speech-02-turbo
Speech-02 Turbo er laget for rask talesyntese med stabil rytme og tale på flere språk.
Om modellen
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Rask tale for interaktive svar
Speech 02 Turbo er laget for interaktiv talesyntese. Produsenten beskriver en kombinasjon av hastighet, stabil rytme og naturlig lyd; bruksområdene omfatter talesvar, spillreplikker og interaktivt innhold. Modellen tar imot tekst og gir talelyd.
Valg av stemmeuttrykk
Speech 02-familien gjør det mulig å kombinere stemme, språk, aksent og følelsesuttrykk. En autoregressiv Transformer og en talerenkoder som trenes sammen, knytter stemmeklangen til innholdet. Tekst kan syntetiseres med en ferdig stemme; oppretting av en ny klonet stemme hører til separat klargjøring.
Modellen velger selv følelsesintonasjon ut fra teksten eller bruker en angitt tilstand: glede, tristhet, sinne, frykt, avsky, overraskelse eller ro. Hastighet, tonehøyde og lydstyrke kan også styres for å tilpasse replikken til ønsket tempo i samhandlingen.
Språk og uttale av ord
Russisk tale og andre språk støttes, inkludert engelsk, kinesisk, kantonesisk, japansk, koreansk, fransk, tysk, spansk, portugisisk, tyrkisk, arabisk og ukrainsk. Den gjeldende spesifikasjonen for Speech 02 utelater uttrykkelig persisk, filippinsk og tamil.
Uttalen kan presiseres med en erstatningsordliste, internasjonal fonetisk angivelse, kinesisk pinyin og japanske uttalevarianter. Pauser mellom talte deler angis innenfor 0,01–99,99 sekunder. Pauselengden angis med to desimalers nøyaktighet; markørene plasseres mellom utsnittene som skal uttales, og ikke rett etter hverandre. Modellen tilbyr hastighet på 0,5–2, lydstyrke over 0 og opptil 10, og endring av tonehøyde fra −12 til 12.
Lyd for avspilling
Synkrone inndata er begrenset til tekst med færre enn 10 000 tegn; for tekst på over 3000 tegn anbefaler produsenten gradvise utdata. Modellens funksjoner omfatter MP3, WAV, FLAC og PCM; de generelle innstillingene beskriver også Opus og G.711 μ-law, med én eller to lydkanaler.
Dette Ailoot-kortet tar imot tekst og returnerer tale. Turbos hastighet beskriver modellvariantens formål; varigheten på et konkret svar og tilgjengeligheten til avanserte formater avhenger av valgt bruksmåte.
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-turbo
speech-02-turboStart
Speech-02 Turbo er laget for rask talesyntese med stabil rytme og tale på flere språk.
- 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-turbo | 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
- 60,00 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-turbo", "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-turbo
Aliaser for metodestier
Bruk metodestiene som vises ovenfor.
Tilknyttede anroper-ID-er
FAQ · speech-02-turbo
- Hvilke inndata og resultater er tilgjengelige?
POST /v1/audio/speech·speech-02-turbo:text→speech- Hvilke felt bruker forespørselen?
POST /v1/audio/speech·speech-02-turbo:model,input,voice,response_format