MiniMax: Speech 2.8 HD

Speech 2.8 HD syntetyzuje ekspresyjną mowę ze sterowaniem emocjami i szczegółami dźwiękowymi, takimi jak oddech i śmiech.

Ailoot Ultra · Synteza mowy POST /v1/audio/speech minimax/speech-2.8-hd

O modelu

Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.

Żywa mowa z drobnymi szczegółami dźwiękowymi

Speech 2.8 HD jest ukierunkowany na naturalne i czyste brzmienie. Główną cechą generacji są znaczniki dźwiękowe pozwalające włączać do mowy szczegóły rozmowy: śmiech, cichy chichot, oddychanie, wdech, wydech, westchnienie, kaszel, odchrząknięcie i inne krótkie dźwięki. Pomagają przekazywać rytm i pauzy żywej wypowiedzi, zamiast zamieniać każdą frazę w równy odczyt lektorski.

Znaczniki wstawia się do tekstu w formie wskazanej dla modelu: na przykład (chuckle), (breath) i (sighs) oznaczają odpowiednie działania dźwiękowe. Możliwość używania znaczników dźwiękowych należy właśnie do Speech 2.8. Są to szczegóły głosu w syntezie mowy, a nie generowanie osobnej kompozycji muzycznej lub dźwiękowej.

Barwa i czystość

Producent podkreśla odwzorowywanie charakterystycznych cech głosu: faktury, oddechu i sposobu wymowy. Możliwości rodziny obejmują syntezę z już przygotowanym sklonowanym głosem; tworzenie takiego głosu jest osobnym procesem. W Speech 2.8 zmieniono także przetwarzanie, aby ograniczyć szum tła i zniekształcenia cyfrowe.

Języki i ekspresyjność

Speech 2.8 obsługuje 40 języków, w tym rosyjski. Producent osobno opisuje pracę nad wymową międzyjęzykową dla połączenia chińskiego i japońskiego. Scenariusz ten dotyczy zachowywania naturalnego brzmienia przy używaniu różnych języków, a nie automatycznego tłumaczenia tekstu.

MiniMax przewiduje wybór głosu i sterowanie tempem, głośnością oraz wysokością. Szybkość określa się w zakresie 0,5–2, głośność — powyżej 0 i do 10, a zmianę wysokości — od −12 do 12. Emocję można pozostawić modelowi według sensu tekstu albo wskazać ręcznie: radość, smutek, gniew, strach, wstręt, zaskoczenie lub spokój.

Wymowę można doprecyzowywać słownikiem zamian i zapisem fonetycznym; przewidziano w nim międzynarodowy alfabet fonetyczny, chiński pinyin i japońskie warianty czytania. Pauzy określa się między wypowiadanymi fragmentami w zakresie 0,01–99,99 sekundy. Czas pauzy podaje się z dokładnością do dwóch miejsc po przecinku; znaczniki umieszcza się między wypowiadanymi fragmentami, a nie jeden po drugim. Ustawienia te pozwalają dopasować brzmienie nazw, skrótów i niejednoznacznych słów do zamysłu syntezy mowy.

Wynik dźwiękowy

Synteza przyjmuje tekst krótszy niż 10 000 znaków. Dla długiego tekstu powyżej 3000 znaków producent zaleca wyjście strumieniowe; przewidziano też uzyskiwanie gotowego dźwięku w całości. Ogólne ustawienia syntezy obejmują MP3, PCM, FLAC, WAV, Opus i warianty G.711 μ-law, mono lub stereo; dostępny zestaw formatów konkretnego żądania określają narzędzia Ailoot.

Ta karta zamienia tekst w dźwięk mowy. Możliwości ustawiania głosu opisują model MiniMax; tworzenie klonu głosu, osobne napisy i specjalne sposoby połączenia nie wchodzą automatycznie w żądanie syntezy mowy.

Dodatkowe ustawienia dźwięku obejmują częstotliwości próbkowania 8, 16, 22,05, 24, 32 i 44,1 kHz. Dla MP3 przewidziano przepływność 32, 64, 128 lub 256 kbit/s. Można też zmieniać zabarwienie głosu i stosować jeden efekt: przestrzenne echo, echo sali, brzmienie telefoniczne lub głos robotyczny. Efekty zmiany głosu są obsługiwane dla MP3, WAV i FLAC przy uzyskiwaniu całego dźwięku, a przy wyjściu strumieniowym — tylko dla MP3. Formaty G.711 μ-law wykorzystują częstotliwość 8 kHz. Możliwości te dotyczą ustawień syntezy MiniMax.

Producent przewiduje synchronizację mowy z tekstem: znaczniki czasu według zdań, słów lub słów przy stopniowym zwracaniu wyniku. Pomaga to połączyć wypowiedź z wyświetlanym tekstem. Ta dodatkowa możliwość wymaga obsługi odpowiedniego formatu odpowiedzi.

Ailoot Ultra · Synteza mowy POST /v1/audio/speech minimax/speech-2.8-hd

minimax/speech-2.8-hd

MiniMax /minimax/speech-2.8-hd

Start

Speech 2.8 HD syntetyzuje ekspresyjną mowę ze sterowaniem emocjami i szczegółami dźwiękowymi, takimi jak oddech i śmiech.

Akceptowane dane wejściowe: Tekst
Wyniki: Audio

Dostępne w Ailoot · dane wejściowe i metody

Ailoot Ultra · Synteza mowy POST /v1/audio/speech

Wejście: text
Wyjście: audio
Format wyjściowy: mp3

Pole	Typ	Wymaganie	Wartości i limity	Domyślnie
Pole`model`	Typ`string`	WymaganieWymagane	Wartości i limity minimax/speech-2.8-hd	Domyślnie—
Pole`input`	Typ`string`	WymaganieWymagane	Wartości i limity Minimalna długość: 1 Jednostka: znaki Unicode	Domyślnie—
Pole`voice`	Typ`string`	WymaganieWymagane	Wartości i limity English_expressive_narrator, English_radiant_girl, English_magnetic_voiced_man, English_compelling_lady1, English_Aussie_Bloke, English_captivating_female1, English_Upbeat_Woman, English_Trustworth_Man, English_CalmWoman, English_UpsetGirl, English_Gentle-voiced_man, English_Whispering_girl, English_Diligent_Man, English_Graceful_Lady, English_ReservedYoungMan, English_PlayfulGirl, English_ManWithDeepVoice, English_MaturePartner, English_FriendlyPerson, English_MatureBoss, English_Debator, English_LovelyGirl, English_Steadymentor, English_Deep-VoicedGentleman, English_Wiselady, English_CaptivatingStoryteller, English_DecentYoungMan, English_SentimentalLady, English_ImposingManner, English_SadTeen, English_PassionateWarrior, English_WiseScholar, English_Soft-spokenGirl, English_SereneWoman, English_ConfidentWoman, English_PatientMan, English_Comedian, English_BossyLeader, English_Strong-WilledBoy, English_StressedLady, English_AssertiveQueen, English_AnimeCharacter, English_Jovialman, English_WhimsicalGirl, English_Kind-heartedGirl	Domyślnie—
Pole`response_format`	Typ`string`	WymaganieWymagane	Wartości i limity mp3	Domyślnie—

Kombinacje materiałów wejściowych

text_to_speech · Wymagane: input

Parametry i cykl życia metody

Parametr	Kontrakt
Parametr`content_type`	Kontraktapplication/json
Parametr`required`	Kontraktmodel, input, voice, response_format
Parametr`voice_ids`	KontraktEnglish_expressive_narrator, English_radiant_girl, English_magnetic_voiced_man, English_compelling_lady1, English_Aussie_Bloke, English_captivating_female1, English_Upbeat_Woman, English_Trustworth_Man, English_CalmWoman, English_UpsetGirl, English_Gentle-voiced_man, English_Whispering_girl, English_Diligent_Man, English_Graceful_Lady, English_ReservedYoungMan, English_PlayfulGirl, English_ManWithDeepVoice, English_MaturePartner, English_FriendlyPerson, English_MatureBoss, English_Debator, English_LovelyGirl, English_Steadymentor, English_Deep-VoicedGentleman, English_Wiselady, English_CaptivatingStoryteller, English_DecentYoungMan, English_SentimentalLady, English_ImposingManner, English_SadTeen, English_PassionateWarrior, English_WiseScholar, English_Soft-spokenGirl, English_SereneWoman, English_ConfidentWoman, English_PatientMan, English_Comedian, English_BossyLeader, English_Strong-WilledBoy, English_StressedLady, English_AssertiveQueen, English_AnimeCharacter, English_Jovialman, English_WhimsicalGirl, English_Kind-heartedGirl
Parametr`response_format`	Kontraktmp3
Parametr`max_input_characters`	Kontraktnull
Parametr`other_options`	Kontraktfalse
Parametr`input`	Kontraktdokładny tekst UTF-8; liczba znaków Unicode bez normalizacji
Parametr`material_types`	Kontrakttext

Cykl życia: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · Rzeczywiście zwrócony task_id lub wpis w bibliotece multimediów

GET /v1/media/assets/{asset_id}/content

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Wybierz dokładny głos z profilu tego modelu.

Znaki wejściowe i sekundy dźwięku to różne jednostki pomiaru.

Cennik

Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.

Tryb szybki: Nie określono Gdy wybrany jest tryb szybki
Tryb flex: Nie określono Gdy wybrany jest tryb flex
Maksymalna intensywność rozumowania: Nie określono Gdy dla maksymalnej intensywności rozumowania stosowana jest domyślna korekta (default)

Stawki Ailoot

Ceny według konfiguracji

Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.

Konfiguracja	Tabela stawek	Ilość rozliczana	Jednostka rozliczeniowa	Opłata
KonfiguracjaBazowe stawki za tokeny	Tabela stawekStawka podstawowa	Ilość rozliczana—	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
KonfiguracjaUltra	Tabela stawek—	Ilość rozliczanaKażdy punkt kodowy Unicode liczy się jako jeden znak, w tym znaki Han.	Jednostka rozliczeniowaza 1K znaków wejściowych	Opłata Wejście · znak wejściowy $0.2 za 1K znaków wejściowych

Szczegóły taryfy referencyjnej

Referencyjne tabele modelu nie zmieniają wyboru metody, wyceny ani opłat. Naliczane opłaty korzystają ze stawek wybranej metody Ailoot.

MiniMax: Speech 2.8 HD

Ceny według konfiguracji

Konfiguracja	Warunki rozliczania	Opłata
KonfiguracjaMiniMax: Speech 2.8 HD · Domyślna konfiguracja	Warunki rozliczaniaKonfiguracja domyślna	Opłata Wejście · Znaki wejściowe 0,0002 USD 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 →

Przykładowe żądania

Ailoot Ultra · Synteza mowy

curl

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_VOICE_ID:?Choose an accepted voice ID from this exact model profile}"
export AILOOT_VOICE_ID
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "minimax/speech-2.8-hd", "input": "Good afternoon! This is a short voice take."}')
voice=os.environ["AILOOT_VOICE_ID"]
allowed=json.loads('["English_expressive_narrator", "English_radiant_girl", "English_magnetic_voiced_man", "English_compelling_lady1", "English_Aussie_Bloke", "English_captivating_female1", "English_Upbeat_Woman", "English_Trustworth_Man", "English_CalmWoman", "English_UpsetGirl", "English_Gentle-voiced_man", "English_Whispering_girl", "English_Diligent_Man", "English_Graceful_Lady", "English_ReservedYoungMan", "English_PlayfulGirl", "English_ManWithDeepVoice", "English_MaturePartner", "English_FriendlyPerson", "English_MatureBoss", "English_Debator", "English_LovelyGirl", "English_Steadymentor", "English_Deep-VoicedGentleman", "English_Wiselady", "English_CaptivatingStoryteller", "English_DecentYoungMan", "English_SentimentalLady", "English_ImposingManner", "English_SadTeen", "English_PassionateWarrior", "English_WiseScholar", "English_Soft-spokenGirl", "English_SereneWoman", "English_ConfidentWoman", "English_PatientMan", "English_Comedian", "English_BossyLeader", "English_Strong-WilledBoy", "English_StressedLady", "English_AssertiveQueen", "English_AnimeCharacter", "English_Jovialman", "English_WhimsicalGirl", "English_Kind-heartedGirl"]')
if voice not in allowed: raise SystemExit("Choose an accepted voice ID from this exact model profile")
p["voice"]=voice
p["response_format"]="mp3"
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

Odbieranie i zapisywanie wyników

Ailoot Ultra · Synteza mowy

mp3

GET /v1/media/tasks/{task_id}
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}

Inne odczyty treści

Biblioteka multimediówStatus zadaniaSzczegóły pliku

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-assets.json

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_MEDIA_TASK_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_MEDIA_TASK_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_MEDIA_TASK_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/tasks/$resource_id" \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-task.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-task.json").read_text())))
PY_RESULT

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_ASSET_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_ASSET_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_ASSET_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/assets/$resource_id" \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-asset.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-asset.json").read_text())))
PY_RESULT

Zachowaj wszystkie ukończone wyniki

Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.

Zachowaj pełny wynik binarny i nagłówki. Jeśli zwrócono JSON lub wiele wyników, zachowaj każdy element danych i pobierz zasób spod każdego rzeczywiście zwróconego podpisanego adresu URL.

Jeśli trzeba sprawdzić pierwotną odpowiedź

Zachowaj pierwotny operation_id/X-Client-Request-ID do uzgodnienia danych bez ponownego wysyłania żądania; brak osobnej ścieżki API do cyklicznego sprawdzania stanu audio.

Pola odpowiedzi

Pole	Typ
Pole`binary audio`	Typbytes
Pole`response headers`	Typheaders

Błędy i dalsze kroki

Odpowiedź	Warunek	Następny krok
Odpowiedź400 · `invalid_request_error`	WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru	Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia.
Odpowiedź`server_error`	WarunekZwrócona odpowiedź wskazuje, że operacja lub wynik wymaga sprawdzenia	Następny krokZachowaj pierwotnie zwrócony identyfikator operacji lub zadania, nagłówki żądania i odpowiedź; kontynuuj obsługiwane odczyty tej pierwotnej operacji. Nie wysyłaj ponownie żądania utworzenia.

Aliasy

Aliasy modelu

Ailoot Ultra minimax/speech-2.8-hd

Aliasy ścieżek metod

Użyj ścieżek metod podanych powyżej.

Powiązane ID modeli

minimax/speech-2.8-hd

FAQ · MiniMax: Speech 2.8 HD

Jakie dane wejściowe i wyniki są dostępne?: POST /v1/audio/speech · minimax/speech-2.8-hd: text → audio
Jakich pól używa żądanie?: POST /v1/audio/speech · minimax/speech-2.8-hd: model, input, voice, response_format

MiniMax: Speech 2.8 HD