Speech 2.6 HD to konkretna edycja mowy MiniMax wybierana przez model: "minimax/speech-2.6-hd". Użyj POST /v1/audio/speech z treścią application/json zawierającą model i tekst do wypowiedzenia. Wejściem jest pisemny tekst, a wynikiem zsyntetyzowany dźwięk. Dla fragmentu edukacyjnego przygotuj dokładne wyjaśnienie i przykłady do odczytania na głos. W prezentacji działania produktu zapisz sekwencję wypowiedzi w tej samej kolejności co widoczne kroki. Tekst narracji może zawierać pełne zdania i świadomie dobraną interpunkcję; instrukcje redakcyjne, które mają pozostać niewypowiedziane, trzymaj poza polem text.
Pole text musi zawierać co najmniej jeden znak inny niż biały i zawierać mniej niż 10 000 znaków Unicode. Wyślij cały tekst do odczytania z ustawieniem stream:false lub pomiń stream. Podziel dłuższy materiał na oddzielne, kompletne fragmenty tekstu przed wysłaniem każdego z nich. Z dokumentu można skorzystać, odczytując jego rzeczywistą zawartość i umieszczając odpowiedni fragment w polu text; adres URL dokumentu nie zastępuje tekstu do odczytania.
Wybierz głos przez voice_setting.voice_id. Udokumentowane kategorie głosów obejmują głosy systemowe oraz już utworzone głosy sklonowane lub zaprojektowane tekstowo; użyj prawidłowego identyfikatora głosu dla wybranej kategorii. Przykładowy głos to audiobook_male_1. Ten sam obiekt steruje parametrem speed od 0,5 do 2, parametrem vol powyżej 0 i do 10 oraz parametrem pitch o wartościach całkowitych od -12 do 12. Ich wartości domyślne wynoszą 1, 1 i 0. Te parametry dostosowują różne aspekty odczytu, więc wybieraj je oddzielnie, zamiast umieszczać ich nazwy w tekście do wypowiedzenia.
voice_setting.emotion przyjmuje happy, sad, angry, fearful, disgusted, surprised, calm i fluent. Dokumentacja opisuje również automatyczne dopasowanie emocji na podstawie tekstu. W tekstach zawierających wiele liczb voice_setting.text_normalization włącza normalizację tekstu chińskiego i angielskiego i domyślnie wynosi false. voice_setting.latex_read steruje odczytem wyrażeń LaTeX i również domyślnie wynosi false. pronunciation_dict.tone to tablica ciągów reguł wymowy. Opublikowany przykład to ["草地/(cao3)(di1)"]; przy podawaniu reguły zachowaj słowo, ukośnik i strukturę wymowy w nawiasach.
audio_setting.format przyjmuje mp3, pcm, flac i wav, z mp3 jako wartością domyślną. sample_rate przyjmuje 8000, 16000, 22050, 24000, 32000 i 44100 Hz; wartość domyślna wynosi 32000. channel wynosi 1 dla mono lub 2 dla dwóch kanałów, domyślnie 1. Wartości bitrate to 32000, 64000, 128000 i 256000 bitów na sekundę, domyślnie 128000, i dotyczą mp3. Wybierz kodowanie potrzebne odtwarzaczowi lub narzędziu do edycji, które wykorzysta wynik.
language_boost to opcjonalny ciąg, domyślnie null. Dozwolone wartości to Chinese, Chinese,Yue, English, Arabic, Russian, Spanish, French, Portuguese, German, Turkish, Dutch, Ukrainian, Vietnamese, Indonesian, Japanese, Italian, Korean, Thai, Polish, Romanian, Greek, Czech, Finnish, Hindi, Bulgarian, Danish, Hebrew, Malay, Persian, Slovak, Swedish, Croatian, Filipino, Hungarian, Norwegian, Slovenian, Catalan, Nynorsk, Tamil, Afrikaans i auto. "Chinese,Yue" jest jedną wartością. To parametr oddzielny od tekstu do odczytania i identyfikatora głosu. Schemat udostępnia też timber_weights dla listy par voice_id i weight o wartości całkowitej, przy czym każdy weight wynosi od 1 do 100. Przy przygotowywaniu żądania zachowaj pisownię parametru timber_weights. voice_modify.sound_effects to opcjonalny ciąg z wartościami spacious_echo, auditorium_echo, lofi_telephone i robotic.
stream domyślnie wynosi false. Dla kompletnej odpowiedzi output_format wybiera url lub hex i domyślnie wynosi hex. W udokumentowanym wyniku JSON data.audio zawiera wybraną reprezentację: pobierz pełny podpisany adres URL Ailoot wraz z jego ciągiem zapytania lub zdekoduj kompletny dźwięk szesnastkowy do bajtów. Zachowaj pierwotny wynik wraz z data.status, base_resp, trace_id i extra_info, które zawiera rzeczywisty format audio, częstotliwość próbkowania, liczbę kanałów, rozmiar i usage_characters.
subtitle_enable to wartość logiczna, domyślnie false, dotycząca wyjścia niestrumieniowego. aigc_watermark to wartość logiczna, domyślnie false, sterująca słyszalnym znacznikiem rytmicznym na końcu wygenerowanego dźwięku. Zachowaj każdy zwrócony wynik audio lub napisów i sprawdź wymowę, liczby oraz ukończony plik przed umieszczeniem go w aplikacji. Jeśli dostarczenie jest niepewne, zachowaj identyfikator pierwotnego żądania i odpowiedź do sprawdzenia istniejącej próby. Ailoot zapisuje również ukończony dźwięk w bibliotece multimediów. Przy output_format:"url" data.audio zawiera podpisane łącze do tego zapisanego zasobu; identyfikator zasobu występuje w jego ścieżce /v1/media/assets/{asset_id}/content. Podpisane łącza do plików Ailoot są ważne przez 24 godziny od wystawienia. Użyj tego samego klucza API do GET /v1/media/assets?family=audio i przejdź przez każdy next_cursor, aby znaleźć zapisy zasobów audio. Wywołaj GET /v1/media/assets/{asset_id} dla każdego wybranego zapisu i pobierz jego dokładny content_url wraz z ciągiem zapytania. Jeśli żądanie pliku zwróci 404 z kodem link_expired, odczytaj ponownie ten sam zasób, aby uzyskać odświeżony content_url. Odśwież zapisany wynik, zamiast ponownie generować dźwięk w celu zastąpienia wygasłego łącza.
", "aboutText": "Speech 2.6 HD to konkretna edycja mowy MiniMax wybierana przez model: \"minimax/speech-2.6-hd\". Użyj POST /v1/audio/speech z treścią application/json zawierającą model i tekst do wypowiedzenia. Wejściem jest pisemny tekst, a wynikiem zsyntetyzowany dźwięk. Dla fragmentu edukacyjnego przygotuj dokładne wyjaśnienie i przykłady do odczytania na głos. W prezentacji działania produktu zapisz sekwencję wypowiedzi w tej samej kolejności co widoczne kroki. Tekst narracji może zawierać pełne zdania i świadomie dobraną interpunkcję; instrukcje redakcyjne, które mają pozostać niewypowiedziane, trzymaj poza polem text.\n\nPole text musi zawierać co najmniej jeden znak inny niż biały i zawierać mniej niż 10 000 znaków Unicode. Wyślij cały tekst do odczytania z ustawieniem stream:false lub pomiń stream. Podziel dłuższy materiał na oddzielne, kompletne fragmenty tekstu przed wysłaniem każdego z nich. Z dokumentu można skorzystać, odczytując jego rzeczywistą zawartość i umieszczając odpowiedni fragment w polu text; adres URL dokumentu nie zastępuje tekstu do odczytania.\n\nWybierz głos przez voice_setting.voice_id. Udokumentowane kategorie głosów obejmują głosy systemowe oraz już utworzone głosy sklonowane lub zaprojektowane tekstowo; użyj prawidłowego identyfikatora głosu dla wybranej kategorii. Przykładowy głos to audiobook_male_1. Ten sam obiekt steruje parametrem speed od 0,5 do 2, parametrem vol powyżej 0 i do 10 oraz parametrem pitch o wartościach całkowitych od -12 do 12. Ich wartości domyślne wynoszą 1, 1 i 0. Te parametry dostosowują różne aspekty odczytu, więc wybieraj je oddzielnie, zamiast umieszczać ich nazwy w tekście do wypowiedzenia.\n\nvoice_setting.emotion przyjmuje happy, sad, angry, fearful, disgusted, surprised, calm i fluent. Dokumentacja opisuje również automatyczne dopasowanie emocji na podstawie tekstu. W tekstach zawierających wiele liczb voice_setting.text_normalization włącza normalizację tekstu chińskiego i angielskiego i domyślnie wynosi false. voice_setting.latex_read steruje odczytem wyrażeń LaTeX i również domyślnie wynosi false. pronunciation_dict.tone to tablica ciągów reguł wymowy. Opublikowany przykład to [\"草地/(cao3)(di1)\"]; przy podawaniu reguły zachowaj słowo, ukośnik i strukturę wymowy w nawiasach.\n\naudio_setting.format przyjmuje mp3, pcm, flac i wav, z mp3 jako wartością domyślną. sample_rate przyjmuje 8000, 16000, 22050, 24000, 32000 i 44100 Hz; wartość domyślna wynosi 32000. channel wynosi 1 dla mono lub 2 dla dwóch kanałów, domyślnie 1. Wartości bitrate to 32000, 64000, 128000 i 256000 bitów na sekundę, domyślnie 128000, i dotyczą mp3. Wybierz kodowanie potrzebne odtwarzaczowi lub narzędziu do edycji, które wykorzysta wynik.\n\nlanguage_boost to opcjonalny ciąg, domyślnie null. Dozwolone wartości to Chinese, Chinese,Yue, English, Arabic, Russian, Spanish, French, Portuguese, German, Turkish, Dutch, Ukrainian, Vietnamese, Indonesian, Japanese, Italian, Korean, Thai, Polish, Romanian, Greek, Czech, Finnish, Hindi, Bulgarian, Danish, Hebrew, Malay, Persian, Slovak, Swedish, Croatian, Filipino, Hungarian, Norwegian, Slovenian, Catalan, Nynorsk, Tamil, Afrikaans i auto. \"Chinese,Yue\" jest jedną wartością. To parametr oddzielny od tekstu do odczytania i identyfikatora głosu. Schemat udostępnia też timber_weights dla listy par voice_id i weight o wartości całkowitej, przy czym każdy weight wynosi od 1 do 100. Przy przygotowywaniu żądania zachowaj pisownię parametru timber_weights. voice_modify.sound_effects to opcjonalny ciąg z wartościami spacious_echo, auditorium_echo, lofi_telephone i robotic.\n\nstream domyślnie wynosi false. Dla kompletnej odpowiedzi output_format wybiera url lub hex i domyślnie wynosi hex. W udokumentowanym wyniku JSON data.audio zawiera wybraną reprezentację: pobierz pełny podpisany adres URL Ailoot wraz z jego ciągiem zapytania lub zdekoduj kompletny dźwięk szesnastkowy do bajtów. Zachowaj pierwotny wynik wraz z data.status, base_resp, trace_id i extra_info, które zawiera rzeczywisty format audio, częstotliwość próbkowania, liczbę kanałów, rozmiar i usage_characters.\n\nsubtitle_enable to wartość logiczna, domyślnie false, dotycząca wyjścia niestrumieniowego. aigc_watermark to wartość logiczna, domyślnie false, sterująca słyszalnym znacznikiem rytmicznym na końcu wygenerowanego dźwięku. Zachowaj każdy zwrócony wynik audio lub napisów i sprawdź wymowę, liczby oraz ukończony plik przed umieszczeniem go w aplikacji. Jeśli dostarczenie jest niepewne, zachowaj identyfikator pierwotnego żądania i odpowiedź do sprawdzenia istniejącej próby. Ailoot zapisuje również ukończony dźwięk w bibliotece multimediów. Przy output_format:\"url\" data.audio zawiera podpisane łącze do tego zapisanego zasobu; identyfikator zasobu występuje w jego ścieżce /v1/media/assets/{asset_id}/content. Podpisane łącza do plików Ailoot są ważne przez 24 godziny od wystawienia. Użyj tego samego klucza API do GET /v1/media/assets?family=audio i przejdź przez każdy next_cursor, aby znaleźć zapisy zasobów audio. Wywołaj GET /v1/media/assets/{asset_id} dla każdego wybranego zapisu i pobierz jego dokładny content_url wraz z ciągiem zapytania. Jeśli żądanie pliku zwróci 404 z kodem link_expired, odczytaj ponownie ten sam zasób, aby uzyskać odświeżony content_url. Odśwież zapisany wynik, zamiast ponownie generować dźwięk w celu zastąpienia wygasłego łącza.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "969e1e1cc73793f8847744c9c3429cb64ca3e99bf466da94c92c8fa9bb7e6d0c", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pl", "methods": [ { "html": "minimax/speech-2.6-hdSpeech 2.6 HD to model MiniMax przekształcający gotowy tekst w mowę. Edycja minimax/speech-2.6-hd udostępnia parametry głosu, sposobu odczytu i formatu audio, z kompletną odpowiedzią JSON i wyborem wyjścia audio jako URL lub danych szesnastkowych. Użyj go do odczytania dostarczonej narracji, fragmentu edukacyjnego lub prezentacji działania produktu.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Speech 2.6 HD to konkretna edycja mowy MiniMax wybierana przez model: "minimax/speech-2.6-hd". Użyj POST /v1/audio/speech z treścią application/json zawierającą model i tekst do wypowiedzenia. Wejściem jest pisemny tekst, a wynikiem zsyntetyzowany dźwięk. Dla fragmentu edukacyjnego przygotuj dokładne wyjaśnienie i przykłady do odczytania na głos. W prezentacji działania produktu zapisz sekwencję wypowiedzi w tej samej kolejności co widoczne kroki. Tekst narracji może zawierać pełne zdania i świadomie dobraną interpunkcję; instrukcje redakcyjne, które mają pozostać niewypowiedziane, trzymaj poza polem text.
Pole text musi zawierać co najmniej jeden znak inny niż biały i zawierać mniej niż 10 000 znaków Unicode. Wyślij cały tekst do odczytania z ustawieniem stream:false lub pomiń stream. Podziel dłuższy materiał na oddzielne, kompletne fragmenty tekstu przed wysłaniem każdego z nich. Z dokumentu można skorzystać, odczytując jego rzeczywistą zawartość i umieszczając odpowiedni fragment w polu text; adres URL dokumentu nie zastępuje tekstu do odczytania.
Wybierz głos przez voice_setting.voice_id. Udokumentowane kategorie głosów obejmują głosy systemowe oraz już utworzone głosy sklonowane lub zaprojektowane tekstowo; użyj prawidłowego identyfikatora głosu dla wybranej kategorii. Przykładowy głos to audiobook_male_1. Ten sam obiekt steruje parametrem speed od 0,5 do 2, parametrem vol powyżej 0 i do 10 oraz parametrem pitch o wartościach całkowitych od -12 do 12. Ich wartości domyślne wynoszą 1, 1 i 0. Te parametry dostosowują różne aspekty odczytu, więc wybieraj je oddzielnie, zamiast umieszczać ich nazwy w tekście do wypowiedzenia.
voice_setting.emotion przyjmuje happy, sad, angry, fearful, disgusted, surprised, calm i fluent. Dokumentacja opisuje również automatyczne dopasowanie emocji na podstawie tekstu. W tekstach zawierających wiele liczb voice_setting.text_normalization włącza normalizację tekstu chińskiego i angielskiego i domyślnie wynosi false. voice_setting.latex_read steruje odczytem wyrażeń LaTeX i również domyślnie wynosi false. pronunciation_dict.tone to tablica ciągów reguł wymowy. Opublikowany przykład to ["草地/(cao3)(di1)"]; przy podawaniu reguły zachowaj słowo, ukośnik i strukturę wymowy w nawiasach.
audio_setting.format przyjmuje mp3, pcm, flac i wav, z mp3 jako wartością domyślną. sample_rate przyjmuje 8000, 16000, 22050, 24000, 32000 i 44100 Hz; wartość domyślna wynosi 32000. channel wynosi 1 dla mono lub 2 dla dwóch kanałów, domyślnie 1. Wartości bitrate to 32000, 64000, 128000 i 256000 bitów na sekundę, domyślnie 128000, i dotyczą mp3. Wybierz kodowanie potrzebne odtwarzaczowi lub narzędziu do edycji, które wykorzysta wynik.
language_boost to opcjonalny ciąg, domyślnie null. Dozwolone wartości to Chinese, Chinese,Yue, English, Arabic, Russian, Spanish, French, Portuguese, German, Turkish, Dutch, Ukrainian, Vietnamese, Indonesian, Japanese, Italian, Korean, Thai, Polish, Romanian, Greek, Czech, Finnish, Hindi, Bulgarian, Danish, Hebrew, Malay, Persian, Slovak, Swedish, Croatian, Filipino, Hungarian, Norwegian, Slovenian, Catalan, Nynorsk, Tamil, Afrikaans i auto. "Chinese,Yue" jest jedną wartością. To parametr oddzielny od tekstu do odczytania i identyfikatora głosu. Schemat udostępnia też timber_weights dla listy par voice_id i weight o wartości całkowitej, przy czym każdy weight wynosi od 1 do 100. Przy przygotowywaniu żądania zachowaj pisownię parametru timber_weights. voice_modify.sound_effects to opcjonalny ciąg z wartościami spacious_echo, auditorium_echo, lofi_telephone i robotic.
stream domyślnie wynosi false. Dla kompletnej odpowiedzi output_format wybiera url lub hex i domyślnie wynosi hex. W udokumentowanym wyniku JSON data.audio zawiera wybraną reprezentację: pobierz pełny podpisany adres URL Ailoot wraz z jego ciągiem zapytania lub zdekoduj kompletny dźwięk szesnastkowy do bajtów. Zachowaj pierwotny wynik wraz z data.status, base_resp, trace_id i extra_info, które zawiera rzeczywisty format audio, częstotliwość próbkowania, liczbę kanałów, rozmiar i usage_characters.
subtitle_enable to wartość logiczna, domyślnie false, dotycząca wyjścia niestrumieniowego. aigc_watermark to wartość logiczna, domyślnie false, sterująca słyszalnym znacznikiem rytmicznym na końcu wygenerowanego dźwięku. Zachowaj każdy zwrócony wynik audio lub napisów i sprawdź wymowę, liczby oraz ukończony plik przed umieszczeniem go w aplikacji. Jeśli dostarczenie jest niepewne, zachowaj identyfikator pierwotnego żądania i odpowiedź do sprawdzenia istniejącej próby. Ailoot zapisuje również ukończony dźwięk w bibliotece multimediów. Przy output_format:"url" data.audio zawiera podpisane łącze do tego zapisanego zasobu; identyfikator zasobu występuje w jego ścieżce /v1/media/assets/{asset_id}/content. Podpisane łącza do plików Ailoot są ważne przez 24 godziny od wystawienia. Użyj tego samego klucza API do GET /v1/media/assets?family=audio i przejdź przez każdy next_cursor, aby znaleźć zapisy zasobów audio. Wywołaj GET /v1/media/assets/{asset_id} dla każdego wybranego zapisu i pobierz jego dokładny content_url wraz z ciągiem zapytania. Jeśli żądanie pliku zwróci 404 z kodem link_expired, odczytaj ponownie ten sam zasób, aby uzyskać odświeżony content_url. Odśwież zapisany wynik, zamiast ponownie generować dźwięk w celu zastąpienia wygasłego łącza.
POST /v1/audio/speechtextaudio| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity minimax/speech-2.6-hd | Domyślnie— |
Poletext | Typstring | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polestream | Typboolean | WymaganieOpcjonalne | Wartości i limity false | Domyślniefalse |
Polevoice_setting | Typobject | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polevoice_setting.voice_id | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polevoice_setting.speed | Typnumber | WymaganieOpcjonalne | Wartości i limity Minimum: 0,5 Maksimum: 2 | Domyślnie1 |
Polevoice_setting.vol | Typnumber | WymaganieOpcjonalne | Wartości i limity Minimum: 0 Maksimum: 10 | Domyślnie1 |
Polevoice_setting.pitch | Typinteger | WymaganieOpcjonalne | Wartości i limity Minimum: -12 Maksimum: 12 | Domyślnie0 |
Polevoice_setting.emotion | Typstring | WymaganieOpcjonalne | Wartości i limity happy, sad, angry, fearful, disgusted, surprised, calm, fluent | Domyślnie— |
Polevoice_setting.text_normalization | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Polevoice_setting.latex_read | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Poleaudio_setting | Typobject | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poleaudio_setting.sample_rate | Typinteger | WymaganieOpcjonalne | Wartości i limity 8000, 16 000, 22 050, 24 000, 32 000, 44 100 | Domyślnie32 000 |
Poleaudio_setting.bitrate | Typinteger | WymaganieOpcjonalne | Wartości i limity 32 000, 64 000, 128 000, 256 000 | Domyślnie128 000 |
Poleaudio_setting.format | Typstring | WymaganieOpcjonalne | Wartości i limity mp3, pcm, flac, wav | Domyślniemp3 |
Poleaudio_setting.channel | Typinteger | WymaganieOpcjonalne | Wartości i limity 1, 2 | Domyślnie1 |
Poleaudio_setting.force_cbr | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Polepronunciation_dict | Typobject | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polepronunciation_dict.tone | Typarray | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletimber_weights | Typarray | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polelanguage_boost | Typstring | WymaganieOpcjonalne | Wartości i limity Chinese, Chinese,Yue, English, Arabic, Russian, Spanish, French, Portuguese, German, Turkish, Dutch, Ukrainian, Vietnamese, Indonesian, Japanese, Italian, Korean, Thai, Polish, Romanian, Greek, Czech, Finnish, Hindi, Bulgarian, Danish, Hebrew, Malay, Persian, Slovak, Swedish, Croatian, Filipino, Hungarian, Norwegian, Slovenian, Catalan, Nynorsk, Tamil, Afrikaans, auto | Domyślnie— |
Polevoice_modify | Typobject | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Polevoice_modify.pitch | Typinteger | WymaganieOpcjonalne | Wartości i limity -100, 100 | Domyślnie— |
Polevoice_modify.intensity | Typinteger | WymaganieOpcjonalne | Wartości i limity -100, 100 | Domyślnie— |
Polevoice_modify.timbre | Typinteger | WymaganieOpcjonalne | Wartości i limity -100, 100 | Domyślnie— |
Polevoice_modify.sound_effects | Typstring | WymaganieOpcjonalne | Wartości i limity spacious_echo, auditorium_echo, lofi_telephone, robotic | Domyślnie— |
Polesubtitle_enable | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
Poleoutput_format | Typstring | WymaganieOpcjonalne | Wartości i limity url, hex | Domyślniehex |
Poleaigc_watermark | Typboolean | WymaganieOpcjonalne | Wartości i limity | Domyślniefalse |
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, text |
Parametroptional | Kontraktstream, voice_setting, audio_setting, pronunciation_dict, timber_weights, language_boost, voice_modify, subtitle_enable, output_format, aigc_watermark |
Parametrmaterial_types | Kontrakttext |
Parametrconditions | KontraktUse text, not input or contents. Fewer than 10000 Unicode characters; stream is false or omitted., PCM is raw audio with its returned sample geometry; do not invent a WAV header or bit depth. |
Cykl życia: synchronous_result_then_owned_library
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.
| Konfiguracja | Tabela stawek | Jednostka rozliczeniowa | Opłata |
|---|---|---|---|
| KonfiguracjaBazowe stawki za tokeny | Tabela stawekStawka podstawowa | Jednostka rozliczeniowa— | Opłata Wejście · Tokeny wejściowe — / 1K tokenów Wyjście · Tokeny wyjściowe — / 1K tokenów Wejście · Odczyt cache — / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| Konfiguracjaznak wejściowy | Tabela stawek— | Jednostka rozliczeniowaza znak wejściowy | Opłata Wejście · znak wejściowy $0.0002 za znak wejściowy |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "minimax/speech-2.6-hd", "text": "Hello, this is a short speech example.", "stream": false, "output_format": "hex", "audio_setting": {"format": "mp3", "sample_rate": 32000, "channel": 1}}')\n\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 result.json\n# Submit once. Retain the complete result, original identifiers and every response header.\nmp3,pcm,flac,wav
GET /v1/media/assetsGET /v1/media/assets/{asset_id}Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Retain the full JSON. Decode every hex audio byte or use the returned owned URL. Keep the actual format, sample rate, channel count and usage_characters.
Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.
| Pole | Typ |
|---|---|
Poledata.audio | Typstring |
Poleextra_info | Typobject |
Poletrace_id | Typstring |
Ailoot Ultra minimax/speech-2.6-hd
Użyj ścieżek metod podanych powyżej.