MiniMax: Speech 01 HD

MiniMax Speech 01 HD przekształca dostarczony tekst w mowę. Jego dokładny identyfikator modelu Ailoot to minimax/speech-01-hd, a udokumentowany selektor syntezy to speech-01-hd. Użyj metody audio_speech do nagrania lektorskiego, lekcji głosowej, objaśnienia produktu lub roboczej narracji, której brzmienie tekstowe już masz. Wejściem jest fragment do odczytania, a wynikiem zsyntetyzowana mowa w wybranym formacie audio.

Przygotuj tekst jako słowa przeznaczone do wypowiedzenia, z interpunkcją odzwierciedlającą frazowanie. Przy roboczej narracji podaj docelową kolejność zdań i pisownię nazw przed wyborem ustawień głosu. Zachowaj wskazówki wykonawcze oddzielnie od odczytywanego fragmentu, chyba że te słowa mają znaleźć się w nagraniu. Odsłuchaj ważne nazwy, liczby i przejścia w wyniku i porównaj je z tekstem źródłowym.

Tekst musi być krótszy niż 10 000 znaków. Opublikowany kontrakt syntezy wymaga pól model i text. Dla dłuższego materiału przygotuj fragmenty w tym limicie i zachowaj ich kolejność do montażu. Profil synchroniczny korzysta z kompletnej odpowiedzi, ze stream=false jako udokumentowaną wartością domyślną. Ogólne API opisuje również opcje strumieniowania, ale wybraną metodą tej karty jest synchroniczny przepływ mowy.

voice_setting wybiera dostępny voice_id i steruje parametrami speed, vol i pitch. Udokumentowany zakres speed wynosi 0,5–2, z 1 jako wartością domyślną. vol musi być większe niż 0 i nie większe niż 10, z 1 jako wartością domyślną; pitch to liczba całkowita od -12 do 12, z 0 jako wartością domyślną. Dopasuj każde ustawienie do fragmentu: porównuj tempo czytania i słyszalność rzeczywistego nagrania, zamiast zakładać, że zmiana liczby tworzy określone wykonanie.

Udokumentowane wartości emotion to happy, sad, angry, fearful, disgusted, surprised, calm i fluent. Tekst również może kierować emocją modelu. text_normalization to oddzielny parametr logiczny przygotowania odczytu liczb w językach chińskim i angielskim, a latex_read steruje odczytem wzorów LaTeX; oba domyślnie wynoszą false. pronunciation_dict.tone może zawierać udokumentowane reguły zastępowania wymowy. Sprawdź nazwę lub specjalistyczne wyrażenie w wynikowym nagraniu przed użyciem go w dłuższej narracji.

audio_setting.format przyjmuje mp3, pcm, flac lub wav, z mp3 jako wartością domyślną. sample_rate przyjmuje 8000, 16000, 22050, 24000, 32000 lub 44100 i domyślnie wynosi 32000. bitrate przyjmuje 32000, 64000, 128000 lub 256000, domyślnie wynosi 128000 i dotyczy MP3. channel wybiera 1 dla mono lub 2 dla stereo, z 1 jako wartością domyślną. Zachowaj te wybory wraz z fragmentem źródłowym, aby można było sprawdzić zwrócony plik pod kątem zamierzonego miejsca edycji lub odtwarzania.

Dodatkowe udokumentowane parametry obejmują language_boost, którego dokładne nazwane wartości to między innymi English, Russian, Chinese i Chinese,Yue; wybierz dla fragmentu rzeczywistą wartość z listy. timber_weights może łączyć istniejące wpisy voice_id z całkowitymi wartościami weight od 1 do 100. Opublikowane wartości sound_effects to spacious_echo, auditorium_echo, lofi_telephone i robotic. Są to opcjonalne parametry kształtowania wybranego głosu; zapisuj ich rzeczywiste ustawienia podczas porównywania odczytów.

Wynik synchroniczny zawiera wygenerowaną mowę. output_format wybiera url lub hex i domyślnie wynosi hex w schemacie syntezy. Pobierz plik wskazany w wyniku URL lub zdekoduj wynik hex do bajtów audio przed odtworzeniem. Zachowaj zwrócone metadane audio, w tym format, częstotliwość próbkowania, liczbę kanałów i rozmiar, wraz z nagraniem. subtitle_enable domyślnie wynosi false i po włączeniu dotyczy wyłącznie wyjścia niestrumieniowego; źródło nie określa formatu pliku napisów dla tego profilu.

Zapisz razem fragment źródłowy, dokładny identyfikator modelu, wybrany głos i ukończone nagranie. Przed umieszczeniem go w wideo, lekcji lub przewodniku głosowym oceń cały odczyt pod kątem zamierzonego brzmienia tekstu, pauz i wybranych ustawień wykonania. Jeśli odpowiedź jest niepełna, zachowaj tożsamość pierwotnego żądania i zwrócone informacje do uzgodnienia wyniku przed zamówieniem kolejnego nagrania. Późniejsza korekta może zmienić konkretną frazę lub ustawienie głosu, zachowując resztę tekstu dla wyraźnego porównania.