{ "aboutHtml": "

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.

", "aboutText": "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.\n\ntext-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.\n\nVelg 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.\n\nvoice_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.\n\naudio_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.\n\nlanguage_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.\n\nstream 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.\n\nsubtitle_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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "069e92a5968644b5c9684ae2111387329c6c2e42d0b8e801d612bf286a6b22e4", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nb", "methods": [ { "html": "
MM

MiniMax: Speech 2.6 Turbo

MiniMax /minimax/speech-2.6-turbo

Start

Speech 2.6 Turbo er en tekst-til-tale-modell fra MiniMax for å gjøre et ferdig manus om til lyd. Utgaven minimax/speech-2.6-turbo gir innstillinger for stemme, fremføring og lydformat, med et fullstendig JSON-svar og et valg mellom URL og heksadesimale lydutdata. Bruk den til å lage taleversjoner av en oppgitt melding, kort leksjon eller et applikasjonsmanus.

Godkjente inndata
Tekst
Resultater
Lyd
Om modellen

Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.

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.

Tilgjengelig i Ailoot · inndata & metoder

Ailoot Ultra · Speech POST /v1/audio/speech
Inndatatyper
text
Utdatatyper
audio
Utdataformat
mp3,pcm,flac,wav
FeltTypeKravVerdier & grenserStandard
FeltmodelTypestringKravPåkrevdVerdier & grenser
minimax/speech-2.6-turbo
Standard—
FelttextTypestringKravPåkrevdVerdier & grenserStandard—
FeltstreamTypebooleanKravValgfrittVerdier & grenser
false
Standardfalse
Feltvoice_settingTypeobjectKravValgfrittVerdier & grenserStandard—
Feltvoice_setting.voice_idTypestringKravValgfrittVerdier & grenserStandard—
Feltvoice_setting.speedTypenumberKravValgfrittVerdier & grenser
Minimum: 0,5
Maksimum: 2
Standard1
Feltvoice_setting.volTypenumberKravValgfrittVerdier & grenser
Minimum: 0
Maksimum: 10
Standard1
Feltvoice_setting.pitchTypeintegerKravValgfrittVerdier & grenser
Minimum: −12
Maksimum: 12
Standard0
Feltvoice_setting.emotionTypestringKravValgfrittVerdier & grenser
happy, sad, angry, fearful, disgusted, surprised, calm, fluent
Standard—
Feltvoice_setting.text_normalizationTypebooleanKravValgfrittVerdier & grenserStandardfalse
Feltvoice_setting.latex_readTypebooleanKravValgfrittVerdier & grenserStandardfalse
Feltaudio_settingTypeobjectKravValgfrittVerdier & grenserStandard—
Feltaudio_setting.sample_rateTypeintegerKravValgfrittVerdier & grenser
8 000, 16 000, 22 050, 24 000, 32 000, 44 100
Standard32 000
Feltaudio_setting.bitrateTypeintegerKravValgfrittVerdier & grenser
32 000, 64 000, 128 000, 256 000
Standard128 000
Feltaudio_setting.formatTypestringKravValgfrittVerdier & grenser
mp3, pcm, flac, wav
Standardmp3
Feltaudio_setting.channelTypeintegerKravValgfrittVerdier & grenser
1, 2
Standard1
Feltaudio_setting.force_cbrTypebooleanKravValgfrittVerdier & grenserStandardfalse
Feltpronunciation_dictTypeobjectKravValgfrittVerdier & grenserStandard—
Feltpronunciation_dict.toneTypearrayKravValgfrittVerdier & grenserStandard—
Felttimber_weightsTypearrayKravValgfrittVerdier & grenserStandard—
Feltlanguage_boostTypestringKravValgfrittVerdier & 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_modifyTypeobjectKravValgfrittVerdier & grenserStandard—
Feltvoice_modify.pitchTypeintegerKravValgfrittVerdier & grenser
−100, 100
Standard—
Feltvoice_modify.intensityTypeintegerKravValgfrittVerdier & grenser
−100, 100
Standard—
Feltvoice_modify.timbreTypeintegerKravValgfrittVerdier & grenser
−100, 100
Standard—
Feltvoice_modify.sound_effectsTypestringKravValgfrittVerdier & grenser
spacious_echo, auditorium_echo, lofi_telephone, robotic
Standard—
Feltsubtitle_enableTypebooleanKravValgfrittVerdier & grenserStandardfalse
Feltoutput_formatTypestringKravValgfrittVerdier & grenser
url, hex
Standardhex
Feltaigc_watermarkTypebooleanKravValgfrittVerdier & grenserStandardfalse
Metodeparametere og livssyklus
ParameterAvtale
Parametercontent_typeAvtaleapplication/json
ParameterrequiredAvtalemodel, text
ParameteroptionalAvtalestream, voice_setting, audio_setting, pronunciation_dict, timber_weights, language_boost, voice_modify, subtitle_enable, output_format, aigc_watermark
Parametermaterial_typesAvtaletext
ParameterconditionsAvtaleUse 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}

Priser

Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.

Hurtigmodus
Ikke angitt Når hurtigmodus er valgt
Flex-modus
Ikke angitt Når flex-modus er valgt
Maksimal resonneringsinnsats
Ikke angitt Når justeringen «default» brukes for maksimal resonneringsinnsats

Ailoot-satser

Priser etter konfigurasjon

Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.

KonfigurasjonPrisplanFaktureringsenhetKostnad
KonfigurasjonGrunnpriser for tokenerPrisplanGrunnsatsFaktureringsenhet—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
KonfigurasjoninndatategnPrisplan—Faktureringsenhetper inndatategnKostnad
Inndata · inndatategn $0.00012 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 →

Eksempelforespørsler

Ailoot Ultra · Speech

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-2.6-turbo", "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.\n

Motta og lagre resultater

Ailoot Ultra · Speech

mp3,pcm,flac,wav

Behold alle ferdige resultater

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.

Hvis det opprinnelige svaret må kontrolleres

Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.

Svarfelter
FeltType
Feltdata.audioTypestring
Feltextra_infoTypeobject
Felttrace_idTypestring

Aliaser

Modellaliaser

Ailoot Ultra minimax/speech-2.6-turbo

Aliaser for metodestier

Bruk metodestiene som vises ovenfor.

Tilknyttede anroper-ID-er

minimax/speech-2.6-turbo

", "method_identity": { "effective_request_model_id": "minimax/speech-2.6-turbo", "fmt": "speech", "http": "POST", "path": "/v1/audio/speech", "request_model_id": "minimax/speech-2.6-turbo", "route_label": "Ultra" }, "method_key": "Ultra|speech|/v1/audio/speech|minimax%2Fspeech-2.6-turbo", "ordinal": 0, "rawMethod": { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Retain the complete response, all actual results, original identifiers, usage and response headers.", "authentication": { "api_key_source": "AILOOT_API_KEY", "header": "Authorization: Bearer" }, "example_body": { "audio_setting": { "channel": 1, "format": "mp3", "sample_rate": 32000 }, "model": "minimax/speech-2.6-turbo", "output_format": "hex", "stream": false, "text": "Hello, this is a short speech example." }, "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets", "query": { "cursor": "actual returned next_cursor, when present", "family": "audio" } }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "cancel_endpoint": null, "create": { "http": "POST", "path": "/v1/audio/speech" }, "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "owned_content": { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "Use the exact returned content_url. Refresh an expired link by reading the same existing asset." }, "status": [], "unknown": "Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.", "unknown_no_replay": true }, "outputs": { "all_results": "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.", "family": "audio", "fields": [ { "name": "data.audio", "type": "string" }, { "name": "extra_info", "type": "object" }, { "name": "trace_id", "type": "string" } ], "format": [ "mp3", "pcm", "flac", "wav" ] }, "parameters": [ { "default_known": false, "enum": [ "minimax/speech-2.6-turbo" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "default_known": false, "enum_known": false, "maxLength": 9999, "minLength": 1, "name": "text", "required": true, "type": "string" }, { "default": false, "default_known": true, "enum": [ false ], "enum_known": true, "name": "stream", "required": false, "type": "boolean" }, { "default_known": false, "enum_known": false, "name": "voice_setting", "properties": { "emotion": { "enum": [ "happy", "sad", "angry", "fearful", "disgusted", "surprised", "calm", "fluent" ], "type": "string" }, "latex_read": { "default": false, "type": "boolean" }, "pitch": { "default": 0, "maximum": 12, "minimum": -12, "type": "integer" }, "speed": { "default": 1, "maximum": 2, "minimum": 0.5, "type": "number" }, "text_normalization": { "default": false, "type": "boolean" }, "voice_id": { "type": "string" }, "vol": { "default": 1, "exclusiveMinimum": true, "maximum": 10, "minimum": 0, "type": "number" } }, "required": false, "type": "object" }, { "default_known": false, "enum_known": false, "name": "voice_setting.voice_id", "required": false, "type": "string" }, { "default": 1, "default_known": true, "enum_known": false, "maximum": 2, "minimum": 0.5, "name": "voice_setting.speed", "required": false, "type": "number" }, { "default": 1, "default_known": true, "enum_known": false, "exclusiveMinimum": true, "maximum": 10, "minimum": 0, "name": "voice_setting.vol", "required": false, "type": "number" }, { "default": 0, "default_known": true, "enum_known": false, "maximum": 12, "minimum": -12, "name": "voice_setting.pitch", "required": false, "type": "integer" }, { "default_known": false, "enum": [ "happy", "sad", "angry", "fearful", "disgusted", "surprised", "calm", "fluent" ], "enum_known": true, "name": "voice_setting.emotion", "required": false, "type": "string" }, { "default": false, "default_known": true, "enum_known": false, "name": "voice_setting.text_normalization", "required": false, "type": "boolean" }, { "default": false, "default_known": true, "enum_known": false, "name": "voice_setting.latex_read", "required": false, "type": "boolean" }, { "default_known": false, "enum_known": false, "name": "audio_setting", "properties": { "bitrate": { "default": 128000, "enum": [ 32000, 64000, 128000, 256000 ], "type": "integer" }, "channel": { "default": 1, "enum": [ 1, 2 ], "type": "integer" }, "force_cbr": { "default": false, "type": "boolean" }, "format": { "default": "mp3", "enum": [ "mp3", "pcm", "flac", "wav" ], "type": "string" }, "sample_rate": { "default": 32000, "enum": [ 8000, 16000, 22050, 24000, 32000, 44100 ], "type": "integer" } }, "required": false, "type": "object" }, { "default": 32000, "default_known": true, "enum": [ 8000, 16000, 22050, 24000, 32000, 44100 ], "enum_known": true, "name": "audio_setting.sample_rate", "required": false, "type": "integer" }, { "default": 128000, "default_known": true, "enum": [ 32000, 64000, 128000, 256000 ], "enum_known": true, "name": "audio_setting.bitrate", "required": false, "type": "integer" }, { "default": "mp3", "default_known": true, "enum": [ "mp3", "pcm", "flac", "wav" ], "enum_known": true, "name": "audio_setting.format", "required": false, "type": "string" }, { "default": 1, "default_known": true, "enum": [ 1, 2 ], "enum_known": true, "name": "audio_setting.channel", "required": false, "type": "integer" }, { "default": false, "default_known": true, "enum_known": false, "name": "audio_setting.force_cbr", "required": false, "type": "boolean" }, { "default_known": false, "enum_known": false, "name": "pronunciation_dict", "properties": { "tone": { "items": { "type": "string" }, "type": "array" } }, "required": false, "type": "object" }, { "default_known": false, "enum_known": false, "items": { "type": "string" }, "name": "pronunciation_dict.tone", "required": false, "type": "array" }, { "default_known": false, "enum_known": false, "items": { "properties": { "voice_id": { "type": "string" }, "weight": { "type": "integer" } }, "type": "object" }, "name": "timber_weights", "required": false, "type": "array" }, { "default_known": false, "enum": [ "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" ], "enum_known": true, "name": "language_boost", "required": false, "type": "string" }, { "default_known": false, "enum_known": false, "name": "voice_modify", "properties": { "intensity": { "enum": [ -100, 100 ], "type": "integer" }, "pitch": { "enum": [ -100, 100 ], "type": "integer" }, "sound_effects": { "enum": [ "spacious_echo", "auditorium_echo", "lofi_telephone", "robotic" ], "type": "string" }, "timbre": { "enum": [ -100, 100 ], "type": "integer" } }, "required": false, "type": "object" }, { "default_known": false, "enum": [ -100, 100 ], "enum_known": true, "name": "voice_modify.pitch", "required": false, "type": "integer" }, { "default_known": false, "enum": [ -100, 100 ], "enum_known": true, "name": "voice_modify.intensity", "required": false, "type": "integer" }, { "default_known": false, "enum": [ -100, 100 ], "enum_known": true, "name": "voice_modify.timbre", "required": false, "type": "integer" }, { "default_known": false, "enum": [ "spacious_echo", "auditorium_echo", "lofi_telephone", "robotic" ], "enum_known": true, "name": "voice_modify.sound_effects", "required": false, "type": "string" }, { "default": false, "default_known": true, "enum_known": false, "name": "subtitle_enable", "required": false, "type": "boolean" }, { "default": "hex", "default_known": true, "enum": [ "url", "hex" ], "enum_known": true, "name": "output_format", "required": false, "type": "string" }, { "default": false, "default_known": true, "enum_known": false, "name": "aigc_watermark", "required": false, "type": "boolean" } ], "request_schema": { "properties": { "aigc_watermark": { "default": false, "type": "boolean" }, "audio_setting": { "properties": { "bitrate": { "default": 128000, "enum": [ 32000, 64000, 128000, 256000 ], "type": "integer" }, "channel": { "default": 1, "enum": [ 1, 2 ], "type": "integer" }, "force_cbr": { "default": false, "type": "boolean" }, "format": { "default": "mp3", "enum": [ "mp3", "pcm", "flac", "wav" ], "type": "string" }, "sample_rate": { "default": 32000, "enum": [ 8000, 16000, 22050, 24000, 32000, 44100 ], "type": "integer" } }, "type": "object" }, "language_boost": { "enum": [ "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" ], "type": "string" }, "model": { "enum": [ "minimax/speech-2.6-turbo" ], "type": "string" }, "output_format": { "default": "hex", "enum": [ "url", "hex" ], "type": "string" }, "pronunciation_dict": { "properties": { "tone": { "items": { "type": "string" }, "type": "array" } }, "type": "object" }, "stream": { "default": false, "enum": [ false ], "type": "boolean" }, "subtitle_enable": { "default": false, "type": "boolean" }, "text": { "maxLength": 9999, "minLength": 1, "type": "string" }, "timber_weights": { "items": { "properties": { "voice_id": { "type": "string" }, "weight": { "type": "integer" } }, "type": "object" }, "type": "array" }, "voice_modify": { "properties": { "intensity": { "enum": [ -100, 100 ], "type": "integer" }, "pitch": { "enum": [ -100, 100 ], "type": "integer" }, "sound_effects": { "enum": [ "spacious_echo", "auditorium_echo", "lofi_telephone", "robotic" ], "type": "string" }, "timbre": { "enum": [ -100, 100 ], "type": "integer" } }, "type": "object" }, "voice_setting": { "properties": { "emotion": { "enum": [ "happy", "sad", "angry", "fearful", "disgusted", "surprised", "calm", "fluent" ], "type": "string" }, "latex_read": { "default": false, "type": "boolean" }, "pitch": { "default": 0, "maximum": 12, "minimum": -12, "type": "integer" }, "speed": { "default": 1, "maximum": 2, "minimum": 0.5, "type": "number" }, "text_normalization": { "default": false, "type": "boolean" }, "voice_id": { "type": "string" }, "vol": { "default": 1, "exclusiveMinimum": true, "maximum": 10, "minimum": 0, "type": "number" } }, "type": "object" } }, "required": [ "model", "text" ], "type": "object" }, "schema_template": { "body": { "audio_setting": { "channel": 1, "format": "mp3", "sample_rate": 32000 }, "model": "minimax/speech-2.6-turbo", "output_format": "hex", "stream": false, "text": "Hello, this is a short speech example." }, "content_type": "application/json" } }, "input": { "conditions": [ "Use 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." ], "content_type": "application/json", "material_types": [ "text" ], "optional": [ "stream", "voice_setting", "audio_setting", "pronunciation_dict", "timber_weights", "language_boost", "voice_modify", "subtitle_enable", "output_format", "aigc_watermark" ], "required": [ "model", "text" ] }, "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets", "query": { "cursor": "actual returned next_cursor, when present", "family": "audio" } }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "cancel_endpoint": null, "create": { "http": "POST", "path": "/v1/audio/speech" }, "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "owned_content": { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "Use the exact returned content_url. Refresh an expired link by reading the same existing asset." }, "status": [], "unknown": "Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.", "unknown_no_replay": true }, "method": { "http": "POST", "path": "/v1/audio/speech" }, "method_aliases": [], "output": { "all_results": "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.", "family": "audio", "fields": [ { "name": "data.audio", "type": "string" }, { "name": "extra_info", "type": "object" }, { "name": "trace_id", "type": "string" } ], "format": [ "mp3", "pcm", "flac", "wav" ] } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input character" }, "label": "input character", "units": [ { "amount": "0.00012", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.00012", "native_quantity": 1, "public_unit_label": "per input character", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_character" } ] } ], "examples": [ { "code": "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-2.6-turbo\", \"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.\n", "label": "curl · create once and retain the complete result", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "speech", "http": "POST", "img_in": null, "img_out": null, "in": null, "input": [ "text" ], "label": "Speech", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": null, "output": [ "audio" ], "path": "/v1/audio/speech", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "per_request", "cache_read_price": null, "cache_write_1h_price": null, "cache_write_price": null, "fast_multiplier": null, "flex_multiplier": null, "image_input_price": null, "image_output_price": null, "input_price": null, "intervals": null, "max_reasoning_effort_multiplier": null, "output_price": null, "per_request_price": null, "unit_prices": { "audio_input_character": "0.00012" } }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input character" }, "label": "input character", "units": [ { "amount": "0.00012", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.00012", "native_quantity": 1, "public_unit_label": "per input character", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_character" } ] } ], "request_model_id": "minimax/speech-2.6-turbo", "route_label": "Ultra", "status_reads": [], "tiers": [], "unit": "per_request", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" }, { "amount": "0.00012", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.00012", "native_quantity": 1, "public_unit_label": "per input character", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_character" } ] } } ], "model_id": "minimax/speech-2.6-turbo", "nativeProvenance": { "input_facts_canonical_sha256": "3c8e9895c2490d015474dc84868c24322992f658a7041a707424f74cbe163b9c", "input_html_sha256": "fd5c76c6318107a5a004bbd8cd9a6df31f37b270b5617a1e7b3cb30f224387f6", "private_audit_sha256": "47ae63087b39d8b58951f893edc625879cf405ac4eaf1693bb1e1584c3b45f13", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/nb/minimax-speech-2-6-turbo/", "description": "Speech 2.6 Turbo er en tekst-til-tale-modell fra MiniMax for å gjøre et ferdig manus om til lyd. Utgaven minimax/speech-2.6-turbo gir innstillinger for stemme, fremføring og lydformat, med et fullstendig JSON-svar og et valg mellom URL og heksadesimale lydutdata. Bruk den til å lage taleversjoner av en oppgitt melding, kort leksjon eller et applikasjonsmanus.", "locale": "nb", "md_url": "https://ailoot.ai/models/nb/minimax-speech-2-6-turbo/index.md", "title": "MiniMax: Speech 2.6 Turbo — Ailoot", "url": "https://ailoot.ai/models/nb/minimax-speech-2-6-turbo/" }, "rawModel": { "about": "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.\n\ntext-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.\n\nVelg 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.\n\nvoice_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.\n\naudio_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.\n\nlanguage_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.\n\nstream 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.\n\nsubtitle_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.", "alias_of": null, "aliases": [], "author": "MiniMax", "ctx": null, "formats": [ "speech" ], "id": "minimax/speech-2.6-turbo", "input": [ "text" ], "kind": "speech", "max_out": null, "methods": [ { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Retain the complete response, all actual results, original identifiers, usage and response headers.", "authentication": { "api_key_source": "AILOOT_API_KEY", "header": "Authorization: Bearer" }, "example_body": { "audio_setting": { "channel": 1, "format": "mp3", "sample_rate": 32000 }, "model": "minimax/speech-2.6-turbo", "output_format": "hex", "stream": false, "text": "Hello, this is a short speech example." }, "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets", "query": { "cursor": "actual returned next_cursor, when present", "family": "audio" } }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "cancel_endpoint": null, "create": { "http": "POST", "path": "/v1/audio/speech" }, "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "owned_content": { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "Use the exact returned content_url. Refresh an expired link by reading the same existing asset." }, "status": [], "unknown": "Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.", "unknown_no_replay": true }, "outputs": { "all_results": "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.", "family": "audio", "fields": [ { "name": "data.audio", "type": "string" }, { "name": "extra_info", "type": "object" }, { "name": "trace_id", "type": "string" } ], "format": [ "mp3", "pcm", "flac", "wav" ] }, "parameters": [ { "default_known": false, "enum": [ "minimax/speech-2.6-turbo" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "default_known": false, "enum_known": false, "maxLength": 9999, "minLength": 1, "name": "text", "required": true, "type": "string" }, { "default": false, "default_known": true, "enum": [ false ], "enum_known": true, "name": "stream", "required": false, "type": "boolean" }, { "default_known": false, "enum_known": false, "name": "voice_setting", "properties": { "emotion": { "enum": [ "happy", "sad", "angry", "fearful", "disgusted", "surprised", "calm", "fluent" ], "type": "string" }, "latex_read": { "default": false, "type": "boolean" }, "pitch": { "default": 0, "maximum": 12, "minimum": -12, "type": "integer" }, "speed": { "default": 1, "maximum": 2, "minimum": 0.5, "type": "number" }, "text_normalization": { "default": false, "type": "boolean" }, "voice_id": { "type": "string" }, "vol": { "default": 1, "exclusiveMinimum": true, "maximum": 10, "minimum": 0, "type": "number" } }, "required": false, "type": "object" }, { "default_known": false, "enum_known": false, "name": "voice_setting.voice_id", "required": false, "type": "string" }, { "default": 1, "default_known": true, "enum_known": false, "maximum": 2, "minimum": 0.5, "name": "voice_setting.speed", "required": false, "type": "number" }, { "default": 1, "default_known": true, "enum_known": false, "exclusiveMinimum": true, "maximum": 10, "minimum": 0, "name": "voice_setting.vol", "required": false, "type": "number" }, { "default": 0, "default_known": true, "enum_known": false, "maximum": 12, "minimum": -12, "name": "voice_setting.pitch", "required": false, "type": "integer" }, { "default_known": false, "enum": [ "happy", "sad", "angry", "fearful", "disgusted", "surprised", "calm", "fluent" ], "enum_known": true, "name": "voice_setting.emotion", "required": false, "type": "string" }, { "default": false, "default_known": true, "enum_known": false, "name": "voice_setting.text_normalization", "required": false, "type": "boolean" }, { "default": false, "default_known": true, "enum_known": false, "name": "voice_setting.latex_read", "required": false, "type": "boolean" }, { "default_known": false, "enum_known": false, "name": "audio_setting", "properties": { "bitrate": { "default": 128000, "enum": [ 32000, 64000, 128000, 256000 ], "type": "integer" }, "channel": { "default": 1, "enum": [ 1, 2 ], "type": "integer" }, "force_cbr": { "default": false, "type": "boolean" }, "format": { "default": "mp3", "enum": [ "mp3", "pcm", "flac", "wav" ], "type": "string" }, "sample_rate": { "default": 32000, "enum": [ 8000, 16000, 22050, 24000, 32000, 44100 ], "type": "integer" } }, "required": false, "type": "object" }, { "default": 32000, "default_known": true, "enum": [ 8000, 16000, 22050, 24000, 32000, 44100 ], "enum_known": true, "name": "audio_setting.sample_rate", "required": false, "type": "integer" }, { "default": 128000, "default_known": true, "enum": [ 32000, 64000, 128000, 256000 ], "enum_known": true, "name": "audio_setting.bitrate", "required": false, "type": "integer" }, { "default": "mp3", "default_known": true, "enum": [ "mp3", "pcm", "flac", "wav" ], "enum_known": true, "name": "audio_setting.format", "required": false, "type": "string" }, { "default": 1, "default_known": true, "enum": [ 1, 2 ], "enum_known": true, "name": "audio_setting.channel", "required": false, "type": "integer" }, { "default": false, "default_known": true, "enum_known": false, "name": "audio_setting.force_cbr", "required": false, "type": "boolean" }, { "default_known": false, "enum_known": false, "name": "pronunciation_dict", "properties": { "tone": { "items": { "type": "string" }, "type": "array" } }, "required": false, "type": "object" }, { "default_known": false, "enum_known": false, "items": { "type": "string" }, "name": "pronunciation_dict.tone", "required": false, "type": "array" }, { "default_known": false, "enum_known": false, "items": { "properties": { "voice_id": { "type": "string" }, "weight": { "type": "integer" } }, "type": "object" }, "name": "timber_weights", "required": false, "type": "array" }, { "default_known": false, "enum": [ "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" ], "enum_known": true, "name": "language_boost", "required": false, "type": "string" }, { "default_known": false, "enum_known": false, "name": "voice_modify", "properties": { "intensity": { "enum": [ -100, 100 ], "type": "integer" }, "pitch": { "enum": [ -100, 100 ], "type": "integer" }, "sound_effects": { "enum": [ "spacious_echo", "auditorium_echo", "lofi_telephone", "robotic" ], "type": "string" }, "timbre": { "enum": [ -100, 100 ], "type": "integer" } }, "required": false, "type": "object" }, { "default_known": false, "enum": [ -100, 100 ], "enum_known": true, "name": "voice_modify.pitch", "required": false, "type": "integer" }, { "default_known": false, "enum": [ -100, 100 ], "enum_known": true, "name": "voice_modify.intensity", "required": false, "type": "integer" }, { "default_known": false, "enum": [ -100, 100 ], "enum_known": true, "name": "voice_modify.timbre", "required": false, "type": "integer" }, { "default_known": false, "enum": [ "spacious_echo", "auditorium_echo", "lofi_telephone", "robotic" ], "enum_known": true, "name": "voice_modify.sound_effects", "required": false, "type": "string" }, { "default": false, "default_known": true, "enum_known": false, "name": "subtitle_enable", "required": false, "type": "boolean" }, { "default": "hex", "default_known": true, "enum": [ "url", "hex" ], "enum_known": true, "name": "output_format", "required": false, "type": "string" }, { "default": false, "default_known": true, "enum_known": false, "name": "aigc_watermark", "required": false, "type": "boolean" } ], "request_schema": { "properties": { "aigc_watermark": { "default": false, "type": "boolean" }, "audio_setting": { "properties": { "bitrate": { "default": 128000, "enum": [ 32000, 64000, 128000, 256000 ], "type": "integer" }, "channel": { "default": 1, "enum": [ 1, 2 ], "type": "integer" }, "force_cbr": { "default": false, "type": "boolean" }, "format": { "default": "mp3", "enum": [ "mp3", "pcm", "flac", "wav" ], "type": "string" }, "sample_rate": { "default": 32000, "enum": [ 8000, 16000, 22050, 24000, 32000, 44100 ], "type": "integer" } }, "type": "object" }, "language_boost": { "enum": [ "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" ], "type": "string" }, "model": { "enum": [ "minimax/speech-2.6-turbo" ], "type": "string" }, "output_format": { "default": "hex", "enum": [ "url", "hex" ], "type": "string" }, "pronunciation_dict": { "properties": { "tone": { "items": { "type": "string" }, "type": "array" } }, "type": "object" }, "stream": { "default": false, "enum": [ false ], "type": "boolean" }, "subtitle_enable": { "default": false, "type": "boolean" }, "text": { "maxLength": 9999, "minLength": 1, "type": "string" }, "timber_weights": { "items": { "properties": { "voice_id": { "type": "string" }, "weight": { "type": "integer" } }, "type": "object" }, "type": "array" }, "voice_modify": { "properties": { "intensity": { "enum": [ -100, 100 ], "type": "integer" }, "pitch": { "enum": [ -100, 100 ], "type": "integer" }, "sound_effects": { "enum": [ "spacious_echo", "auditorium_echo", "lofi_telephone", "robotic" ], "type": "string" }, "timbre": { "enum": [ -100, 100 ], "type": "integer" } }, "type": "object" }, "voice_setting": { "properties": { "emotion": { "enum": [ "happy", "sad", "angry", "fearful", "disgusted", "surprised", "calm", "fluent" ], "type": "string" }, "latex_read": { "default": false, "type": "boolean" }, "pitch": { "default": 0, "maximum": 12, "minimum": -12, "type": "integer" }, "speed": { "default": 1, "maximum": 2, "minimum": 0.5, "type": "number" }, "text_normalization": { "default": false, "type": "boolean" }, "voice_id": { "type": "string" }, "vol": { "default": 1, "exclusiveMinimum": true, "maximum": 10, "minimum": 0, "type": "number" } }, "type": "object" } }, "required": [ "model", "text" ], "type": "object" }, "schema_template": { "body": { "audio_setting": { "channel": 1, "format": "mp3", "sample_rate": 32000 }, "model": "minimax/speech-2.6-turbo", "output_format": "hex", "stream": false, "text": "Hello, this is a short speech example." }, "content_type": "application/json" } }, "input": { "conditions": [ "Use 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." ], "content_type": "application/json", "material_types": [ "text" ], "optional": [ "stream", "voice_setting", "audio_setting", "pronunciation_dict", "timber_weights", "language_boost", "voice_modify", "subtitle_enable", "output_format", "aigc_watermark" ], "required": [ "model", "text" ] }, "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets", "query": { "cursor": "actual returned next_cursor, when present", "family": "audio" } }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "cancel_endpoint": null, "create": { "http": "POST", "path": "/v1/audio/speech" }, "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "owned_content": { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "Use the exact returned content_url. Refresh an expired link by reading the same existing asset." }, "status": [], "unknown": "Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.", "unknown_no_replay": true }, "method": { "http": "POST", "path": "/v1/audio/speech" }, "method_aliases": [], "output": { "all_results": "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.", "family": "audio", "fields": [ { "name": "data.audio", "type": "string" }, { "name": "extra_info", "type": "object" }, { "name": "trace_id", "type": "string" } ], "format": [ "mp3", "pcm", "flac", "wav" ] } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input character" }, "label": "input character", "units": [ { "amount": "0.00012", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.00012", "native_quantity": 1, "public_unit_label": "per input character", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_character" } ] } ], "examples": [ { "code": "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-2.6-turbo\", \"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.\n", "label": "curl · create once and retain the complete result", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "speech", "http": "POST", "img_in": null, "img_out": null, "in": null, "input": [ "text" ], "label": "Speech", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": null, "output": [ "audio" ], "path": "/v1/audio/speech", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "per_request", "cache_read_price": null, "cache_write_1h_price": null, "cache_write_price": null, "fast_multiplier": null, "flex_multiplier": null, "image_input_price": null, "image_output_price": null, "input_price": null, "intervals": null, "max_reasoning_effort_multiplier": null, "output_price": null, "per_request_price": null, "unit_prices": { "audio_input_character": "0.00012" } }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input character" }, "label": "input character", "units": [ { "amount": "0.00012", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.00012", "native_quantity": 1, "public_unit_label": "per input character", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_character" } ] } ], "request_model_id": "minimax/speech-2.6-turbo", "route_label": "Ultra", "status_reads": [], "tiers": [], "unit": "per_request", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" }, { "amount": "0.00012", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.00012", "native_quantity": 1, "public_unit_label": "per input character", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_character" } ] } ], "model_aliases": [ { "canonical_model_id": "minimax/speech-2.6-turbo", "request_model_id": "minimax/speech-2.6-turbo", "route_label": "Ultra" } ], "name": "MiniMax: Speech 2.6 Turbo", "price": { "in": "0.00012", "in_label": "per input character", "out": null, "out_label": null, "sort_in": null, "sort_out": null, "varies": false }, "short": "Speech 2.6 Turbo er en tekst-til-tale-modell fra MiniMax for å gjøre et ferdig manus om til lyd. Utgaven minimax/speech-2.6-turbo gir innstillinger for stemme, fremføring og lydformat, med et fullstendig JSON-svar og et valg mellom URL og heksadesimale lydutdata. Bruk den til å lage taleversjoner av en oppgitt melding, kort leksjon eller et applikasjonsmanus." }, "renderer_schema": { "method_order": "Original DTO methods order; every exact route/format/path/caller survives.", "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers." }, "representation": "exact-public-dto-and-native-renderer-html", "representationNotes": { "current_reference": { "about_json_pointer": "/aboutHtml", "methods": [ { "contract_json_pointer": "/methods/0/rawMethod/contract", "html_json_pointer": "/methods/0/html", "method_ordinal": 0 } ], "role": "current-semantic-reference" }, "raw_input": { "examples_role": "historical-input-not-current-ready-examples", "json_pointers": [ "/rawModel", "/methods/0/rawMethod" ], "role": "historical-owner-input" }, "schema": "ailoot-native-model-representations-v1" }, "schema": "ailoot-static-model-facts-v1", "schema_version": 1, "shortText": "Speech 2.6 Turbo er en tekst-til-tale-modell fra MiniMax for å gjøre et ferdig manus om til lyd. Utgaven minimax/speech-2.6-turbo gir innstillinger for stemme, fremføring og lydformat, med et fullstendig JSON-svar og et valg mellom URL og heksadesimale lydutdata. Bruk den til å lage taleversjoner av en oppgitt melding, kort leksjon eller et applikasjonsmanus.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "5196aa02e2fc4d444862afbe36eae18e6a12438a105d1e0f8c99502203a4fe83", "renderer_sha256": "c8cb5a92c10b47373d294dee7465d66796cd4710c6626fd81459dc0625fc6d26" }, "sourceRevision": "64e3db20e560ff352a66a4399b0d3e3af22bd5552c89064db33550263a0eea1b" }