speech-02-hd
Speech-02 HD to model syntezy mowy z naciskiem na jakość brzmienia i podobieństwo głosu.
O modelu
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Głos do syntezy mowy i długiego czytania
Speech 02 HD tworzy mowę z naciskiem na jakość, rytm i stabilność brzmienia. Producent podkreśla odczytywanie materiałów i audiobooki, w których głos musi zachowywać charakter i płynnie przechodzić przez długi tekst. Jest to model syntezy: przyjmuje tekst i przekształca go w dźwięk mowy.
Jak łączą się tekst i barwa
Podstawą rodziny Speech 02 są autoregresyjna architektura Transformer i trenowany enkoder mówcy. Wyodrębnianie barwy i generowanie mowy były trenowane wspólnie, aby dopasować cechy głosu do treści. Możliwości rodziny obejmują używanie przygotowanych sklonowanych głosów i łączenie języka, akcentu oraz sposobu wymowy.
Emocje i wielojęzyczne czytanie
Zabarwienie emocjonalne może wynikać z sensu tekstu lub być określane ręcznie. Dostępne są radość, smutek, gniew, strach, wstręt, zaskoczenie i spokój. Model pracuje z rosyjskim, angielskim i innymi językami; producent opisuje różne akcenty mowy angielskiej, chiński i kantoński, japoński, koreański, języki europejskie i inne.
Obecny opis Speech 02 osobno wyklucza perski, filipiński i tamilski. Ogólnej listy języków nowszych generacji Speech nie należy automatycznie przenosić na tę wersję.
Ustawienia głosu
Dla syntezy przewidziano wybór głosu, zmianę szybkości 0,5–2, głośności powyżej 0 i do 10 oraz wysokości od −12 do 12. Słownik wymowy pozwala zastępować zapis potrzebnym sposobem odczytania; obsługiwane są zapisy fonetyczne i japońskie warianty wymowy. Pomaga to sterować brzmieniem nazw i niejednoznacznych słów.
Pauzy i gotowy dźwięk
Producent pozwala określać pauzy między wypowiadanymi fragmentami o długości 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. Tekst jednego żądania synchronicznego musi zawierać mniej niż 10 000 znaków. Przewidziano uzyskiwanie dźwięku w całości i stopniowo; dla tekstu powyżej 3000 znaków zalecane jest wyjście strumieniowe.
Formaty modelu obejmują MP3, WAV, FLAC i PCM; ogólne ustawienia syntezy opisują także Opus i warianty G.711 μ-law. Można używać mono lub stereo. W tej karcie dostępna jest synteza mowy z tekstu, a osobne przygotowywanie głosu i rozszerzone ustawienia stosuje się tylko w granicach obsługiwanego sposobu korzystania przez Ailoot.
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 także 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. Taki wynik pomaga połączyć wypowiedź z wyświetlanym tekstem. Ta dodatkowa możliwość wymaga obsługi odpowiedniego formatu odpowiedzi.
Ailoot · Synteza mowy POST /v1/audio/speech speech-02-hd
speech-02-hdStart
Speech-02 HD to model syntezy mowy z naciskiem na jakość brzmienia i podobieństwo głosu.
- Akceptowane dane wejściowe
- Tekst
- Wyniki
- speech
Dostępne w Ailoot · dane wejściowe i metody
Ailoot · Synteza mowy POST /v1/audio/speech
- Wejście
text- Wyjście
speech- Format wyjściowy
- mp3
| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity speech-02-hd | Domyślnie— |
Poleinput | Typstring | WymaganieWymagane | Wartości i limity Minimalna długość: 1 Maksymalna długość (bez wartości granicznej): 10 000 Jednostka: znaki Unicode | Domyślnie— |
Polevoice | Typstring | WymaganieWymagane | Wartości i limity Wzorzec: ^[A-Za-z0-9_-]{1,128}$ | Domyślnie— |
Poleresponse_format | Typstring | WymaganieOpcjonalne | Wartości i limity mp3 | Domyślnie— |
Kombinacje materiałów wejściowych
text_to_speech · Wymagane: input
Parametry i cykl życia metody
| Parametr | Kontrakt |
|---|---|
Parametrmaterial_types | Kontrakttext |
Parametrrequired | Kontraktnull |
Parametroptional_controls | Kontraktnull |
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}
Struktury metod i ID są dokładne; możliwości dostawcy są odrębne od dopuszczenia żądania.
Cennik
Stawki metod Ailoot
POST /v1/audio/speech- Wejście
- 100,00 USD za 1 milion znaków
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 · Synteza mowy
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 narration script}"
export AILOOT_TEXT_FILE
: "${AILOOT_VOICE_ID:?Set the actual accepted voice ID for this model}"
export AILOOT_VOICE_ID
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "speech-02-hd", "input": ""}')
f=Path(os.environ["AILOOT_TEXT_FILE"])
if not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")
text=f.read_text(encoding="utf-8")
if not text.strip():raise SystemExit("Source material must contain text")
p["input"]=text
import re
voice=os.environ["AILOOT_VOICE_ID"]
if not re.fullmatch(r"[A-Za-z0-9_-]{1,128}",voice):raise SystemExit("Set an actual accepted voice ID")
p["voice"]=voice
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 · Synteza mowy
mp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
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 |
|---|---|
Polebinary audio | Typbytes |
Poleresponse 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. |
Odpowiedźserver_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 speech-02-hd
Aliasy ścieżek metod
Użyj ścieżek metod podanych powyżej.
Powiązane ID modeli
FAQ · speech-02-hd
- Jakie dane wejściowe i wyniki są dostępne?
POST /v1/audio/speech·speech-02-hd:text→speech- Jakich pól używa żądanie?
POST /v1/audio/speech·speech-02-hd:model,input,voice,response_format