speech-2.6-hd
Speech 2.6 HD to model wysokiej jakości syntezy mowy z naciskiem na naturalność i podobieństwo głosu.
O modelu
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Naturalny głos do interakcji
Speech 2.6 HD służy naturalnej syntezie mowy i scenariuszom, w których ważne jest szybkie rozpoczęcie odpowiedzi. Producent poświęca uwagę intonacji, płynności mowy i przetwarzaniu tekstu przed jego wypowiedzeniem. Wariant HD kładzie nacisk na jakość brzmienia; wejściem tej karty jest tekst, a wyjściem — dźwięk mowy.
Odczytywanie niestandardowych zapisów
Generacja Speech 2.6 potrafi przetwarzać zapisy często występujące w wiadomościach roboczych: adresy stron, adresy e-mail, numery telefonów, daty i kwoty pieniężne. Model zamienia je w formę mówioną, aby wypowiedź pozostawała zrozumiała ze słuchu. Producent opisuje takie zadania w kilku językach.
Płynna mowa z zachowaniem barwy
W Speech 2.6 przewidziano tryb zwiększania płynności Fluent LoRA. Służy syntezie na podstawie przygotowanego głosu: pomaga zachować barwę i tworzyć bardziej spójną mowę, nawet gdy próbka źródłowa była nierówna lub zawierała akcent. Przygotowanie sklonowanego głosu i jego używanie w syntezie mowy są różnymi działaniami.
Obsługiwanych jest 40 języków, w tym rosyjski. Oprócz siedmiu podstawowych stanów emocjonalnych dla Speech 2.6 przewidziano wariant płynnej mowy fluent i szeptu whisper. Jeśli emocja nie zostanie określona, model wybiera ją na podstawie sensu tekstu.
Ustawienia wypowiedzi
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.
Długość tekstu i dźwięk
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.
Według MiniMax generacja jest ukierunkowana na małe opóźnienie w scenariuszach głosowych. Jest to opis modelu; czas konkretnej odpowiedzi i dostępność rozszerzonych ustawień zależą od wybranego sposobu korzystania w 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 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 należą do 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 · Synteza mowy POST /v1/audio/speech speech-2.6-hd
speech-2.6-hdStart
Speech 2.6 HD to model wysokiej jakości syntezy mowy z naciskiem na naturalność 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-2.6-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-2.6-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-2.6-hd
Aliasy ścieżek metod
Użyj ścieżek metod podanych powyżej.
Powiązane ID modeli
FAQ · speech-2.6-hd
- Jakie dane wejściowe i wyniki są dostępne?
POST /v1/audio/speech·speech-2.6-hd:text→speech- Jakich pól używa żądanie?
POST /v1/audio/speech·speech-2.6-hd:model,input,voice,response_format