speech-02-hd
Speech-02 HD er en talesyntesemodell med vekt på lydkvalitet og stemmelikhet.
Om modellen
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Stemme for opplesning og lange tekster
Speech 02 HD lager tale med vekt på kvalitet, rytme og stabil lyd. Produsenten fremhever opplesning av materiale og lydbøker der stemmen skal beholde karakteren og gi en jevn fremføring gjennom en lang tekst. Dette er en syntesemodell: den tar imot tekst og gjør den om til talelyd.
Hvordan tekst og stemmeklang kombineres
Speech 02-familien bygger på en autoregressiv Transformer-arkitektur og en trenbar talerenkoder. Uttrekk av stemmeklang og talegenerering ble trent sammen for å samordne stemmeegenskapene med innholdet. Familiens funksjoner omfatter bruk av ferdig klonede stemmer og kombinasjoner av språk, aksent og uttalestil.
Følelser og opplesning på flere språk
Følelsesuttrykket kan bestemmes ut fra tekstens mening eller angis manuelt. Glede, tristhet, sinne, frykt, avsky, overraskelse og ro er tilgjengelige. Modellen arbeider med russisk, engelsk og andre språk; produsenten beskriver ulike engelske aksenter, kinesisk og kantonesisk, japansk, koreansk, europeiske språk og andre språk.
I den gjeldende beskrivelsen av Speech 02 er persisk, filippinsk og tamil uttrykkelig utelatt. Det samlede språkutvalget i nyere Speech-generasjoner bør ikke automatisk overføres til denne versjonen.
Stemmeinnstillinger
Syntesen tilbyr stemmevalg, hastighet på 0,5–2, lydstyrke over 0 og opptil 10, og tonehøyde fra −12 til 12. I uttaleordlisten kan skrivemåter erstattes med ønsket uttale; fonetiske angivelser og japanske uttalevarianter støttes. Dette bidrar til å styre hvordan navn og tvetydige ord blir uttalt.
Pauser og ferdig lyd
Produsenten gjør det mulig å angi pauser mellom talte utsnitt med en varighet på 0,01–99,99 sekunder. Pauselengden angis med to desimalers nøyaktighet; markørene plasseres mellom utsnittene som skal uttales, og ikke rett etter hverandre. Teksten i én synkron forespørsel skal ha færre enn 10 000 tegn. Lyden kan mottas samlet eller gradvis; for tekst på over 3000 tegn anbefales strømming.
Modellens formater omfatter MP3, WAV, FLAC og PCM; de generelle synteseinnstillingene beskriver også Opus og G.711 μ-law-varianter. Mono og stereo kan brukes. I dette kortet er tekstopplesning tilgjengelig, mens separat klargjøring av stemmer og avanserte innstillinger bare gjelder innenfor bruksmåten som støttes gjennom Ailoot.
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 · Talesyntese POST /v1/audio/speech speech-02-hd
speech-02-hdStart
Speech-02 HD er en talesyntesemodell med vekt på lydkvalitet og stemmelikhet.
- Godkjente inndata
- Tekst
- Resultater
- speech
Tilgjengelig i Ailoot · inndata & metoder
Ailoot · Talesyntese POST /v1/audio/speech
- Inndatatyper
text- Utdatatyper
speech- Utdataformat
- mp3
| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser speech-02-hd | Standard— |
Feltinput | Typestring | KravPåkrevd | Verdier & grenser Minste lengde: 1 Maksimal lengde (eksklusive): 10 000 Enhet: Unicode-tegn | Standard— |
Feltvoice | Typestring | KravPåkrevd | Verdier & grenser Mønster: ^[A-Za-z0-9_-]{1,128}$ | Standard— |
Feltresponse_format | Typestring | KravValgfritt | Verdier & grenser mp3 | Standard— |
Kombinasjoner av inngående materialer
text_to_speech · Påkrevd: input
Metodeparametere og livssyklus
| Parameter | Avtale |
|---|---|
Parametermaterial_types | Avtaletext |
Parameterrequired | Avtalenull |
Parameteroptional_controls | Avtalenull |
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}
Metodestrukturer og ID-er er eksakte; leverandørens evne er adskilt fra godkjenning av forespørselen.
Priser
Satser for Ailoot-metoder
POST /v1/audio/speech- Inndata
- 100,00 USD per 1 million tegn
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 · Talesyntese
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 narration script}"
export AILOOT_TEXT_FILE
: "${AILOOT_VOICE_ID:?Set the actual accepted voice ID for this model}"
export AILOOT_VOICE_ID
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "speech-02-hd", "input": ""}')
f=Path(os.environ["AILOOT_TEXT_FILE"])
if not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")
text=f.read_text(encoding="utf-8")
if not text.strip():raise SystemExit("Source material must contain text")
p["input"]=text
import re
voice=os.environ["AILOOT_VOICE_ID"]
if not re.fullmatch(r"[A-Za-z0-9_-]{1,128}",voice):raise SystemExit("Set an actual accepted voice ID")
p["voice"]=voice
Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \
-H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o speech.mp3
Motta og lagre resultater
Ailoot · Talesyntese
mp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
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 speech-02-hd
Aliaser for metodestier
Bruk metodestiene som vises ovenfor.
Tilknyttede anroper-ID-er
FAQ · speech-02-hd
- Hvilke inndata og resultater er tilgjengelige?
POST /v1/audio/speech·speech-02-hd:text→speech- Hvilke felt bruker forespørselen?
POST /v1/audio/speech·speech-02-hd:model,input,voice,response_format