MiniMax: Speech 2.6 Turbo

Speech 2.6 Turbo to konkretna edycja mowy MiniMax wybierana przez model: "minimax/speech-2.6-turbo". Użyj POST /v1/audio/speech z treścią application/json zawierającą model i tekst do wypowiedzenia. Wejściem jest pisemny tekst, a wynikiem zsyntetyzowany dźwięk. Dla komunikatu aplikacji dostarcz dokładne słowa, które słuchacz ma usłyszeć, i rozwiń niejednoznaczne skróty. W krótkiej lekcji oddziel wyjaśnienie od przykładu w samym tekście. W ścieżce interfejsu z narracją powiąż każdy odczytywany segment z konkretnym działaniem użytkownika i zachowaj tekst wraz z jego nagraniem.

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.