MiniMax Speech 02 HD gjør oppgitt tekst om til tale. Den nøyaktige Ailoot-modell-ID-en er minimax/speech-02-hd, og den dokumenterte syntesevelgeren er speech-02-hd. Bruk audio_speech-metoden til en fortellerstemme, en muntlig leksjon, en produktforklaring eller et fortellerutkast der du allerede har ordlyden. Inndataene er avsnittet som skal leses, og resultatet er syntetisert tale i det valgte lydformatet.
Forbered teksten som ord som skal sies høyt, med tegnsetting som gjenspeiler fraseringen. For et fortellerutkast oppgir du den endelige setningsrekkefølgen og stavemåten til navn før du velger stemmeinnstillingene. Hold sceneanvisninger atskilt fra teksten som skal leses, med mindre disse ordene skal være med i opptaket. Lytt til viktige navn, tall og overganger i resultatet og sammenlign dem med kildeteksten.
Teksten må være kortere enn 10 000 tegn. Den publiserte syntesekontrakten krever model og text. For lengre materiale forbereder du avsnitt innenfor denne grensen og beholder rekkefølgen til redigeringen. Den synkrone profilen bruker et fullstendig svar, med stream=false som dokumentert standard. Den generelle API-en beskriver også strømmingsvalg, men den valgte metoden på dette kortet er den synkrone talearbeidsflyten.
voice_setting velger en tilgjengelig voice_id og styrer speed, vol og pitch. Det dokumenterte speed-intervallet er 0,5–2, med 1 som standard. vol må være større enn 0 og høyst 10, med 1 som standard; pitch er et heltall fra -12 til 12, med 0 som standard. La hver innstilling tjene teksten: Sammenlign lesetempoet og hørbarheten i det faktiske opptaket i stedet for å anta at en tallendring gir en bestemt fremføring.
De dokumenterte emotion-verdiene er happy, sad, angry, fearful, disgusted, surprised, calm og fluent. Teksten kan også styre modellens følelsesuttrykk. text_normalization er en separat boolsk innstilling for klargjøring av tallopplesning på kinesisk og engelsk, og latex_read styrer opplesning av LaTeX-formler; begge har standardverdien false. pronunciation_dict.tone kan inneholde dokumenterte erstatningsregler for uttale. Kontroller et navn eller et faguttrykk i den resulterende lyden før du bruker det i en lengre fortellertekst.
audio_setting.format godtar mp3, pcm, flac eller wav, med mp3 som standard. sample_rate godtar 8000, 16000, 22050, 24000, 32000 eller 44100 og har standardverdien 32000. bitrate godtar 32000, 64000, 128000 eller 256000, har standardverdien 128000 og gjelder for MP3. channel velger 1 for mono eller 2 for stereo, med 1 som standard. Behold disse valgene sammen med kildeteksten, slik at den returnerte filen kan kontrolleres for det tiltenkte redigerings- eller avspillingsstedet.
Ytterligere dokumenterte innstillinger omfatter language_boost, der de nøyaktige navngitte valgene inkluderer English, Russian, Chinese og Chinese,Yue; velg en faktisk oppført verdi for teksten. timber_weights kan kombinere eksisterende voice_id-oppføringer med heltallige weight-verdier fra 1 til 100. De publiserte sound_effects-verdiene er spacious_echo, auditorium_echo, lofi_telephone og robotic. Dette er valgfrie innstillinger for å forme en valgt stemme; noter de faktiske innstillingene når du sammenligner opplesninger.
Det synkrone resultatet inneholder generert tale. output_format velger url eller hex og har standardverdien hex i synteseskjemaet. Last ned filen det vises til i et URL-resultat, eller dekod et hex-resultat til lydbyte før avspilling. Behold de returnerte lydmetadataene, inkludert format, samplingsfrekvens, antall kanaler og størrelse, sammen med opptaket. subtitle_enable har standardverdien false og gjelder bare for utdata uten strømming når den er aktivert; kilden fastsetter ikke noe undertekstfilformat for denne profilen.
Lagre kildeteksten, den nøyaktige modell-ID-en, stemmevalget og det ferdige opptaket samlet. Vurder hele opplesningen for den tiltenkte ordlyden, pausene og de valgte fremføringsinnstillingene før du legger den inn i en video, leksjon eller muntlig veiledning. Hvis svaret er ufullstendig, beholder du den opprinnelige forespørselsidentiteten og den returnerte informasjonen for avstemming før du ber om et nytt opptak. En senere revisjon kan endre en bestemt frase eller stemmeinnstilling og bevare resten av manuset for en tydelig sammenligning.
", "aboutText": "MiniMax Speech 02 HD gjør oppgitt tekst om til tale. Den nøyaktige Ailoot-modell-ID-en er minimax/speech-02-hd, og den dokumenterte syntesevelgeren er speech-02-hd. Bruk audio_speech-metoden til en fortellerstemme, en muntlig leksjon, en produktforklaring eller et fortellerutkast der du allerede har ordlyden. Inndataene er avsnittet som skal leses, og resultatet er syntetisert tale i det valgte lydformatet.\n\nForbered teksten som ord som skal sies høyt, med tegnsetting som gjenspeiler fraseringen. For et fortellerutkast oppgir du den endelige setningsrekkefølgen og stavemåten til navn før du velger stemmeinnstillingene. Hold sceneanvisninger atskilt fra teksten som skal leses, med mindre disse ordene skal være med i opptaket. Lytt til viktige navn, tall og overganger i resultatet og sammenlign dem med kildeteksten.\n\nTeksten må være kortere enn 10 000 tegn. Den publiserte syntesekontrakten krever model og text. For lengre materiale forbereder du avsnitt innenfor denne grensen og beholder rekkefølgen til redigeringen. Den synkrone profilen bruker et fullstendig svar, med stream=false som dokumentert standard. Den generelle API-en beskriver også strømmingsvalg, men den valgte metoden på dette kortet er den synkrone talearbeidsflyten.\n\nvoice_setting velger en tilgjengelig voice_id og styrer speed, vol og pitch. Det dokumenterte speed-intervallet er 0,5–2, med 1 som standard. vol må være større enn 0 og høyst 10, med 1 som standard; pitch er et heltall fra -12 til 12, med 0 som standard. La hver innstilling tjene teksten: Sammenlign lesetempoet og hørbarheten i det faktiske opptaket i stedet for å anta at en tallendring gir en bestemt fremføring.\n\nDe dokumenterte emotion-verdiene er happy, sad, angry, fearful, disgusted, surprised, calm og fluent. Teksten kan også styre modellens følelsesuttrykk. text_normalization er en separat boolsk innstilling for klargjøring av tallopplesning på kinesisk og engelsk, og latex_read styrer opplesning av LaTeX-formler; begge har standardverdien false. pronunciation_dict.tone kan inneholde dokumenterte erstatningsregler for uttale. Kontroller et navn eller et faguttrykk i den resulterende lyden før du bruker det i en lengre fortellertekst.\n\naudio_setting.format godtar mp3, pcm, flac eller wav, med mp3 som standard. sample_rate godtar 8000, 16000, 22050, 24000, 32000 eller 44100 og har standardverdien 32000. bitrate godtar 32000, 64000, 128000 eller 256000, har standardverdien 128000 og gjelder for MP3. channel velger 1 for mono eller 2 for stereo, med 1 som standard. Behold disse valgene sammen med kildeteksten, slik at den returnerte filen kan kontrolleres for det tiltenkte redigerings- eller avspillingsstedet.\n\nYtterligere dokumenterte innstillinger omfatter language_boost, der de nøyaktige navngitte valgene inkluderer English, Russian, Chinese og Chinese,Yue; velg en faktisk oppført verdi for teksten. timber_weights kan kombinere eksisterende voice_id-oppføringer med heltallige weight-verdier fra 1 til 100. De publiserte sound_effects-verdiene er spacious_echo, auditorium_echo, lofi_telephone og robotic. Dette er valgfrie innstillinger for å forme en valgt stemme; noter de faktiske innstillingene når du sammenligner opplesninger.\n\nDet synkrone resultatet inneholder generert tale. output_format velger url eller hex og har standardverdien hex i synteseskjemaet. Last ned filen det vises til i et URL-resultat, eller dekod et hex-resultat til lydbyte før avspilling. Behold de returnerte lydmetadataene, inkludert format, samplingsfrekvens, antall kanaler og størrelse, sammen med opptaket. subtitle_enable har standardverdien false og gjelder bare for utdata uten strømming når den er aktivert; kilden fastsetter ikke noe undertekstfilformat for denne profilen.\n\nLagre kildeteksten, den nøyaktige modell-ID-en, stemmevalget og det ferdige opptaket samlet. Vurder hele opplesningen for den tiltenkte ordlyden, pausene og de valgte fremføringsinnstillingene før du legger den inn i en video, leksjon eller muntlig veiledning. Hvis svaret er ufullstendig, beholder du den opprinnelige forespørselsidentiteten og den returnerte informasjonen for avstemming før du ber om et nytt opptak. En senere revisjon kan endre en bestemt frase eller stemmeinnstilling og bevare resten av manuset for en tydelig sammenligning.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "875bc214376dea55057bc3b71079f59f310bdd6286bfab63bb518e7872aaf475", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nb", "methods": [ { "html": "minimax/speech-02-hdMiniMax Speech 02 HD leser opp oppgitt tekst som generert tale gjennom en synkron audio_speech-forespørsel. Den godtar tekst på under 10 000 tegn og tilbyr innstillinger for stemme, tempo og tonehøyde med MP3, PCM, FLAC eller WAV som utdata.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
MiniMax Speech 02 HD gjør oppgitt tekst om til tale. Den nøyaktige Ailoot-modell-ID-en er minimax/speech-02-hd, og den dokumenterte syntesevelgeren er speech-02-hd. Bruk audio_speech-metoden til en fortellerstemme, en muntlig leksjon, en produktforklaring eller et fortellerutkast der du allerede har ordlyden. Inndataene er avsnittet som skal leses, og resultatet er syntetisert tale i det valgte lydformatet.
Forbered teksten som ord som skal sies høyt, med tegnsetting som gjenspeiler fraseringen. For et fortellerutkast oppgir du den endelige setningsrekkefølgen og stavemåten til navn før du velger stemmeinnstillingene. Hold sceneanvisninger atskilt fra teksten som skal leses, med mindre disse ordene skal være med i opptaket. Lytt til viktige navn, tall og overganger i resultatet og sammenlign dem med kildeteksten.
Teksten må være kortere enn 10 000 tegn. Den publiserte syntesekontrakten krever model og text. For lengre materiale forbereder du avsnitt innenfor denne grensen og beholder rekkefølgen til redigeringen. Den synkrone profilen bruker et fullstendig svar, med stream=false som dokumentert standard. Den generelle API-en beskriver også strømmingsvalg, men den valgte metoden på dette kortet er den synkrone talearbeidsflyten.
voice_setting velger en tilgjengelig voice_id og styrer speed, vol og pitch. Det dokumenterte speed-intervallet er 0,5–2, med 1 som standard. vol må være større enn 0 og høyst 10, med 1 som standard; pitch er et heltall fra -12 til 12, med 0 som standard. La hver innstilling tjene teksten: Sammenlign lesetempoet og hørbarheten i det faktiske opptaket i stedet for å anta at en tallendring gir en bestemt fremføring.
De dokumenterte emotion-verdiene er happy, sad, angry, fearful, disgusted, surprised, calm og fluent. Teksten kan også styre modellens følelsesuttrykk. text_normalization er en separat boolsk innstilling for klargjøring av tallopplesning på kinesisk og engelsk, og latex_read styrer opplesning av LaTeX-formler; begge har standardverdien false. pronunciation_dict.tone kan inneholde dokumenterte erstatningsregler for uttale. Kontroller et navn eller et faguttrykk i den resulterende lyden før du bruker det i en lengre fortellertekst.
audio_setting.format godtar mp3, pcm, flac eller wav, med mp3 som standard. sample_rate godtar 8000, 16000, 22050, 24000, 32000 eller 44100 og har standardverdien 32000. bitrate godtar 32000, 64000, 128000 eller 256000, har standardverdien 128000 og gjelder for MP3. channel velger 1 for mono eller 2 for stereo, med 1 som standard. Behold disse valgene sammen med kildeteksten, slik at den returnerte filen kan kontrolleres for det tiltenkte redigerings- eller avspillingsstedet.
Ytterligere dokumenterte innstillinger omfatter language_boost, der de nøyaktige navngitte valgene inkluderer English, Russian, Chinese og Chinese,Yue; velg en faktisk oppført verdi for teksten. timber_weights kan kombinere eksisterende voice_id-oppføringer med heltallige weight-verdier fra 1 til 100. De publiserte sound_effects-verdiene er spacious_echo, auditorium_echo, lofi_telephone og robotic. Dette er valgfrie innstillinger for å forme en valgt stemme; noter de faktiske innstillingene når du sammenligner opplesninger.
Det synkrone resultatet inneholder generert tale. output_format velger url eller hex og har standardverdien hex i synteseskjemaet. Last ned filen det vises til i et URL-resultat, eller dekod et hex-resultat til lydbyte før avspilling. Behold de returnerte lydmetadataene, inkludert format, samplingsfrekvens, antall kanaler og størrelse, sammen med opptaket. subtitle_enable har standardverdien false og gjelder bare for utdata uten strømming når den er aktivert; kilden fastsetter ikke noe undertekstfilformat for denne profilen.
Lagre kildeteksten, den nøyaktige modell-ID-en, stemmevalget og det ferdige opptaket samlet. Vurder hele opplesningen for den tiltenkte ordlyden, pausene og de valgte fremføringsinnstillingene før du legger den inn i en video, leksjon eller muntlig veiledning. Hvis svaret er ufullstendig, beholder du den opprinnelige forespørselsidentiteten og den returnerte informasjonen for avstemming før du ber om et nytt opptak. En senere revisjon kan endre en bestemt frase eller stemmeinnstilling og bevare resten av manuset for en tydelig sammenligning.
POST /v1/audio/speechtextaudio| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser minimax/speech-02-hd | Standard— |
Felttext | Typestring | KravPåkrevd | Verdier & grenser | Standard— |
Feltstream | Typeboolean | KravValgfritt | Verdier & grenser false | Standardfalse |
Feltvoice_setting | Typeobject | KravValgfritt | Verdier & grenser | Standard— |
Feltvoice_setting.voice_id | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Feltvoice_setting.speed | Typenumber | KravValgfritt | Verdier & grenser Minimum: 0,5 Maksimum: 2 | Standard1 |
Feltvoice_setting.vol | Typenumber | KravValgfritt | Verdier & grenser Minimum: 0 Maksimum: 10 | Standard1 |
Feltvoice_setting.pitch | Typeinteger | KravValgfritt | Verdier & grenser Minimum: −12 Maksimum: 12 | Standard0 |
Feltvoice_setting.emotion | Typestring | KravValgfritt | Verdier & grenser happy, sad, angry, fearful, disgusted, surprised, calm, fluent | Standard— |
Feltvoice_setting.text_normalization | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Feltvoice_setting.latex_read | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Feltaudio_setting | Typeobject | KravValgfritt | Verdier & grenser | Standard— |
Feltaudio_setting.sample_rate | Typeinteger | KravValgfritt | Verdier & grenser 8 000, 16 000, 22 050, 24 000, 32 000, 44 100 | Standard32 000 |
Feltaudio_setting.bitrate | Typeinteger | KravValgfritt | Verdier & grenser 32 000, 64 000, 128 000, 256 000 | Standard128 000 |
Feltaudio_setting.format | Typestring | KravValgfritt | Verdier & grenser mp3, pcm, flac, wav | Standardmp3 |
Feltaudio_setting.channel | Typeinteger | KravValgfritt | Verdier & grenser 1, 2 | Standard1 |
Feltaudio_setting.force_cbr | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Feltpronunciation_dict | Typeobject | KravValgfritt | Verdier & grenser | Standard— |
Feltpronunciation_dict.tone | Typearray | KravValgfritt | Verdier & grenser | Standard— |
Felttimber_weights | Typearray | KravValgfritt | Verdier & grenser | Standard— |
Feltlanguage_boost | Typestring | KravValgfritt | Verdier & grenser 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 | Standard— |
Feltvoice_modify | Typeobject | KravValgfritt | Verdier & grenser | Standard— |
Feltvoice_modify.pitch | Typeinteger | KravValgfritt | Verdier & grenser −100, 100 | Standard— |
Feltvoice_modify.intensity | Typeinteger | KravValgfritt | Verdier & grenser −100, 100 | Standard— |
Feltvoice_modify.timbre | Typeinteger | KravValgfritt | Verdier & grenser −100, 100 | Standard— |
Feltvoice_modify.sound_effects | Typestring | KravValgfritt | Verdier & grenser spacious_echo, auditorium_echo, lofi_telephone, robotic | Standard— |
Feltsubtitle_enable | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
Feltoutput_format | Typestring | KravValgfritt | Verdier & grenser url, hex | Standardhex |
Feltaigc_watermark | Typeboolean | KravValgfritt | Verdier & grenser | Standardfalse |
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, text |
Parameteroptional | Avtalestream, voice_setting, audio_setting, pronunciation_dict, timber_weights, language_boost, voice_modify, subtitle_enable, output_format, aigc_watermark |
Parametermaterial_types | Avtaletext |
Parameterconditions | AvtaleUse 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. |
Livssyklus: synchronous_result_then_owned_library
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Faktureringsenhet | Kostnad |
|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Faktureringsenhet— | Kostnad Inndata · Inngående tokener — / 1K tokener Utdata · Utgående tokener — / 1K tokener Inndata · Lesing fra hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time — / 1K tokener |
| Konfigurasjoninndatategn | Prisplan— | Faktureringsenhetper inndatategn | Kostnad Inndata · inndatategn $0.0002 per inndatategn |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
set -eu\n: "${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-02-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.\nmp3,pcm,flac,wav
GET /v1/media/assetsGET /v1/media/assets/{asset_id}Behold alle fullstendige returnerte svar, filer og innholdsdeler.
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.
Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.
| Felt | Type |
|---|---|
Feltdata.audio | Typestring |
Feltextra_info | Typeobject |
Felttrace_id | Typestring |
Ailoot Ultra minimax/speech-02-hd
Bruk metodestiene som vises ovenfor.