MiniMax: Speech 02 HD

MiniMax Speech 02 HD converte o texto fornecido em áudio falado. O seu ID exato de modelo no Ailoot é minimax/speech-02-hd e o seu seletor de síntese documentado é speech-02-hd. Utilize o método audio_speech para uma locução, uma aula falada, uma explicação de produto ou um rascunho de narração cujo texto já tenha. A entrada é a passagem a ler e o resultado é voz sintetizada no formato de áudio selecionado.

Prepare o texto como palavras destinadas a ser pronunciadas, com pontuação que reflita o fraseado. Para um rascunho de narração, forneça a ordem definitiva das frases e a grafia dos nomes antes de escolher as definições de voz. Mantenha as indicações de interpretação separadas da passagem falada, a menos que essas palavras devam constar da gravação. Ouça os nomes, números e transições importantes no resultado e compare-os com o texto de origem.

O texto deve ter menos de 10 000 carateres. O contrato de síntese publicado exige model e text. Para material mais longo, prepare passagens dentro desse limite e conserve a respetiva ordem para edição. O perfil síncrono utiliza uma resposta completa, com stream=false como valor predefinido documentado. A API geral também descreve opções de streaming, mas o método selecionado para esta ficha é o fluxo síncrono de síntese de voz.

voice_setting seleciona um voice_id disponível e controla speed, vol e pitch. O intervalo documentado de speed é de 0,5–2, com 1 como valor predefinido. vol deve ser superior a 0 e no máximo 10, com 1 como valor predefinido; pitch é um número inteiro de -12 a 12, com 0 como valor predefinido. Faça com que cada definição sirva a passagem: compare o ritmo de leitura e a audibilidade da gravação real, em vez de assumir que uma alteração numérica cria uma interpretação específica.

Os valores de emotion documentados são happy, sad, angry, fearful, disgusted, surprised, calm e fluent. O texto também pode orientar a emoção do modelo. text_normalization é um controlo booleano separado para preparar a leitura de números em chinês e inglês e latex_read controla a leitura de fórmulas LaTeX; ambos têm false como valor predefinido. pronunciation_dict.tone pode conter regras documentadas de substituição de pronúncia. Verifique um nome ou uma expressão especializada no áudio resultante antes de o utilizar numa narração mais longa.

audio_setting.format aceita mp3, pcm, flac ou wav, com mp3 como valor predefinido. sample_rate aceita 8000, 16000, 22050, 24000, 32000 ou 44100 e tem 32000 como valor predefinido. bitrate aceita 32000, 64000, 128000 ou 256000, tem 128000 como valor predefinido e aplica-se a MP3. channel seleciona 1 para mono ou 2 para estéreo, com 1 como valor predefinido. Guarde estas escolhas com a passagem de origem, para que o ficheiro devolvido possa ser verificado para o destino pretendido de edição ou reprodução.

Os controlos adicionais documentados incluem language_boost, cujas opções com designação exata incluem English, Russian, Chinese e Chinese,Yue; escolha um valor efetivamente listado para a passagem. timber_weights pode combinar entradas voice_id existentes com valores inteiros de weight de 1 a 100. Os valores publicados de sound_effects são spacious_echo, auditorium_echo, lofi_telephone e robotic. Estes são controlos opcionais para moldar uma voz selecionada; registe as suas definições reais ao comparar leituras.

O resultado síncrono contém voz gerada. output_format seleciona url ou hex e tem hex como valor predefinido no esquema de síntese. Transfira o ficheiro referenciado por um resultado URL ou descodifique um resultado hex para bytes de áudio antes da reprodução. Guarde os metadados de áudio devolvidos, incluindo o formato, a frequência de amostragem, o número de canais e o tamanho, com a gravação. subtitle_enable tem false como valor predefinido e aplica-se apenas a saída sem streaming quando é ativado; a fonte não estabelece um formato de ficheiro de legendas para este perfil.

Guarde a passagem de origem, o ID exato do modelo, a seleção de voz e a gravação concluída em conjunto. Reveja a leitura completa para verificar as palavras pretendidas, as pausas e as definições de interpretação escolhidas antes de a inserir num vídeo, numa aula ou num guia falado. Se a resposta estiver incompleta, conserve a identidade do pedido original e as informações devolvidas para reconciliação antes de solicitar outra gravação. Uma revisão posterior pode alterar uma expressão específica ou uma definição de voz, preservando o resto do guião para uma comparação clara.