speech-2.6-hd
Speech 2.6 HD — kokybiškos kalbos sintezės modelis, kuriame daugiausia dėmesio skiriama natūralumui ir balso panašumui.
Apie modelį
Šis aprašas apima modelio galimybes. Pasirinktam metodui Ailoot prieinamos įvestys, išvestys ir parinktys nurodytos toliau.
Natūralus balsas sąveikai
Speech 2.6 HD skirta natūraliai kalbos sintezei ir scenarijams, kuriuose svarbu greitai pradėti atsakymą. Gamintojas skiria dėmesį intonacijai, kalbos sklandumui ir teksto apdorojimui prieš jį tariant. HD variante daugiausia dėmesio skiriama skambesio kokybei; šios kortelės įvestis yra tekstas, o išvestis — kalbos garso įrašas.
Nestandartinių užrašų skaitymas
Speech 2.6 karta gali apdoroti užrašus, kurie dažnai pasitaiko darbo pranešimuose: puslapių adresus, el. pašto adresus, telefonų numerius, datas ir pinigų sumas. Modelis paverčia juos tariama forma, kad replika liktų suprantama iš klausos. Gamintojas aprašo tokias užduotis keliomis kalbomis.
Sklandi kalba išlaikant tembrą
Speech 2.6 numatytas sklandumą didinantis režimas Fluent LoRA. Jis skirtas sintezei pagal parengtą balsą: padeda išlaikyti tembrą ir kartu formuoti rišlesnę kalbą, net jei pradinis pavyzdys buvo netolygus ar su akcentu. Klonuoto balso parengimas ir jo naudojimas įgarsinant yra skirtingi veiksmai.
Palaikoma 40 kalbų, įskaitant rusų. Be septynių pagrindinių emocinių būsenų, Speech 2.6 numatyti sklandžios kalbos fluent ir šnabždesio whisper variantai. Nenurodžius emocijos, modelis ją parenka pagal teksto prasmę.
Tarimo nustatymai
MiniMax numato balso pasirinkimą ir tempo, garsumo bei aukščio valdymą. Greitis nustatomas 0,5–2 diapazone, garsumas — virš 0 ir iki 10, aukščio keitimas — nuo −12 iki 12. Emociją galima leisti modeliui parinkti pagal teksto prasmę arba nurodyti rankiniu būdu: džiaugsmą, liūdesį, pyktį, baimę, pasibjaurėjimą, nuostabą ar ramybę.
Tarimą galima tikslinti pakaitų žodynu ir fonetiniu užrašu; jame numatyti tarptautinis fonetinis alfabetas, kinų pinjinas ir japoniški skaitymo variantai. Pauzės nustatomos tarp tariamų fragmentų 0,01–99,99 sekundės diapazone. Pauzės trukmė nurodoma dviejų skaitmenų po kablelio tikslumu; žymekliai dedami tarp tariamų fragmentų, o ne vienas po kito. Tokie nustatymai leidžia suderinti vardų, santrumpų ir nevienareikšmių žodžių skambesį su įgarsinimo sumanymu.
Teksto ilgis ir garso įrašas
Sintezė priima tekstą, trumpesnį nei 10 000 simbolių. Ilgam tekstui, ilgesniam nei 3000 simbolių, gamintojas rekomenduoja srautinę išvestį; taip pat numatytas viso parengto garso įrašo gavimas. Bendri sintezės nustatymai apima MP3, PCM, FLAC, WAV, Opus ir G.711 μ-law variantus, mono arba stereo; konkrečiai užklausai prieinamą formatų rinkinį nustato Ailoot priemonės.
MiniMax duomenimis, karta orientuota į mažą delsą balso scenarijuose. Tai modelio aprašymas; konkretaus atsakymo laikas ir išplėstinių nustatymų prieinamumas priklauso nuo pasirinkto kreipimosi būdo Ailoot.
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-2.6-hd
speech-2.6-hdPradžia
Speech 2.6 HD — kokybiškos kalbos sintezės modelis, kuriame daugiausia dėmesio skiriama natūralumui 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-2.6-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-2.6-hd", "input": ""}')
f=Path(os.environ["AILOOT_TEXT_FILE"])
if not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")
text=f.read_text(encoding="utf-8")
if not text.strip():raise SystemExit("Source material must contain text")
p["input"]=text
import re
voice=os.environ["AILOOT_VOICE_ID"]
if not re.fullmatch(r"[A-Za-z0-9_-]{1,128}",voice):raise SystemExit("Set an actual accepted voice ID")
p["voice"]=voice
Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \
-H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o speech.mp3
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-2.6-hd
Metodų kelių pseudonimai
Naudokite aukščiau nurodytus metodų kelius.
Susiję ID iškvietimui
FAQ · speech-2.6-hd
- Kokios įvestys ir rezultatai prieinami?
POST /v1/audio/speech·speech-2.6-hd:text→speech- Kokius laukus naudoja užklausa?
POST /v1/audio/speech·speech-2.6-hd:model,input,voice,response_format