MiniMax: Speech 2.6 Turbo

Speech 2.6 Turbo er den nøyaktige MiniMax-taleutgaven som velges med model: "minimax/speech-2.6-turbo". Bruk POST /v1/audio/speech med en application/json-kropp som inneholder model og teksten som skal leses opp. Inndataene er et skriftlig manus, og resultatet er syntetisert lyd. For en applikasjonsmelding oppgir du de nøyaktige ordene lytteren trenger å høre, og skriver ut eventuelle tvetydige forkortelser. For en kort leksjon skiller du forklaringen fra eksemplet i selve manuset. For en grensesnittflyt med fortellerstemme holder du hvert muntlige segment knyttet til en konkret brukerhandling og beholder manuset sammen med lyden.

text-feltet må være utfylt og inneholde færre enn 10 000 Unicode-tegn. Send hele manuset som skal leses, med stream:false, eller utelat stream. Del lengre materiale i separate, fullstendige manussegmenter før du sender inn hvert segment. Et dokument kan brukes ved å lese selve innholdet og legge det relevante avsnittet i text; en dokument-URL erstatter ikke manuset.

Velg en stemme gjennom voice_setting.voice_id. De dokumenterte stemmekategoriene omfatter systemstemmer og allerede opprettede klonede eller tekstdesignede stemmer; bruk en gyldig stemme-ID for den valgte kategorien. Eksempelstemmen er audiobook_male_1. Det samme objektet styrer speed fra 0,5 til 2, vol over 0 og opptil 10 og heltallig pitch fra -12 til 12. Standardverdiene er 1, 1 og 0. Disse innstillingene justerer ulike sider av fremføringen, så velg dem hver for seg i stedet for å legge navnene deres inn i manuset.

voice_setting.emotion godtar happy, sad, angry, fearful, disgusted, surprised, calm og fluent. Dokumentasjonen beskriver også automatisk tilpasning av følelsesuttrykket ut fra teksten. For manus med mange tall aktiverer voice_setting.text_normalization tekstnormalisering på kinesisk og engelsk og har standardverdien false. voice_setting.latex_read styrer opplesning av LaTeX-uttrykk og har også standardverdien false. pronunciation_dict.tone er en array med strenger for uttaleregler. Det publiserte eksemplet er ["草地/(cao3)(di1)"]; behold ordet, skråstreken og uttalestrukturen i parenteser når du oppgir en regel.

audio_setting.format godtar mp3, pcm, flac og wav, med mp3 som standard. sample_rate godtar 8000, 16000, 22050, 24000, 32000 og 44100 Hz; standardverdien er 32000. channel er 1 for mono eller 2 for to kanaler, med 1 som standard. bitrate-verdiene er 32000, 64000, 128000 og 256000 bits per sekund, med 128000 som standard, og gjelder for mp3. Velg kodingen som trengs av avspilleren eller redigeringsverktøyet som skal bruke resultatet.

language_boost er en valgfri streng og har standardverdien null. De tillatte verdiene er 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 og auto. "Chinese,Yue" er én verdi. Dette er en separat innstilling fra manuset og stemme-ID-en. Skjemaet gjør også timber_weights tilgjengelig for en liste med par av voice_id og heltallig weight, der hver weight er fra 1 til 100. Behold stavemåten timber_weights for parameteren når du forbereder en forespørsel. voice_modify.sound_effects er en valgfri streng med verdiene spacious_echo, auditorium_echo, lofi_telephone og robotic.

stream har standardverdien false. For et fullstendig svar velger output_format url eller hex og har standardverdien hex. I det dokumenterte JSON-resultatet inneholder data.audio den valgte representasjonen: Last ned den fullstendige signerte Ailoot-URL-en, inkludert spørringsstrengen, eller dekod hele den heksadesimale lyden til byte. Behold det opprinnelige resultatet sammen med data.status, base_resp, trace_id og extra_info, som omfatter det faktiske lydformatet, samplingsfrekvensen, antall kanaler, størrelsen og usage_characters.

subtitle_enable er en boolsk verdi som har standardverdien false og gjelder for utdata uten strømming. aigc_watermark er en boolsk verdi som har standardverdien false og styrer en hørbar rytmemarkør på slutten av den genererte lyden. Behold alle returnerte lyd- eller undertekstresultater, og kontroller uttalen, tallene og den ferdige filen før du legger den inn i applikasjonen. Hvis leveringen er uavklart, beholder du den opprinnelige forespørselsidentifikatoren og svaret for å kontrollere det eksisterende forsøket. Ailoot lagrer også den ferdige lyden i mediebiblioteket ditt. Med output_format:"url" inneholder data.audio en signert lenke til det lagrede objektet; objekt-ID-en vises i /v1/media/assets/{asset_id}/content-banen. Signerte Ailoot-fillenker varer i 24 timer fra utstedelsen. Bruk den samme API-nøkkelen til GET /v1/media/assets?family=audio og følg hver next_cursor for å finne registreringene for lydobjektene. Les GET /v1/media/assets/{asset_id} for hver valgt registrering og last ned den nøyaktige content_url, inkludert spørringsstrengen. Hvis en filforespørsel returnerer 404 med koden link_expired, leser du det samme objektet på nytt for å få en oppdatert content_url. Oppdater det lagrede resultatet i stedet for å generere lyden på nytt for å erstatte en utløpt lenke.