speech-2.6-turbo
Speech 2.6 Turbo syntetiserer tale på flere språk og er rettet mot lav svarforsinkelse.
Om modellen
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Replikker for talebaserte arbeidsflyter
Speech 2.6 Turbo er en talesyntesevariant rettet mot hastighet. Produsenten beskriver den for taleassistenter og interaktive situasjoner der teksten gradvis blir til et svar. Modellen beholder de naturlige intonasjonene fra Speech 2.6-generasjonen og kan behandle spesielle skrivemåter.
Tekst som må uttales riktig
Modellen er laget for å lese datoer, telefonnumre, pengebeløp, nettadresser og e-postadresser uten at hver angivelse først må skrives om manuelt. Slik behandling er nyttig i dynamiske meldinger der tall og betegnelser opptrer sammen med vanlige ord. Produsenten beskriver behandling av disse formatene på flere språk.
Taleflyt og følelsesstyring
Speech 2.6 støtter Fluent LoRA: bevart, gjenkjennelig stemmeklang med jevnere uttale av teksten. Funksjonen gjelder bruk av en allerede klargjort stemme; separat klargjøring av en klon inngår ikke i en vanlig tekstforespørsel. Familien omfatter 40 språk, inkludert russisk.
Turbo tilbyr sju grunnleggende følelser og tilleggsmodusene fluent og whisper. Modellen kan velge følelsesuttrykket selv ut fra innholdet eller bruke en angitt tilstand. Stemmedybde og tempo kan endres uavhengig av teksten.
Stemme, pauser og uttale
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.
Mottak av 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.
I dette Ailoot-kortet gjøres tekst om til talelyd. Turbos formål er knyttet til syntesehastigheten, men det gis ikke løfte om en fast svartid; innstillingene som er listet opp, gjenspeiler produsentens funksjoner og gjelder innenfor den tilgjengelige bruksmåten.
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-turbo
speech-2.6-turboStart
Speech 2.6 Turbo syntetiserer tale på flere språk og er rettet mot lav svarforsinkelse.
- 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-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-2.6-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-2.6-turbo
Aliaser for metodestier
Bruk metodestiene som vises ovenfor.
Tilknyttede anroper-ID-er
FAQ · speech-2.6-turbo
- Hvilke inndata og resultater er tilgjengelige?
POST /v1/audio/speech·speech-2.6-turbo:text→speech- Hvilke felt bruker forespørselen?
POST /v1/audio/speech·speech-2.6-turbo:model,input,voice,response_format