speech-02-hd
Speech-02 HD — kalbos sintezės modelis, kuriame daugiausia dėmesio skiriama skambesio kokybei ir balso panašumui.
Apie modelį
Šis aprašas apima modelio galimybes. Pasirinktam metodui Ailoot prieinamos įvestys, išvestys ir parinktys nurodytos toliau.
Balsas įgarsinimui ir ilgiems skaitiniams
Speech 02 HD kuria kalbą, daugiausia dėmesio skirdama kokybei, ritmui ir skambesio stabilumui. Gamintojas išskiria medžiagos įgarsinimą ir audioknygas, kuriose balsas turi išlaikyti charakterį ir tolygiai skaityti ilgą tekstą. Tai sintezės modelis: jis priima tekstą ir paverčia jį kalbos garso įrašu.
Kaip susiejami tekstas ir tembras
Speech 02 šeimos pagrindas — autoregresinė Transformer architektūra ir mokomas kalbėtojo koduotuvas. Tembro išskyrimas ir kalbos generavimas buvo mokomi kartu, kad balso ypatybės būtų suderintos su turiniu. Šeimos galimybės apima parengtų klonuotų balsų naudojimą ir kalbos, akcento bei tarimo manieros derinimą.
Emocija ir skaitymas įvairiomis kalbomis
Emocinė išraiška gali būti nustatoma pagal teksto prasmę arba nurodoma rankiniu būdu. Prieinami džiaugsmas, liūdesys, pyktis, baimė, pasibjaurėjimas, nuostaba ir ramybė. Modelis dirba su rusų, anglų ir kitomis kalbomis; gamintojas aprašo įvairius anglų kalbos akcentus, kinų ir kantoniečių, japonų, korėjiečių, Europos ir kitas kalbas.
Dabartiniame Speech 02 aprašyme atskirai neįtrauktos persų, filipiniečių ir tamilų kalbos. Bendro naujesnių Speech kartų kalbų sąrašo nereikia automatiškai taikyti šiai versijai.
Balso nustatymai
Sintezei numatyti balso pasirinkimas, greičio keitimas 0,5–2, garsumas virš 0 ir iki 10, aukštis nuo −12 iki 12. Tarimo žodyne galima nurodyti rašytinės formos pakeitimą norimu tarimu; palaikomi fonetiniai užrašai ir japoniški tarimo variantai. Tai padeda valdyti, kaip skambės vardai ir nevienareikšmiai žodžiai.
Pauzės ir parengtas garso įrašas
Gamintojas leidžia nurodyti 0,01–99,99 sekundės trukmės pauzes tarp tariamų fragmentų. Pauzės trukmė nurodoma dviejų skaitmenų po kablelio tikslumu; žymekliai dedami tarp tariamų fragmentų, o ne vienas po kito. Vienos sinchroninės užklausos tekste turi būti mažiau nei 10 000 simbolių. Numatyta galimybė gauti visą garsą arba jį gauti palaipsniui; tekstui, ilgesniam nei 3000 simbolių, rekomenduojama srautinė išvestis.
Tarp modelio formatų yra MP3, WAV, FLAC ir PCM; bendruose sintezės nustatymuose taip pat aprašomi Opus ir G.711 μ-law variantai. Galima naudoti mono arba stereo. Šioje kortelėje prieinamas teksto įgarsinimas, o atskiras balso parengimas ir išplėstiniai nustatymai taikomi tik Ailoot palaikomo kreipimosi būdo ribose.
Papildomi garso nustatymai apima 8, 16, 22,05, 24, 32 ir 44,1 kHz diskretizavimo dažnius. MP3 numatyta 32, 64, 128 arba 256 kbit/s bitų sparta. Taip pat galima keisti balso atspalvį ir taikyti vieną efektą: erdvų aidą, salės aidą, telefono skambesį arba robotinį balsą. Balso keitimo efektai palaikomi MP3, WAV ir FLAC gaunant visą garso įrašą, o naudojant srautinę išvestį — tik MP3. G.711 μ-law formatai naudoja 8 kHz dažnį. Šios galimybės taikomos MiniMax sintezės nustatymams.
Gamintojas numato kalbos sinchronizavimą su tekstu: laiko žymas pagal sakinius, žodžius arba žodžius palaipsniui pateikiant išvestį. Toks rezultatas padeda suderinti tarimą su teksto rodymu. Šiai papildomai galimybei reikia atitinkamo atsakymo formato palaikymo.
Ailoot · Įgarsinimas POST /v1/audio/speech speech-02-hd
speech-02-hdPradžia
Speech-02 HD — kalbos sintezės modelis, kuriame daugiausia dėmesio skiriama skambesio kokybei ir balso panašumui.
- Leidžiamos įvestys
- Tekstas
- Rezultatai
- speech
Prieinama Ailoot · įvestys ir metodai
Ailoot · Įgarsinimas POST /v1/audio/speech
- Įvestis
text- Išvestis
speech- Išvesties formatas
- mp3
| Laukas | Tipas | Reikalavimas | Reikšmės ir ribos | Numatyta |
|---|---|---|---|---|
Laukasmodel | Tipasstring | ReikalavimasPrivaloma | Reikšmės ir ribos speech-02-hd | Numatyta— |
Laukasinput | Tipasstring | ReikalavimasPrivaloma | Reikšmės ir ribos Mažiausias ilgis: 1 Didžiausias ilgis (neįskaitytinai): 10 000 Vienetas: Unicode simboliai | Numatyta— |
Laukasvoice | Tipasstring | ReikalavimasPrivaloma | Reikšmės ir ribos Šablonas: ^[A-Za-z0-9_-]{1,128}$ | Numatyta— |
Laukasresponse_format | Tipasstring | ReikalavimasNeprivaloma | Reikšmės ir ribos mp3 | Numatyta— |
Įvesties medžiagos deriniai
text_to_speech · Privaloma: input
Metodo parametrai ir gyvavimo ciklas
| Parametras | Specifikacija |
|---|---|
Parametrasmaterial_types | Specifikacijatext |
Parametrasrequired | Specifikacijanull |
Parametrasoptional_controls | Specifikacijanull |
Gyvavimo ciklas: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · faktiškai grąžinta task_id reikšmė arba medijos bibliotekos įrašas
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Metodų struktūros ir ID yra tikslūs; tiekėjo galimybės yra atskirtos nuo užklausos priėmimo.
Planai
Ailoot metodų įkainiai
POST /v1/audio/speech- Įvestis
- 100,00 USD už 1 milijoną simbolių
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 · Įgarsinimas
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 narration script}"
export AILOOT_TEXT_FILE
: "${AILOOT_VOICE_ID:?Set the actual accepted voice ID for this model}"
export AILOOT_VOICE_ID
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "speech-02-hd", "input": ""}')
f=Path(os.environ["AILOOT_TEXT_FILE"])
if not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")
text=f.read_text(encoding="utf-8")
if not text.strip():raise SystemExit("Source material must contain text")
p["input"]=text
import re
voice=os.environ["AILOOT_VOICE_ID"]
if not re.fullmatch(r"[A-Za-z0-9_-]{1,128}",voice):raise SystemExit("Set an actual accepted voice ID")
p["voice"]=voice
Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \
-H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o speech.mp3
Gauti ir išsaugoti rezultatus
Ailoot · Įgarsinimas
mp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Išsaugoti visus baigtus rezultatus
Išsaugokite kiekvieną visą grąžintą atsakymą, failą ir turinio dalį.
Išsaugokite visą dvejetainį rezultatą ir antraštes. Jei grąžinamas JSON arba keli rezultatai, išsaugokite kiekvieną duomenų elementą ir atsisiųskite kiekvieną išteklių pagal faktiškai grąžintą pasirašytą URL.
Jei reikia patikrinti pradinį atsakymą
Išsaugokite pradinį operation_id/X-Client-Request-ID duomenims sutikrinti, pakartotinai neteikdami užklausos; atskiro garso būsenos tikrinimo maršruto nėra.
Atsakymo laukai
| Laukas | Tipas |
|---|---|
Laukasbinary audio | Tipasbytes |
Laukasresponse headers | Tipasheaders |
Klaidos ir tolesni veiksmai
| Atsakymas | Sąlyga | Kitas žingsnis |
|---|---|---|
Atsakymas400 · invalid_request_error | SąlygaNetinkami privalomi laukai, medžiagos pateikimo forma arba parametro reikšmė | Kitas žingsnisPrieš naują kūrimo užklausą pataisykite nurodytus laukus. |
Atsakymasserver_error | SąlygaGrąžintame atsakyme nurodoma, kad operaciją arba rezultatą reikia patikrinti | Kitas žingsnisIšsaugokite pradinį grąžintą operacijos ar užduoties ID, užklausos antraštes ir atsakymą; toliau tikrinkite tos pačios pradinės operacijos duomenis palaikomais būdais. Kūrimo užklausos pakartotinai neteikite. |
Pseudonimai
Modelių pseudonimai
Ailoot speech-02-hd
Metodų kelių pseudonimai
Naudokite aukščiau nurodytus metodų kelius.
Susiję ID iškvietimui
FAQ · speech-02-hd
- Kokios įvestys ir rezultatai prieinami?
POST /v1/audio/speech·speech-02-hd:text→speech- Kokius laukus naudoja užklausa?
POST /v1/audio/speech·speech-02-hd:model,input,voice,response_format