MiniMax: Speech 02 Turbo

Speech 02 Turbo é a edição exata de síntese de voz da MiniMax selecionada por model: "minimax/speech-02-turbo". Utilize POST /v1/audio/speech com um corpo application/json que contenha model e o texto a pronunciar. A sua entrada é um guião escrito e o seu resultado é áudio sintetizado. Para um anúncio, coloque em text apenas as palavras que devem ser pronunciadas, como um aviso breve de levantamento. Para uma explicação de produto, divida o guião em frases completas e fixe os nomes e números do produto antes de gerar o áudio. Mantenha as notas de produção, os nomes de ficheiros e as indicações que devem permanecer em silêncio fora do guião falado.

O campo text não pode estar em branco e deve conter menos de 10 000 carateres Unicode. Envie o guião falado completo com stream:false ou omita stream. Divida o material mais longo em segmentos de guião completos e separados antes de submeter cada segmento. Pode utilizar um documento lendo o seu conteúdo real e colocando a passagem relevante em text; um URL de documento não substitui o guião.

Escolha uma voz através de voice_setting.voice_id. As categorias de voz documentadas incluem vozes do sistema e vozes já criadas por clonagem ou concebidas a partir de texto; utilize um ID de voz válido para a categoria selecionada. A voz do exemplo é audiobook_male_1. O mesmo objeto controla speed de 0,5 a 2, vol superior a 0 e até 10 e pitch inteiro de -12 a 12. Os valores predefinidos são 1, 1 e 0. Estes controlos ajustam aspetos diferentes da interpretação falada, pelo que deve escolhê-los separadamente, em vez de colocar os seus nomes no guião.

voice_setting.emotion aceita happy, sad, angry, fearful, disgusted, surprised, calm e fluent. A documentação também descreve a correspondência automática da emoção a partir do texto. Para guiões com muitos números, voice_setting.text_normalization ativa a normalização de texto em chinês e inglês e tem false como valor predefinido. voice_setting.latex_read controla a leitura de expressões LaTeX e também tem false como valor predefinido. pronunciation_dict.tone é um array de cadeias de regras de pronúncia. O exemplo publicado é ["草地/(cao3)(di1)"]; preserve a palavra, a barra e a estrutura da pronúncia entre parênteses ao fornecer uma regra.

audio_setting.format aceita mp3, pcm, flac e wav, com mp3 como valor predefinido. sample_rate aceita 8000, 16000, 22050, 24000, 32000 e 44100 Hz; o seu valor predefinido é 32000. channel é 1 para mono ou 2 para dois canais, com 1 como valor predefinido. Os valores de bitrate são 32000, 64000, 128000 e 256000 bits por segundo, com 128000 como valor predefinido, e aplicam-se a mp3. Selecione a codificação necessária para o leitor ou ferramenta de edição que irá utilizar o resultado.

language_boost é uma cadeia opcional e tem null como valor predefinido. Os valores permitidos são 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 e auto. "Chinese,Yue" é um único valor. É um controlo separado do guião e do ID de voz. O esquema também disponibiliza timber_weights para uma lista de pares voice_id e weight inteiro, com cada weight de 1 a 100. Preserve a grafia do parâmetro timber_weights ao preparar um pedido. voice_modify.sound_effects é uma cadeia opcional com os valores spacious_echo, auditorium_echo, lofi_telephone e robotic.

stream tem false como valor predefinido. Para uma resposta completa, output_format seleciona url ou hex e tem hex como valor predefinido. No resultado JSON documentado, data.audio contém a representação selecionada: transfira o URL assinado do Ailoot completo, incluindo a cadeia de consulta, ou descodifique todo o áudio hexadecimal para bytes. Conserve o resultado original juntamente com data.status, base_resp, trace_id e extra_info, que inclui o formato de áudio real, a frequência de amostragem, o número de canais, o tamanho e usage_characters.

subtitle_enable é um booleano com false como valor predefinido e aplica-se à saída sem streaming. aigc_watermark é um booleano com false como valor predefinido e controla um marcador rítmico audível no final do áudio gerado. Guarde todos os resultados de áudio ou legendas devolvidos e verifique a pronúncia, os números e o ficheiro concluído antes de o inserir na aplicação. Se a entrega for incerta, conserve o identificador do pedido original e a resposta para verificar a tentativa existente. O Ailoot também guarda o áudio concluído na sua biblioteca multimédia. Com output_format:"url", data.audio contém uma ligação assinada para esse recurso guardado; o ID do recurso aparece no respetivo caminho /v1/media/assets/{asset_id}/content. As ligações assinadas do Ailoot para ficheiros duram 24 horas a partir da emissão. Utilize a mesma chave de API para GET /v1/media/assets?family=audio e percorra todos os next_cursor para localizar os registos dos recursos de áudio. Consulte GET /v1/media/assets/{asset_id} para cada registo selecionado e transfira o respetivo content_url exato, incluindo a cadeia de consulta. Se um pedido de ficheiro devolver 404 com o código link_expired, consulte novamente o mesmo recurso para obter um content_url renovado. Atualize o resultado guardado, em vez de gerar novamente áudio para substituir uma ligação expirada.