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.
", "aboutText": "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.\n\nPrepare 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.\n\nO 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.\n\nvoice_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.\n\nOs 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.\n\naudio_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.\n\nOs 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.\n\nO 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.\n\nGuarde 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "ad9d5190bbc5e90b0ca16106b79d6e9e2cf1a6a3ad3015687200d18bfe6f4f8f", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pt-pt", "methods": [ { "html": "minimax/speech-02-hdMiniMax Speech 02 HD lê o texto fornecido como voz gerada através de um pedido audio_speech síncrono. Aceita texto com menos de 10 000 carateres e disponibiliza definições de voz, ritmo e altura tonal com saída MP3, PCM, FLAC ou WAV.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
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.
POST /v1/audio/speechtextaudio| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites minimax/speech-02-hd | Predefinição— |
Campotext | Tipostring | RequisitoObrigatório | Valores e limites | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites false | Predefiniçãofalse |
Campovoice_setting | Tipoobject | RequisitoOpcional | Valores e limites | Predefinição— |
Campovoice_setting.voice_id | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campovoice_setting.speed | Tiponumber | RequisitoOpcional | Valores e limites Mínimo: 0,5 Máximo: 2 | Predefinição1 |
Campovoice_setting.vol | Tiponumber | RequisitoOpcional | Valores e limites Mínimo: 0 Máximo: 10 | Predefinição1 |
Campovoice_setting.pitch | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: -12 Máximo: 12 | Predefinição0 |
Campovoice_setting.emotion | Tipostring | RequisitoOpcional | Valores e limites happy, sad, angry, fearful, disgusted, surprised, calm, fluent | Predefinição— |
Campovoice_setting.text_normalization | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Campovoice_setting.latex_read | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Campoaudio_setting | Tipoobject | RequisitoOpcional | Valores e limites | Predefinição— |
Campoaudio_setting.sample_rate | Tipointeger | RequisitoOpcional | Valores e limites 8000, 16 000, 22 050, 24 000, 32 000, 44 100 | Predefinição32 000 |
Campoaudio_setting.bitrate | Tipointeger | RequisitoOpcional | Valores e limites 32 000, 64 000, 128 000, 256 000 | Predefinição128 000 |
Campoaudio_setting.format | Tipostring | RequisitoOpcional | Valores e limites mp3, pcm, flac, wav | Predefiniçãomp3 |
Campoaudio_setting.channel | Tipointeger | RequisitoOpcional | Valores e limites 1, 2 | Predefinição1 |
Campoaudio_setting.force_cbr | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Campopronunciation_dict | Tipoobject | RequisitoOpcional | Valores e limites | Predefinição— |
Campopronunciation_dict.tone | Tipoarray | RequisitoOpcional | Valores e limites | Predefinição— |
Campotimber_weights | Tipoarray | RequisitoOpcional | Valores e limites | Predefinição— |
Campolanguage_boost | Tipostring | RequisitoOpcional | Valores e limites Chinese, Chinese,Yue, English, Arabic, Russian, Spanish, French, Portuguese, German, Turkish, Dutch, Ukrainian, Vietnamese, Indonesian, Japanese, Italian, Korean, Thai, Polish, Romanian, Greek, Czech, Finnish, Hindi, Bulgarian, Danish, Hebrew, Malay, Persian, Slovak, Swedish, Croatian, Filipino, Hungarian, Norwegian, Slovenian, Catalan, Nynorsk, Tamil, Afrikaans, auto | Predefinição— |
Campovoice_modify | Tipoobject | RequisitoOpcional | Valores e limites | Predefinição— |
Campovoice_modify.pitch | Tipointeger | RequisitoOpcional | Valores e limites -100, 100 | Predefinição— |
Campovoice_modify.intensity | Tipointeger | RequisitoOpcional | Valores e limites -100, 100 | Predefinição— |
Campovoice_modify.timbre | Tipointeger | RequisitoOpcional | Valores e limites -100, 100 | Predefinição— |
Campovoice_modify.sound_effects | Tipostring | RequisitoOpcional | Valores e limites spacious_echo, auditorium_echo, lofi_telephone, robotic | Predefinição— |
Camposubtitle_enable | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Campooutput_format | Tipostring | RequisitoOpcional | Valores e limites url, hex | Predefiniçãohex |
Campoaigc_watermark | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, text |
Parâmetrooptional | Contratostream, voice_setting, audio_setting, pronunciation_dict, timber_weights, language_boost, voice_modify, subtitle_enable, output_format, aigc_watermark |
Parâmetromaterial_types | Contratotext |
Parâmetroconditions | ContratoUse text, not input or contents. Fewer than 10000 Unicode characters; stream is false or omitted., PCM is raw audio with its returned sample geometry; do not invent a WAV header or bit depth. |
Ciclo de vida: synchronous_result_then_owned_library
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
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 | Unidade de faturação | Custo |
|---|---|---|---|
| ConfiguraçãoTarifas base por token | Tabela de tarifasTarifa base | 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 |
| Configuraçãocarácter de entrada | Tabela de tarifas— | Unidade de faturaçãopor carácter de entrada | Custo Entrada · carácter de entrada $0.0002 por carácter de entrada |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "minimax/speech-02-hd", "text": "Hello, this is a short speech example.", "stream": false, "output_format": "hex", "audio_setting": {"format": "mp3", "sample_rate": 32000, "channel": 1}}')\n\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 result.json\n# Submit once. Retain the complete result, original identifiers and every response header.\nmp3,pcm,flac,wav
GET /v1/media/assetsGET /v1/media/assets/{asset_id}Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Retain the full JSON. Decode every hex audio byte or use the returned owned URL. Keep the actual format, sample rate, channel count and usage_characters.
Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.
| Campo | Tipo |
|---|---|
Campodata.audio | Tipostring |
Campoextra_info | Tipoobject |
Campotrace_id | Tipostring |
Ailoot Ultra minimax/speech-02-hd
Use os caminhos dos métodos indicados acima.