speech-02-turbo
Speech-02 Turbo skirta spartiems kalbos sintezės rezultatams, su stabiliu ritmu ir skambesiu įvairiomis kalbomis.
Apie modelį
Šis aprašas apima modelio galimybes. Pasirinktam metodui Ailoot prieinamos įvestys, išvestys ir parinktys nurodytos toliau.
Sparti kalba interaktyviam atsakymui
Speech 02 Turbo skirta interaktyviai kalbos sintezei. Gamintojas aprašo greičio derinimą su stabiliu ritmu ir natūraliu skambesiu; tarp scenarijų yra balso atsakymai, žaidimų replikos ir interaktyvus turinys. Modelis gauna tekstą ir formuoja kalbos garso įrašą.
Skambesio pobūdžio pasirinkimas
Speech 02 šeima leidžia derinti balsą, kalbą, akcentą ir emocinę išraišką. Kartu mokomi autoregresinis Transformer ir kalbėtojo koduotuvas susieja tembrą su turiniu. Tekstą galima sintezuoti parengtu balsu; naujo klonuoto balso kūrimas yra atskiras parengimo veiksmas.
Modelis pats parenka emocinę intonaciją pagal tekstą arba priima nurodytą būseną: džiaugsmą, liūdesį, pyktį, baimę, pasibjaurėjimą, nuostabą ar ramybę. Papildomai valdomi greitis, aukštis ir garsumas, kad replika būtų suderinta su norimu sąveikos tempu.
Kalbos ir žodžių skaitymas
Palaikoma rusų kalba ir kitos kalbos, įskaitant anglų, kinų, kantoniečių, japonų, korėjiečių, prancūzų, vokiečių, ispanų, portugalų, turkų, arabų ir ukrainiečių. Dabartinėje Speech 02 specifikacijoje atskirai neįtrauktos persų, filipiniečių ir tamilų kalbos.
Tarimą galima tikslinti pakaitų žodynu, tarptautiniu fonetiniu užrašu, kinų pinjinu ir japoniškais skaitymo variantais. Pauzės tarp tariamų dalių nustatomos 0,01–99,99 sekundės ribose. Pauzės trukmė nurodoma dviejų skaitmenų po kablelio tikslumu; žymekliai dedami tarp tariamų fragmentų, o ne vienas po kito. Modelyje numatytas 0,5–2 greitis, garsumas virš 0 ir iki 10, aukščio keitimas nuo −12 iki 12.
Garso įrašas atkūrimui
Sinchroninė įvestis ribojama tekstu, trumpesniu nei 10 000 simbolių; apimčiai, didesnei nei 3000 simbolių, gamintojas rekomenduoja palaipsnę išvestį. Modelio galimybės apima MP3, WAV, FLAC ir PCM; bendruose nustatymuose taip pat aprašomi Opus ir G.711 μ-law, vienas arba du garso kanalai.
Ši Ailoot kortelė priima tekstą ir grąžina kalbą. Turbo greitis susijęs su modelio varianto paskirtimi; konkretaus atsakymo trukmę ir išplėstinių formatų prieinamumą nustato pasirinktas kreipimosi būdas.
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-turbo
speech-02-turboPradžia
Speech-02 Turbo skirta spartiems kalbos sintezės rezultatams, su stabiliu ritmu ir skambesiu įvairiomis kalbomis.
- 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-turbo | 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
- 60,00 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-turbo", "input": ""}')
f=Path(os.environ["AILOOT_TEXT_FILE"])
if not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")
text=f.read_text(encoding="utf-8")
if not text.strip():raise SystemExit("Source material must contain text")
p["input"]=text
import re
voice=os.environ["AILOOT_VOICE_ID"]
if not re.fullmatch(r"[A-Za-z0-9_-]{1,128}",voice):raise SystemExit("Set an actual accepted voice ID")
p["voice"]=voice
Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \
-H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o speech.mp3
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-turbo
Metodų kelių pseudonimai
Naudokite aukščiau nurodytus metodų kelius.
Susiję ID iškvietimui
FAQ · speech-02-turbo
- Kokios įvestys ir rezultatai prieinami?
POST /v1/audio/speech·speech-02-turbo:text→speech- Kokius laukus naudoja užklausa?
POST /v1/audio/speech·speech-02-turbo:model,input,voice,response_format