MiniMax: Speech 02 HD

MiniMax Speech 02 HD pateiktą tekstą paverčia kalbos garso įrašu. Tikslus jo Ailoot modelio ID yra minimax/speech-02-hd, o dokumentuotas sintezės parinkiklis – speech-02-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.