speech-2.6-hd
Speech 2.6 HD er en modell for talesyntese med høy kvalitet, med vekt på naturlig tale og stemmelikhet.
Om modellen
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Naturlig stemme for samhandling
Speech 2.6 HD er laget for naturlig talesyntese og situasjoner der det er viktig at svaret starter raskt. Produsenten legger vekt på intonasjon, flyt i talen og tekstbehandling før uttalen. HD-varianten fremhever lydkvalitet; inndata for dette kortet er tekst, og utdata er talelyd.
Lesing av uvanlige skrivemåter
Speech 2.6-generasjonen kan behandle skrivemåter som ofte forekommer i arbeidsmeldinger: nettadresser, e-postadresser, telefonnumre, datoer og pengebeløp. Modellen omdanner dem til en uttalbar form, slik at replikken blir forståelig når den høres. Produsenten beskriver slike oppgaver på flere språk.
Flytende tale med bevart stemmeklang
Speech 2.6 tilbyr modusen Fluent LoRA for å forbedre taleflyten. Den er laget for syntese med en klargjort stemme: den bidrar til å bevare klangen og samtidig lage mer sammenhengende tale, selv om den opprinnelige prøven var ujevn eller hadde en aksent. Klargjøring av en klonet stemme og bruk av den til opplesning er separate handlinger.
40 språk støttes, inkludert russisk. I tillegg til de sju grunnleggende følelsestilstandene tilbyr Speech 2.6 alternativene fluent for flytende tale og whisper for hvisking. Hvis følelse ikke angis, velger modellen den ut fra tekstens mening.
Taleinnstillinger
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.
Tekstlengde og lyd
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.
Ifølge MiniMax er generasjonen rettet mot lav forsinkelse i talesituasjoner. Dette beskriver modellen; tiden for et konkret svar og tilgjengeligheten til avanserte innstillinger avhenger av valgt bruksmåte i 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-2.6-hd
speech-2.6-hdStart
Speech 2.6 HD er en modell for talesyntese med høy kvalitet, med vekt på naturlig tale 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-2.6-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-2.6-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-2.6-hd
Aliaser for metodestier
Bruk metodestiene som vises ovenfor.
Tilknyttede anroper-ID-er
FAQ · speech-2.6-hd
- Hvilke inndata og resultater er tilgjengelige?
POST /v1/audio/speech·speech-2.6-hd:text→speech- Hvilke felt bruker forespørselen?
POST /v1/audio/speech·speech-2.6-hd:model,input,voice,response_format