MiniMax: Speech 2.8 HD
Speech 2.8 HD syntetiserer uttrykksfull tale med styring av følelser og lyddetaljer som pust og latter.
Om modellen
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Livaktig tale med små lyddetaljer
Speech 2.8 HD er rettet mot naturlig og ren lyd. Generasjonens viktigste særtrekk er lydmarkører som kan legge til detaljer fra samtaletale: latter, små humringer, pust, innpust, utpust, sukk, hoste, kremting og andre korte lyder. De bidrar til rytmen og pausene i en livaktig replikk, uten å gjøre hver setning til jevn opplesning fra en forteller.
Markørene settes inn i teksten i formen som er angitt for modellen: for eksempel betegner (chuckle), (breath) og (sighs) de tilsvarende lydhandlingene. Lydmarkører er en funksjon i nettopp Speech 2.8. Dette er stemmedetaljer innen talesyntese, ikke generering av en separat musikk- eller lydkomposisjon.
Stemmeklang og renhet
Produsenten fremhever gjengivelse av stemmens karakteristiske trekk: tekstur, pust og uttalestil. Familiens funksjoner omfatter syntese med en allerede klargjort klonet stemme; oppretting av en slik stemme er en separat prosess. I Speech 2.8 er behandlingen også endret for å redusere bakgrunnsstøy og digitale forvrengninger.
Språk og uttrykk
Speech 2.8 støtter 40 språk, inkludert russisk. Produsenten beskriver også arbeid med uttale på tvers av språk i en kombinasjon av kinesisk og japansk. Dette gjelder bevaring av naturlig lyd ved bruk av ulike språk, ikke automatisk oversettelse av teksten.
MiniMax tilbyr stemmevalg og styring av tempo, lydstyrke og tonehøyde. Hastigheten angis i området 0,5–2, lydstyrken over 0 og opptil 10, og endringen i tonehøyde fra −12 til 12. Følelsen kan overlates til modellen ut fra tekstens mening eller angis manuelt: glede, tristhet, sinne, frykt, avsky, overraskelse eller ro.
Uttalen kan presiseres med en erstatningsordliste og fonetisk angivelse; det internasjonale fonetiske alfabetet, kinesisk pinyin og japanske uttalevarianter er tilgjengelige. Pauser angis mellom talte utsnitt i området 0,01–99,99 sekunder. Pauselengden angis med to desimalers nøyaktighet; markørene plasseres mellom utsnittene som skal uttales, og ikke rett etter hverandre. Innstillingene gjør det mulig å tilpasse uttalen av navn, forkortelser og tvetydige ord til hensikten med opplesningen.
Lydresultat
Syntesen tar imot tekst med færre enn 10 000 tegn. For lange tekster på over 3000 tegn anbefaler produsenten strømming; samlet mottak av ferdig lyd er også tilgjengelig. De generelle synteseinnstillingene omfatter MP3, PCM, FLAC, WAV, Opus og G.711 μ-law-varianter, i mono eller stereo; formatene som er tilgjengelige i en konkret forespørsel, bestemmes gjennom Ailoot.
Dette kortet gjør tekst om til talelyd. Stemmeinnstillingene beskriver MiniMax-modellen; oppretting av en stemmeklon, separate undertekster og spesielle tilkoblingsmåter inngår ikke automatisk i en opplesningsforespørsel.
Ytterligere lydinnstillinger omfatter samplingsfrekvensene 8, 16, 22,05, 24, 32 og 44,1 kHz. For MP3 er bitratene 32, 64, 128 eller 256 kbit/s tilgjengelige. Stemmeklangen kan også endres, og én effekt kan brukes: romlig ekko, hallekko, telefonlyd eller robotstemme. Stemmeendringseffekter støttes for MP3, WAV og FLAC når lyden mottas samlet, og ved strømming bare for MP3. G.711 μ-law-formatene bruker en samplingsfrekvens på 8 kHz. Disse funksjonene gjelder MiniMax' synteseinnstillinger.
Produsenten tilbyr synkronisering av tale og tekst: tidsstempler per setning, per ord eller per ord ved gradvise utdata. Et slikt resultat bidrar til å samordne uttalen med visningen av teksten. Denne ekstra funksjonen krever støtte for det aktuelle svarformatet.
Ailoot Ultra · Talesyntese POST /v1/audio/speech minimax/speech-2.8-hd
minimax/speech-2.8-hdStart
Speech 2.8 HD syntetiserer uttrykksfull tale med styring av følelser og lyddetaljer som pust og latter.
- Godkjente inndata
- Tekst
- Resultater
- Lyd
Tilgjengelig i Ailoot · inndata & metoder
Ailoot Ultra · Talesyntese POST /v1/audio/speech
- Inndatatyper
text- Utdatatyper
audio- Utdataformat
- mp3
| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser minimax/speech-2.8-hd | Standard— |
Feltinput | Typestring | KravPåkrevd | Verdier & grenser Minste lengde: 1 Enhet: Unicode-tegn | Standard— |
Feltvoice | Typestring | KravPåkrevd | Verdier & grenser English_expressive_narrator, English_radiant_girl, English_magnetic_voiced_man, English_compelling_lady1, English_Aussie_Bloke, English_captivating_female1, English_Upbeat_Woman, English_Trustworth_Man, English_CalmWoman, English_UpsetGirl, English_Gentle-voiced_man, English_Whispering_girl, English_Diligent_Man, English_Graceful_Lady, English_ReservedYoungMan, English_PlayfulGirl, English_ManWithDeepVoice, English_MaturePartner, English_FriendlyPerson, English_MatureBoss, English_Debator, English_LovelyGirl, English_Steadymentor, English_Deep-VoicedGentleman, English_Wiselady, English_CaptivatingStoryteller, English_DecentYoungMan, English_SentimentalLady, English_ImposingManner, English_SadTeen, English_PassionateWarrior, English_WiseScholar, English_Soft-spokenGirl, English_SereneWoman, English_ConfidentWoman, English_PatientMan, English_Comedian, English_BossyLeader, English_Strong-WilledBoy, English_StressedLady, English_AssertiveQueen, English_AnimeCharacter, English_Jovialman, English_WhimsicalGirl, English_Kind-heartedGirl | Standard— |
Feltresponse_format | Typestring | KravPåkrevd | Verdier & grenser mp3 | Standard— |
Kombinasjoner av inngående materialer
text_to_speech · Påkrevd: input
Metodeparametere og livssyklus
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, input, voice, response_format |
Parametervoice_ids | AvtaleEnglish_expressive_narrator, English_radiant_girl, English_magnetic_voiced_man, English_compelling_lady1, English_Aussie_Bloke, English_captivating_female1, English_Upbeat_Woman, English_Trustworth_Man, English_CalmWoman, English_UpsetGirl, English_Gentle-voiced_man, English_Whispering_girl, English_Diligent_Man, English_Graceful_Lady, English_ReservedYoungMan, English_PlayfulGirl, English_ManWithDeepVoice, English_MaturePartner, English_FriendlyPerson, English_MatureBoss, English_Debator, English_LovelyGirl, English_Steadymentor, English_Deep-VoicedGentleman, English_Wiselady, English_CaptivatingStoryteller, English_DecentYoungMan, English_SentimentalLady, English_ImposingManner, English_SadTeen, English_PassionateWarrior, English_WiseScholar, English_Soft-spokenGirl, English_SereneWoman, English_ConfidentWoman, English_PatientMan, English_Comedian, English_BossyLeader, English_Strong-WilledBoy, English_StressedLady, English_AssertiveQueen, English_AnimeCharacter, English_Jovialman, English_WhimsicalGirl, English_Kind-heartedGirl |
Parameterresponse_format | Avtalemp3 |
Parametermax_input_characters | Avtalenull |
Parameterother_options | Avtalefalse |
Parameterinput | AvtaleEksakt UTF-8-tekst; antall Unicode-tegn uten normalisering |
Parametermaterial_types | Avtaletext |
Livssyklus: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · faktisk returnert task_id eller oppføring i mediebiblioteket
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Velg den eksakte stemmen fra denne modellprofilen.
Inndatategn og lydsekunder er ulike måleenheter for forbruk.
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.
| Konfigurasjon | Prisplan | Fakturerbar mengde | Faktureringsenhet | Kostnad |
|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Fakturerbar mengde— | 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 |
| KonfigurasjonUltra | Prisplan— | Fakturerbar mengdeHvert Unicode-kodepunkt teller som ett tegn, også Han-tegn. | Faktureringsenhetper 1K inndatategn | Kostnad Inndata · inndatategn $0.2 per 1K inndatategn |
Detaljer om referansetariffen
Referanseprisplaner på modellnivå endrer ikke metodevalg, prisoverslag eller kostnader. Aktive kostnader bruker satsene til den valgte Ailoot-metoden.
MiniMax: Speech 2.8 HD
Priser etter konfigurasjon
| Konfigurasjon | Faktureringsvilkår | Kostnad |
|---|---|---|
| KonfigurasjonMiniMax: Speech 2.8 HD · Standardkonfigurasjon | FaktureringsvilkårStandardkonfigurasjon | Kostnad Inndata · Inngående tegn 0,0002 USD per inndatategn |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
Eksempelforespørsler
Ailoot Ultra · Talesyntese
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_VOICE_ID:?Choose an accepted voice ID from this exact model profile}"
export AILOOT_VOICE_ID
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "minimax/speech-2.8-hd", "input": "Good afternoon! This is a short voice take."}')
voice=os.environ["AILOOT_VOICE_ID"]
allowed=json.loads('["English_expressive_narrator", "English_radiant_girl", "English_magnetic_voiced_man", "English_compelling_lady1", "English_Aussie_Bloke", "English_captivating_female1", "English_Upbeat_Woman", "English_Trustworth_Man", "English_CalmWoman", "English_UpsetGirl", "English_Gentle-voiced_man", "English_Whispering_girl", "English_Diligent_Man", "English_Graceful_Lady", "English_ReservedYoungMan", "English_PlayfulGirl", "English_ManWithDeepVoice", "English_MaturePartner", "English_FriendlyPerson", "English_MatureBoss", "English_Debator", "English_LovelyGirl", "English_Steadymentor", "English_Deep-VoicedGentleman", "English_Wiselady", "English_CaptivatingStoryteller", "English_DecentYoungMan", "English_SentimentalLady", "English_ImposingManner", "English_SadTeen", "English_PassionateWarrior", "English_WiseScholar", "English_Soft-spokenGirl", "English_SereneWoman", "English_ConfidentWoman", "English_PatientMan", "English_Comedian", "English_BossyLeader", "English_Strong-WilledBoy", "English_StressedLady", "English_AssertiveQueen", "English_AnimeCharacter", "English_Jovialman", "English_WhimsicalGirl", "English_Kind-heartedGirl"]')
if voice not in allowed: raise SystemExit("Choose an accepted voice ID from this exact model profile")
p["voice"]=voice
p["response_format"]="mp3"
Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \
-H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o speech.mp3
Motta og lagre resultater
Ailoot Ultra · Talesyntese
mp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Andre innholdslesinger
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \
-H "Authorization: Bearer $AILOOT_API_KEY" -o media-assets.json
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_MEDIA_TASK_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_MEDIA_TASK_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_MEDIA_TASK_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/tasks/$resource_id" \
-H "Authorization: Bearer $AILOOT_API_KEY" -o media-task.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-task.json").read_text())))
PY_RESULT
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_ASSET_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_ASSET_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_ASSET_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/assets/$resource_id" \
-H "Authorization: Bearer $AILOOT_API_KEY" -o media-asset.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-asset.json").read_text())))
PY_RESULT
Behold alle ferdige resultater
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Bevar hele det binære resultatet og svarhodene. Hvis JSON eller flere utdata returneres, bevar hvert dataelement og hent innholdet fra hver faktiske signerte ressurs-URL.
Hvis det opprinnelige svaret må kontrolleres
Bevar opprinnelig operation_id/X-Client-Request-ID for avstemming uten ny innsending; det finnes ingen egen rute for å spørre etter lydstatus.
Svarfelter
| Felt | Type |
|---|---|
Feltbinary audio | Typebytes |
Feltresponse headers | Typeheaders |
Feil og neste trinn
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Svarserver_error | VilkårDet returnerte svaret angir at operasjonen eller resultatet må kontrolleres | Neste trinnBevar den opprinnelige returnerte operasjons-/oppgave-ID-en, forespørselshodene og svaret; fortsett å lese den opprinnelige operasjonen på de støttede måtene. Ikke send opprettelsesforespørselen på nytt. |
Aliaser
Modellaliaser
Ailoot Ultra minimax/speech-2.8-hd
Aliaser for metodestier
Bruk metodestiene som vises ovenfor.
Tilknyttede anroper-ID-er
FAQ · MiniMax: Speech 2.8 HD
- Hvilke inndata og resultater er tilgjengelige?
POST /v1/audio/speech·minimax/speech-2.8-hd:text→audio- Hvilke felt bruker forespørselen?
POST /v1/audio/speech·minimax/speech-2.8-hd:model,input,voice,response_format