Orpheus 3B 0.1 Fine-Tuned é o modelo da Canopy Labs de conversão de texto em fala em inglês para síntese quotidiana. Pertence à família Orpheus, construída sobre uma base Llama 3B, e centra-se na entoação natural, no ritmo e na elocução expressiva. A entrada é o texto a pronunciar, com um locutor selecionado; a saída é áudio de fala. O fabricante também apresenta a clonagem de voz zero-shot para este modelo específico com ajuste fino. O exemplo publicado de síntese com ajuste fino usa locutores predefinidos, enquanto os prompts de texto e fala condicionados por uma referência são documentados separadamente para a edição pré-treinada. Esta edição com ajuste fino é distinta do modelo pré-treinado e dos modelos multilingues de investigação publicados separadamente.
O fabricante apresenta oito vozes predefinidas em inglês: tara, leah, jess, leo, dan, mia, zac e zoe. A sua convenção de prompt coloca o nome do locutor antes do texto falado, separado por dois-pontos. O fluxo de referência para geração de fala pode acrescentar essa formatação quando a voz é fornecida separadamente. Selecione um locutor para a peça pretendida e mantenha essa escolha consistente entre trechos ligados.
Para uma explicação curta, escreva a narração final, em vez de uma instrução a pedir ao modelo que invente a explicação. Uma frase falada útil é: «Choose the folder you want to share, check who can open it, and save the changes.» Para um diálogo, prepare explicitamente a fala de cada locutor e conserve a pontuação que ajuda a elocução. Uma abreviatura, uma data ou um nome de produto deve ser escrito na forma que pretende que o ouvinte ouça, sobretudo quando a forma abreviada escrita possa ser ambígua.
O Orpheus documenta as etiquetas <laugh>, <chuckle>, <sigh>, <cough>, <sniffle>, <groan>, <yawn> e <gasp>. Estas introduzem no texto um evento não verbal explícito no ponto relevante. Um trecho conversacional curto pode colocar uma risada discreta antes de uma observação ligeira ou um suspiro antes de uma frase reflexiva. Use a indicação no ponto em que faz sentido na interpretação e mantenha claras as palavras efetivas da fala.
Estas são indicações para gerar fala, e não uma linguagem geral de instruções para editar uma gravação existente. Numa voz-off, comece por um texto legível e acrescente apenas os eventos expressivos de que a cena precisa. Ouça a frase completa para avaliar se o evento, a ênfase e o ritmo apoiam o significado. Uma tarefa de narração pode exigir uma voz estável, enquanto a fala de uma personagem pode beneficiar de uma indicação não verbal específica.
O fabricante fornece um notebook sem streaming e um exemplo de fala em streaming. O streaming devolve blocos sucessivos de áudio à medida que o trecho é gerado. No exemplo publicado, esses blocos são escritos num ficheiro WAV mono a 24 000 Hz, com amostras de 16 bits. Estas definições de ficheiro descrevem o fluxo de referência; o resultado útil é uma gravação reproduzível cujas palavras, voz e elocução podem ser verificadas face ao guião.
Para uma narração mais longa, prepare trechos coerentes com limites de frase claros e mantenha uma cópia do guião final junto do áudio. Reveja o início e o fim de cada trecho, a pronúncia dos nomes importantes e a transição entre gravações adjacentes. As orientações de amostragem do fabricante especificam uma penalização de repetição de pelo menos 1.1 para uma geração estável na sua implementação de referência e indicam que as escolhas de amostragem podem afetar a velocidade da fala. O comprimento do modelo configurado no exemplo é uma definição de inferência, e não uma duração máxima estabelecida para a narração.
Este perfil diz respeito ao modelo em inglês com ajuste fino e aos seus locutores predefinidos documentados. O modelo pré-treinado tem o seu próprio fluxo de condicionamento com texto e fala; as versões multilingues têm locutores e etiquetas específicos de cada idioma. Selecionar esta edição em inglês não combina esses perfis separados. Uma entrega prática reúne um guião falado, uma voz predefinida escolhida intencionalmente e áudio revisto quanto à redação e à interpretação exigidas pela peça.
", "aboutText": "Orpheus 3B 0.1 Fine-Tuned é o modelo da Canopy Labs de conversão de texto em fala em inglês para síntese quotidiana. Pertence à família Orpheus, construída sobre uma base Llama 3B, e centra-se na entoação natural, no ritmo e na elocução expressiva. A entrada é o texto a pronunciar, com um locutor selecionado; a saída é áudio de fala. O fabricante também apresenta a clonagem de voz zero-shot para este modelo específico com ajuste fino. O exemplo publicado de síntese com ajuste fino usa locutores predefinidos, enquanto os prompts de texto e fala condicionados por uma referência são documentados separadamente para a edição pré-treinada. Esta edição com ajuste fino é distinta do modelo pré-treinado e dos modelos multilingues de investigação publicados separadamente.\n\n### Escolher um locutor e preparar a frase\n\nO fabricante apresenta oito vozes predefinidas em inglês: tara, leah, jess, leo, dan, mia, zac e zoe. A sua convenção de prompt coloca o nome do locutor antes do texto falado, separado por dois-pontos. O fluxo de referência para geração de fala pode acrescentar essa formatação quando a voz é fornecida separadamente. Selecione um locutor para a peça pretendida e mantenha essa escolha consistente entre trechos ligados.\n\nPara uma explicação curta, escreva a narração final, em vez de uma instrução a pedir ao modelo que invente a explicação. Uma frase falada útil é: «Choose the folder you want to share, check who can open it, and save the changes.» Para um diálogo, prepare explicitamente a fala de cada locutor e conserve a pontuação que ajuda a elocução. Uma abreviatura, uma data ou um nome de produto deve ser escrito na forma que pretende que o ouvinte ouça, sobretudo quando a forma abreviada escrita possa ser ambígua.\n\n### Indicações expressivas e não verbais\n\nO Orpheus documenta as etiquetascanopylabs/orpheus-3b-0.1-ftO modelo de fala em inglês Orpheus 3B da Canopy Labs, com ajuste fino, transforma frases escritas em áudio expressivo. Oito vozes predefinidas e etiquetas não verbais permitem criar narrações, diálogos e respostas faladas de aplicações.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Orpheus 3B 0.1 Fine-Tuned é o modelo da Canopy Labs de conversão de texto em fala em inglês para síntese quotidiana. Pertence à família Orpheus, construída sobre uma base Llama 3B, e centra-se na entoação natural, no ritmo e na elocução expressiva. A entrada é o texto a pronunciar, com um locutor selecionado; a saída é áudio de fala. O fabricante também apresenta a clonagem de voz zero-shot para este modelo específico com ajuste fino. O exemplo publicado de síntese com ajuste fino usa locutores predefinidos, enquanto os prompts de texto e fala condicionados por uma referência são documentados separadamente para a edição pré-treinada. Esta edição com ajuste fino é distinta do modelo pré-treinado e dos modelos multilingues de investigação publicados separadamente.
O fabricante apresenta oito vozes predefinidas em inglês: tara, leah, jess, leo, dan, mia, zac e zoe. A sua convenção de prompt coloca o nome do locutor antes do texto falado, separado por dois-pontos. O fluxo de referência para geração de fala pode acrescentar essa formatação quando a voz é fornecida separadamente. Selecione um locutor para a peça pretendida e mantenha essa escolha consistente entre trechos ligados.
Para uma explicação curta, escreva a narração final, em vez de uma instrução a pedir ao modelo que invente a explicação. Uma frase falada útil é: «Choose the folder you want to share, check who can open it, and save the changes.» Para um diálogo, prepare explicitamente a fala de cada locutor e conserve a pontuação que ajuda a elocução. Uma abreviatura, uma data ou um nome de produto deve ser escrito na forma que pretende que o ouvinte ouça, sobretudo quando a forma abreviada escrita possa ser ambígua.
O Orpheus documenta as etiquetas <laugh>, <chuckle>, <sigh>, <cough>, <sniffle>, <groan>, <yawn> e <gasp>. Estas introduzem no texto um evento não verbal explícito no ponto relevante. Um trecho conversacional curto pode colocar uma risada discreta antes de uma observação ligeira ou um suspiro antes de uma frase reflexiva. Use a indicação no ponto em que faz sentido na interpretação e mantenha claras as palavras efetivas da fala.
Estas são indicações para gerar fala, e não uma linguagem geral de instruções para editar uma gravação existente. Numa voz-off, comece por um texto legível e acrescente apenas os eventos expressivos de que a cena precisa. Ouça a frase completa para avaliar se o evento, a ênfase e o ritmo apoiam o significado. Uma tarefa de narração pode exigir uma voz estável, enquanto a fala de uma personagem pode beneficiar de uma indicação não verbal específica.
O fabricante fornece um notebook sem streaming e um exemplo de fala em streaming. O streaming devolve blocos sucessivos de áudio à medida que o trecho é gerado. No exemplo publicado, esses blocos são escritos num ficheiro WAV mono a 24 000 Hz, com amostras de 16 bits. Estas definições de ficheiro descrevem o fluxo de referência; o resultado útil é uma gravação reproduzível cujas palavras, voz e elocução podem ser verificadas face ao guião.
Para uma narração mais longa, prepare trechos coerentes com limites de frase claros e mantenha uma cópia do guião final junto do áudio. Reveja o início e o fim de cada trecho, a pronúncia dos nomes importantes e a transição entre gravações adjacentes. As orientações de amostragem do fabricante especificam uma penalização de repetição de pelo menos 1.1 para uma geração estável na sua implementação de referência e indicam que as escolhas de amostragem podem afetar a velocidade da fala. O comprimento do modelo configurado no exemplo é uma definição de inferência, e não uma duração máxima estabelecida para a narração.
Este perfil diz respeito ao modelo em inglês com ajuste fino e aos seus locutores predefinidos documentados. O modelo pré-treinado tem o seu próprio fluxo de condicionamento com texto e fala; as versões multilingues têm locutores e etiquetas específicos de cada idioma. Selecionar esta edição em inglês não combina esses perfis separados. Uma entrega prática reúne um guião falado, uma voz predefinida escolhida intencionalmente e áudio revisto quanto à redação e à interpretação exigidas pela peça.
POST /v1/audio/speechtextaudio| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites canopylabs/orpheus-3b-0.1-ft | Predefinição— |
Campoinput | Tipostring | RequisitoObrigatório | Valores e limites Comprimento mínimo: 1 Unidade: carateres Unicode | Predefinição— |
Campovoice | Tipostring | RequisitoObrigatório | Valores e limites tara, leah, jess, leo, dan, mia, zac | Predefinição— |
Camporesponse_format | Tipostring | RequisitoObrigatório | Valores e limites mp3 | Predefinição— |
text_to_speech · Obrigatório: input
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, input, voice, response_format |
Parâmetrovoice_ids | Contratotara, leah, jess, leo, dan, mia, zac |
Parâmetroresponse_format | Contratomp3 |
Parâmetromax_input_characters | Contratonull |
Parâmetroother_options | Contratofalse |
Parâmetroinput | Contratotexto UTF-8 exato; contagem de carateres Unicode sem normalização |
Parâmetromaterial_types | Contratotext |
Ciclo de vida: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id efetivamente devolvido ou registo na biblioteca de multimédia
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Selecione a voz exata deste perfil de modelo.
Os carateres de entrada e os segundos de áudio são medidas de utilização diferentes.
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
Associe cada custo às condições apresentadas. Use uma única tarifa para cada conjunto de configurações alternativas.
| Configuração | Tabela de tarifas | Quantidade faturável | Unidade de faturação | Custo |
|---|---|---|---|---|
| ConfiguraçãoTarifas base por token | Tabela de tarifasTarifa base | Quantidade faturável— | Unidade de faturação— | Custo Entrada · Tokens de entrada — / 1K tokens Saída · Tokens de saída — / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
| ConfiguraçãoUltra | Tabela de tarifas— | Quantidade faturávelCada ponto de código Unicode conta como um caráter, incluindo os caracteres Han. | Unidade de faturaçãopor 1K caracteres de entrada | Custo Entrada · carácter de entrada $0.03 por 1K caracteres de entrada |
As tabelas de referência do modelo não alteram a seleção do método, as cotações ou os custos. Os custos ativos usam as tarifas do método Ailoot selecionado.
| Configuração | Condições de faturação | Custo |
|---|---|---|
| ConfiguraçãoCanopy Labs: Orpheus 3B · Configuração predefinida | Condições de faturaçãoConfiguração predefinida | Custo Entrada · Caracteres de entrada 0,000014 US$ por carácter de entrada |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_VOICE_ID:?Choose an accepted voice ID from this exact model profile}"\nexport AILOOT_VOICE_ID\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "canopylabs/orpheus-3b-0.1-ft", "input": "Good afternoon! This is a short voice take."}')\nvoice=os.environ["AILOOT_VOICE_ID"]\nallowed=json.loads('["tara", "leah", "jess", "leo", "dan", "mia", "zac"]')\nif voice not in allowed: raise SystemExit("Choose an accepted voice ID from this exact model profile")\np["voice"]=voice\np["response_format"]="mp3"\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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o speech.mp3\nmp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o media-assets.json\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_MEDIA_TASK_ID:?Set the actual ID returned by the response or media-library metadata}"\nexport AILOOT_MEDIA_TASK_ID\nresource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_MEDIA_TASK_ID"],safe=""))')\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/tasks/$resource_id" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o media-task.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("media-task.json").read_text())))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_ASSET_ID:?Set the actual ID returned by the response or media-library metadata}"\nexport AILOOT_ASSET_ID\nresource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_ASSET_ID"],safe=""))')\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/assets/$resource_id" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o media-asset.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("media-asset.json").read_text())))\nPY_RESULT\nGuarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Guarde o resultado binário completo e os cabeçalhos. Se forem devolvidos JSON/vários resultados, conserve todos os itens de dados e obtenha cada recurso através do seu URL assinado efetivo.
Conserve o operation_id/X-Client-Request-ID original para reconciliação sem voltar a enviar o pedido; não existe uma rota dedicada à consulta periódica do estado do áudio.
| Campo | Tipo |
|---|---|
Campobinary audio | Tipobytes |
Camporesponse headers | Tipoheaders |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Respostaserver_error | CondiçãoA resposta devolvida indica que a operação ou o resultado requer verificação | Passo seguinteGuarde o ID original da operação/tarefa devolvido, os cabeçalhos do pedido e a resposta; continue a consultar essa operação original através das consultas suportadas. Não volte a enviar o pedido de criação. |
Ailoot Ultra canopylabs/orpheus-3b-0.1-ft
Use os caminhos dos métodos indicados acima.