų pavyzdžiai

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-01-hd", "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

Gauti ir išsaugoti rezultatus

Ailoot Ultra · Speech

mp3,pcm,flac,wav

Išsaugoti visus baigtus rezultatus

Išsaugokite kiekvieną visą grąžintą atsakymą, failą ir turinio dalį.

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.

Jei reikia patikrinti pradinį atsakymą

Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.

Atsakymo laukai
LaukasTipas
Laukasdata.audioTipasstring
Laukasextra_infoTipasobject
Laukastrace_idTipasstring

Pseudonimai

Modelių pseudonimai

Ailoot Ultra minimax/speech-01-hd

Metodų kelių pseudonimai

Naudokite aukščiau nurodytus metodų kelius.

Susiję ID iškvietimui

minimax/speech-01-hd

", "method_identity": { "effective_request_model_id": "minimax/speech-01-hd", "fmt": "speech", "http": "POST", "path": "/v1/audio/speech", "request_model_id": "minimax/speech-01-hd", "route_label": "Ultra" }, "method_key": "Ultra|speech|/v1/audio/speech|minimax%2Fspeech-01-hd", "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-01-hd", "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-01-hd" ], "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-01-hd" ], "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-01-hd", "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": "0.000105", "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": "0.000105", "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-01-hd\", \"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": "0.000105" } }, "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": "0.000105", "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": "0.000105", "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-01-hd", "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": "0.000105", "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": "0.000105", "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-01-hd", "nativeProvenance": { "input_facts_canonical_sha256": "d4ce0015f7722416046811cc62decc77dc1d9a6a00ac553495d76b841d9d2c61", "input_html_sha256": "90d7454ea384a211d4b31ed3f3d458680c880cdf221086100065716a78b95639", "private_audit_sha256": "0850f0aefc0fb78732efd0533028e11dee4e980549af5aed03089573c6eaca2f", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/lt/minimax-speech-01-hd/", "description": "MiniMax Speech 01 HD pateiktą tekstą perskaito kaip sugeneruotą kalbą per sinchroninę audio_speech užklausą. Jis priima trumpesnį nei 10 000 simbolių tekstą ir siūlo balso, tempo bei aukščio nustatymus su MP3, PCM, FLAC arba WAV išvestimi.", "locale": "lt", "md_url": "https://ailoot.ai/models/lt/minimax-speech-01-hd/index.md", "title": "MiniMax: Speech 01 HD — Ailoot", "url": "https://ailoot.ai/models/lt/minimax-speech-01-hd/" }, "rawModel": { "about": "MiniMax Speech 01 HD pateiktą tekstą paverčia kalbos garso įrašu. Tikslus jo Ailoot modelio ID yra minimax/speech-01-hd, o dokumentuotas sintezės parinkiklis – speech-01-hd. Naudokite audio_speech metodą įgarsinimui, garsinei pamokai, produkto paaiškinimui ar pasakojimo juodraščiui, kurio tekstą jau turite. Įvestis yra perskaitytina ištrauka, o rezultatas – susintetinta kalba pasirinktu garso formatu.\n\nParuoškite tekstą kaip tariamus žodžius su frazavimą atspindinčia skyryba. Pasakojimo juodraščiui pateikite galutinę sakinių tvarką ir vardų rašybą prieš pasirinkdami balso nustatymus. Režisūrines pastabas laikykite atskirai nuo tariamos ištraukos, nebent tie žodžiai turi patekti į įrašą. Rezultate išklausykite svarbius vardus, skaičius ir perėjimus bei palyginkite juos su pradiniu tekstu.\n\nTekstas turi būti trumpesnis nei 10 000 simbolių. Paskelbta sintezės sutartis reikalauja model ir text. Ilgesnei medžiagai paruoškite šios ribos neviršijančias ištraukas ir išsaugokite jų tvarką redagavimui. Sinchroninis profilis naudoja visą atsakymą, o stream=false yra dokumentuota numatytoji reikšmė. Bendrojoje API taip pat aprašytos srautinio perdavimo galimybės, tačiau šioje kortelėje pasirinktas metodas yra sinchroninė kalbos darbo eiga.\n\nvoice_setting parenka prieinamą voice_id ir valdo speed, vol bei pitch. Dokumentuotas speed intervalas yra 0,5–2, o numatytoji reikšmė – 1. vol turi būti didesnis nei 0 ir ne didesnis nei 10, o numatytoji reikšmė – 1; pitch yra sveikasis skaičius nuo -12 iki 12, kurio numatytoji reikšmė yra 0. Kiekvieną nustatymą pritaikykite ištraukai: palyginkite tikrojo įrašo skaitymo tempą ir girdimumą, užuot darę prielaidą, kad skaitinis pakeitimas sukuria tam tikrą atlikimą.\n\nDokumentuotos emotion reikšmės yra happy, sad, angry, fearful, disgusted, surprised, calm ir fluent. Tekstas taip pat gali nukreipti modelio emociją. text_normalization yra atskiras loginis valdiklis, skirtas skaičių skaitymui kinų ir anglų kalbomis paruošti, o latex_read valdo LaTeX formulių skaitymą; abiejų numatytoji reikšmė yra false. pronunciation_dict.tone gali pateikti dokumentuotas tarimo pakeitimo taisykles. Prieš naudodami vardą ar specialų posakį ilgesniame pasakojime, patikrinkite jį gautame garso įraše.\n\naudio_setting.format priima mp3, pcm, flac arba wav, o numatytoji reikšmė yra mp3. sample_rate priima 8000, 16000, 22050, 24000, 32000 arba 44100, o numatytoji reikšmė yra 32000. bitrate priima 32000, 64000, 128000 arba 256000, jo numatytoji reikšmė yra 128000 ir jis taikomas MP3. channel parenka 1 monofoniniam arba 2 stereofoniniam garsui, o numatytoji reikšmė yra 1. Šiuos pasirinkimus laikykite kartu su pradine ištrauka, kad būtų galima patikrinti grąžinto failo tinkamumą numatytai redagavimo ar atkūrimo vietai.\n\nPapildomi dokumentuoti valdikliai apima language_boost, kurio tikslūs vardiniai pasirinkimai apima English, Russian, Chinese ir Chinese,Yue; ištraukai pasirinkite tikrą sąraše esančią reikšmę. timber_weights gali sujungti esamus voice_id įrašus su sveikosiomis weight reikšmėmis nuo 1 iki 100. Paskelbtos sound_effects reikšmės yra spacious_echo, auditorium_echo, lofi_telephone ir robotic. Tai pasirinktiniai valdikliai pasirinktam balsui formuoti; lygindami skaitymo variantus užfiksuokite tikruosius jų nustatymus.\n\nSinchroniniame rezultate yra sugeneruota kalba. output_format parenka url arba hex, o sintezės schemoje jo numatytoji reikšmė yra hex. Atsisiųskite failą, į kurį nurodo URL rezultatas, arba prieš atkurdami iškoduokite hex rezultatą į garso baitus. Grąžintus garso metaduomenis, įskaitant formatą, diskretizavimo dažnį, kanalų skaičių ir dydį, išsaugokite kartu su įrašu. subtitle_enable numatytoji reikšmė yra false, o įjungtas jis taikomas tik nesrautinei išvesčiai; šaltinis nenustato šio profilio subtitrų failo formato.\n\nPradinę ištrauką, tikslų modelio ID, pasirinktą balsą ir užbaigtą įrašą išsaugokite kartu. Prieš įtraukdami įrašą į vaizdo įrašą, pamoką ar garsinį vadovą, perklausykite visą tekstą ir patikrinkite numatytus žodžius, pauzes bei pasirinktus atlikimo nustatymus. Jei atsakymas nepilnas, prieš prašydami kito įrašo išsaugokite pradinės užklausos tapatybę ir grąžintą informaciją rezultatui suderinti. Vėlesnėje pataisoje galima pakeisti konkrečią frazę ar balso nustatymą, o likusią scenarijaus dalį išsaugoti aiškiam palyginimui.", "alias_of": null, "aliases": [], "author": "MiniMax", "ctx": null, "formats": [ "speech" ], "id": "minimax/speech-01-hd", "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-01-hd", "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-01-hd" ], "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-01-hd" ], "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-01-hd", "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": "0.000105", "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": "0.000105", "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-01-hd\", \"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": "0.000105" } }, "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": "0.000105", "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": "0.000105", "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-01-hd", "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": "0.000105", "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": "0.000105", "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-01-hd", "request_model_id": "minimax/speech-01-hd", "route_label": "Ultra" } ], "name": "MiniMax: Speech 01 HD", "price": { "in": "0.000105", "in_label": "per input character", "out": null, "out_label": null, "sort_in": null, "sort_out": null, "varies": false }, "short": "MiniMax Speech 01 HD pateiktą tekstą perskaito kaip sugeneruotą kalbą per sinchroninę audio_speech užklausą. Jis priima trumpesnį nei 10 000 simbolių tekstą ir siūlo balso, tempo bei aukščio nustatymus su MP3, PCM, FLAC arba WAV išvestimi." }, "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": "MiniMax Speech 01 HD pateiktą tekstą perskaito kaip sugeneruotą kalbą per sinchroninę audio_speech užklausą. Jis priima trumpesnį nei 10 000 simbolių tekstą ir siūlo balso, tempo bei aukščio nustatymus su MP3, PCM, FLAC arba WAV išvestimi.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "57b73531759568a667a2f807b290b7e12bcab2cdc82903ac34bf94bc9f6782a5", "renderer_sha256": "57bd2f8a61f57d341aae369006eca818e3eea645ec43af488ec7b2289eeca772" }, "sourceRevision": "2c6de9c59faffbd54d58243d87d82cc54be2beb931481c365f88cd96bd8c9dfc" }