speech-02-hd
Speech-02 HD é um modelo de síntese de fala com especial atenção à qualidade do som e à semelhança da voz.
Sobre o modelo
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Voz para narração e leitura prolongada
Speech 02 HD cria fala com especial atenção à qualidade, ao ritmo e à consistência do som. O fabricante destaca narração de materiais e audiolivros nos quais a voz deve manter as suas características e percorrer um texto extenso de forma uniforme. É um modelo de síntese: recebe texto e transforma-o em áudio de fala.
Como se relacionam o texto e o timbre
A base da família Speech 02 é uma arquitetura Transformer autorregressiva e um codificador de interveniente treinável. A extração do timbre e a geração da fala foram treinadas em conjunto para adequar as características da voz ao conteúdo. As capacidades da família incluem utilização de vozes clonadas previamente preparadas e combinação de língua, sotaque e estilo de pronúncia.
Emoção e leitura multilingue
A expressão emocional pode ser determinada pelo sentido do texto ou definida manualmente. Estão disponíveis alegria, tristeza, raiva, medo, repulsa, surpresa e serenidade. O modelo trabalha com russo, inglês e outras línguas; o fabricante descreve diferentes sotaques do inglês, chinês e cantonês, japonês, coreano, línguas europeias e outras.
A descrição atual do Speech 02 exclui separadamente persa, filipino e tâmil. A lista geral de línguas de gerações Speech mais recentes não deve ser automaticamente aplicada a esta versão.
Configuração da voz
Para a síntese, estão previstas escolha da voz, velocidade de 0,5–2, volume superior a 0 e até 10 e altura entre −12 e 12. No dicionário de pronúncia, pode definir-se a substituição da escrita pela leitura pretendida; são suportadas notações fonéticas e variantes de pronúncia japonesas. Isto ajuda a controlar a forma como são pronunciados nomes e palavras ambíguas.
Pausas e áudio pronto
O fabricante permite definir pausas entre fragmentos pronunciados com duração de 0,01–99,99 segundos. A duração da pausa é definida com duas casas decimais; os marcadores são colocados entre fragmentos pronunciados e não são dispostos consecutivamente. O texto de um pedido síncrono tem de conter menos de 10 000 caracteres. Estão previstas receção do som completo e receção gradual; para texto com mais de 3000 caracteres, é recomendada saída em fluxo.
Os formatos do modelo incluem MP3, WAV, FLAC e PCM; as configurações gerais de síntese descrevem também Opus e variantes de G.711 μ-law. Pode utilizar-se mono ou estéreo. Nesta ficha, está disponível conversão de texto em fala, enquanto a preparação separada da voz e as configurações alargadas se aplicam apenas dentro da forma de acesso suportada pela Ailoot.
As configurações adicionais de áudio incluem frequências de amostragem de 8, 16, 22,05, 24, 32 e 44,1 kHz. Para MP3, estão previstas taxas de bits de 32, 64, 128 ou 256 kbit/s. Pode também alterar-se o timbre da voz e aplicar um efeito: eco amplo, eco de sala, som telefónico ou voz robótica. Os efeitos de alteração da voz são suportados em MP3, WAV e FLAC ao receber o áudio completo e, na saída em fluxo, apenas em MP3. Os formatos G.711 μ-law utilizam frequência de 8 kHz. Estas capacidades pertencem às configurações de síntese da MiniMax.
O fabricante prevê sincronização da fala com o texto: marcas temporais por frases, palavras ou palavras na saída gradual. Este resultado ajuda a combinar a pronúncia com a apresentação do texto. Esta capacidade adicional exige suporte do formato de resposta correspondente.
Ailoot · Síntese de voz POST /v1/audio/speech speech-02-hd
speech-02-hdIntrodução
Speech-02 HD é um modelo de síntese de fala com especial atenção à qualidade do som e à semelhança da voz.
- Entradas aceites
- Texto
- Resultados
- speech
Disponível no Ailoot · entradas e métodos
Ailoot · Síntese de voz POST /v1/audio/speech
- Entrada
text- Saída
speech- Formato de saída
- mp3
| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites speech-02-hd | Predefinição— |
Campoinput | Tipostring | RequisitoObrigatório | Valores e limites Comprimento mínimo: 1 Comprimento máximo (exclusivo): 10 000 Unidade: carateres Unicode | Predefinição— |
Campovoice | Tipostring | RequisitoObrigatório | Valores e limites Padrão: ^[A-Za-z0-9_-]{1,128}$ | Predefinição— |
Camporesponse_format | Tipostring | RequisitoOpcional | Valores e limites mp3 | Predefinição— |
Combinações de materiais de entrada
text_to_speech · Obrigatório: input
Parâmetros e ciclo de vida do método
| Parâmetro | Contrato |
|---|---|
Parâmetromaterial_types | Contratotext |
Parâmetrorequired | Contratonull |
Parâmetrooptional_controls | Contratonull |
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}
As estruturas dos métodos e os ID são exatos; a capacidade do fornecedor é distinta da admissão dos pedidos.
Tarifários
Tarifas dos métodos Ailoot
POST /v1/audio/speech- Entrada
- 100,00 US$ por 1 milhão de caracteres
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 →
Exemplos de pedidos
Ailoot · Síntese de voz
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-02-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
Receber e guardar os resultados
Ailoot · Síntese de voz
mp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Guardar todos os resultados concluídos
Guarde 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.
Se for necessário verificar a resposta original
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.
Campos da resposta
| Campo | Tipo |
|---|---|
Campobinary audio | Tipobytes |
Camporesponse headers | Tipoheaders |
Erros e passos seguintes
| 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. |
Aliases
Aliases do modelo
Ailoot speech-02-hd
Aliases dos caminhos dos métodos
Use os caminhos dos métodos indicados acima.
IDs de chamada relacionados
FAQ · speech-02-hd
- Que entradas e resultados estão disponíveis?
POST /v1/audio/speech·speech-02-hd:text→speech- Que campos utiliza o pedido?
POST /v1/audio/speech·speech-02-hd:model,input,voice,response_format