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.
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.
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.
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.
", "aboutText": "### Livaktig tale med små lyddetaljer\n\nSpeech 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.\n\nMarkørene 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.\n\n### Stemmeklang og renhet\n\nProdusenten 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.\n\n### Språk og uttrykk\n\nSpeech 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.\n\nMiniMax 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.\n\nUttalen 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.\n\n### Lydresultat\n\nSyntesen 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.\n\nDette 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.\n\nYtterligere 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.\n\nProdusenten 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "450ce70727f7e8cd10e8c4b3632159935001caac458831c5de1015185df8b26b", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "nb", "methods": [ { "html": "speech-2.8-hdSpeech 2.8 HD syntetiserer uttrykksfull tale med styring av følelser og lyddetaljer som pust og latter.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
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.
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.
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.
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.
POST /v1/audio/speechtextspeech| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser speech-2.8-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— |
text_to_speech · Påkrevd: input
| 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.
POST /v1/audio/speechAiloot 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 →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 narration script}"\nexport AILOOT_TEXT_FILE\n: "${AILOOT_VOICE_ID:?Set the actual accepted voice ID for this model}"\nexport AILOOT_VOICE_ID\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "speech-2.8-hd", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=text\nimport re\nvoice=os.environ["AILOOT_VOICE_ID"]\nif not re.fullmatch(r"[A-Za-z0-9_-]{1,128}",voice):raise SystemExit("Set an actual accepted voice ID")\np["voice"]=voice\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o speech.mp3\nmp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}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.
Bevar opprinnelig operation_id/X-Client-Request-ID for avstemming uten ny innsending; det finnes ingen egen rute for å spørre etter lydstatus.
| Felt | Type |
|---|---|
Feltbinary audio | Typebytes |
Feltresponse headers | Typeheaders |
| 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. |
Ailoot speech-2.8-hd, minimax-speech, minimax-speech-latest
Bruk metodestiene som vises ovenfor.
minimax-speechSpeech 2.8 HD syntetiserer uttrykksfull tale med styring av følelser og lyddetaljer som pust og latter.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
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.
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.
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.
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.
POST /v1/audio/speechtextspeech| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser minimax-speech | 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— |
text_to_speech · Påkrevd: input
| 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.
POST /v1/audio/speechAiloot 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 →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 narration script}"\nexport AILOOT_TEXT_FILE\n: "${AILOOT_VOICE_ID:?Set the actual accepted voice ID for this model}"\nexport AILOOT_VOICE_ID\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "minimax-speech", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=text\nimport re\nvoice=os.environ["AILOOT_VOICE_ID"]\nif not re.fullmatch(r"[A-Za-z0-9_-]{1,128}",voice):raise SystemExit("Set an actual accepted voice ID")\np["voice"]=voice\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o speech.mp3\nmp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}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.
Bevar opprinnelig operation_id/X-Client-Request-ID for avstemming uten ny innsending; det finnes ingen egen rute for å spørre etter lydstatus.
| Felt | Type |
|---|---|
Feltbinary audio | Typebytes |
Feltresponse headers | Typeheaders |
| 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. |
Ailoot speech-2.8-hd, minimax-speech, minimax-speech-latest
Bruk metodestiene som vises ovenfor.
minimax-speech-latestSpeech 2.8 HD syntetiserer uttrykksfull tale med styring av følelser og lyddetaljer som pust og latter.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
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.
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.
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.
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.
POST /v1/audio/speechtextspeech| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser minimax-speech-latest | 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— |
text_to_speech · Påkrevd: input
| 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.
POST /v1/audio/speechAiloot 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 →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 narration script}"\nexport AILOOT_TEXT_FILE\n: "${AILOOT_VOICE_ID:?Set the actual accepted voice ID for this model}"\nexport AILOOT_VOICE_ID\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "minimax-speech-latest", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=text\nimport re\nvoice=os.environ["AILOOT_VOICE_ID"]\nif not re.fullmatch(r"[A-Za-z0-9_-]{1,128}",voice):raise SystemExit("Set an actual accepted voice ID")\np["voice"]=voice\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o speech.mp3\nmp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}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.
Bevar opprinnelig operation_id/X-Client-Request-ID for avstemming uten ny innsending; det finnes ingen egen rute for å spørre etter lydstatus.
| Felt | Type |
|---|---|
Feltbinary audio | Typebytes |
Feltresponse headers | Typeheaders |
| 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. |
Ailoot speech-2.8-hd, minimax-speech, minimax-speech-latest
Bruk metodestiene som vises ovenfor.