Speech 02 Turbo destina-se a síntese interativa de fala. O fabricante descreve a combinação de velocidade com ritmo consistente e som natural; os cenários incluem respostas de voz, falas de jogos e conteúdo interativo. O modelo recebe texto e produz áudio de fala.
A família Speech 02 permite combinar voz, língua, sotaque e expressão emocional. O Transformer autorregressivo e o codificador de interveniente, treinados em conjunto, relacionam o timbre com o conteúdo. O texto pode ser sintetizado com uma voz predefinida; a criação de uma nova voz clonada pertence a uma preparação separada.
O modelo escolhe a entoação emocional a partir do texto ou recebe um estado definido: alegria, tristeza, raiva, medo, repulsa, surpresa ou serenidade. São também controláveis velocidade, altura e volume para adequar a intervenção ao ritmo de interação pretendido.
São suportadas fala russa e outras línguas, incluindo inglês, chinês, cantonês, japonês, coreano, francês, alemão, espanhol, português, turco, árabe e ucraniano. Para Speech 02, a especificação atual exclui separadamente persa, filipino e tâmil.
A pronúncia pode ser ajustada através de um dicionário de substituições, notação fonética internacional, pinyin chinês e variantes de leitura japonesas. As pausas entre partes pronunciadas são definidas entre 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 modelo prevê velocidade de 0,5–2, volume superior a 0 e até 10 e alteração de altura entre −12 e 12.
A entrada síncrona está limitada a texto com menos de 10 000 caracteres; para mais de 3000 caracteres, o fabricante recomenda saída gradual. As capacidades do modelo incluem MP3, WAV, FLAC e PCM; as configurações gerais descrevem também Opus e G.711 μ-law, com um ou dois canais de áudio.
Esta ficha Ailoot recebe texto e devolve fala. A velocidade do Turbo refere-se à finalidade da variante do modelo; a duração de cada resposta e a disponibilidade de formatos alargados dependem da forma de acesso escolhida.
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.
", "aboutText": "### Fala rápida para uma resposta interativa\n\nSpeech 02 Turbo destina-se a síntese interativa de fala. O fabricante descreve a combinação de velocidade com ritmo consistente e som natural; os cenários incluem respostas de voz, falas de jogos e conteúdo interativo. O modelo recebe texto e produz áudio de fala.\n\n### Escolha das características do som\n\nA família Speech 02 permite combinar voz, língua, sotaque e expressão emocional. O Transformer autorregressivo e o codificador de interveniente, treinados em conjunto, relacionam o timbre com o conteúdo. O texto pode ser sintetizado com uma voz predefinida; a criação de uma nova voz clonada pertence a uma preparação separada.\n\nO modelo escolhe a entoação emocional a partir do texto ou recebe um estado definido: alegria, tristeza, raiva, medo, repulsa, surpresa ou serenidade. São também controláveis velocidade, altura e volume para adequar a intervenção ao ritmo de interação pretendido.\n\n### Línguas e leitura de palavras\n\nSão suportadas fala russa e outras línguas, incluindo inglês, chinês, cantonês, japonês, coreano, francês, alemão, espanhol, português, turco, árabe e ucraniano. Para Speech 02, a especificação atual exclui separadamente persa, filipino e tâmil.\n\nA pronúncia pode ser ajustada através de um dicionário de substituições, notação fonética internacional, pinyin chinês e variantes de leitura japonesas. As pausas entre partes pronunciadas são definidas entre **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 modelo prevê velocidade de **0,5–2**, volume superior a 0 e até **10** e alteração de altura entre **−12 e 12**.\n\n### Áudio para reprodução\n\nA entrada síncrona está limitada a texto com menos de **10 000 caracteres**; para mais de 3000 caracteres, o fabricante recomenda saída gradual. As capacidades do modelo incluem MP3, WAV, FLAC e PCM; as configurações gerais descrevem também Opus e G.711 μ-law, com um ou dois canais de áudio.\n\nEsta ficha Ailoot recebe texto e devolve fala. A velocidade do Turbo refere-se à finalidade da variante do modelo; a duração de cada resposta e a disponibilidade de formatos alargados dependem da forma de acesso escolhida.\n\nAs 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.\n\nO 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "b73262a078504adb8b849556fa1b8c2d5bad3c5bf47982960d4918d7dad5a73e", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pt-pt", "methods": [ { "html": "speech-02-turboSpeech-02 Turbo destina-se a síntese rápida de fala com ritmo consistente e som multilingue.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Speech 02 Turbo destina-se a síntese interativa de fala. O fabricante descreve a combinação de velocidade com ritmo consistente e som natural; os cenários incluem respostas de voz, falas de jogos e conteúdo interativo. O modelo recebe texto e produz áudio de fala.
A família Speech 02 permite combinar voz, língua, sotaque e expressão emocional. O Transformer autorregressivo e o codificador de interveniente, treinados em conjunto, relacionam o timbre com o conteúdo. O texto pode ser sintetizado com uma voz predefinida; a criação de uma nova voz clonada pertence a uma preparação separada.
O modelo escolhe a entoação emocional a partir do texto ou recebe um estado definido: alegria, tristeza, raiva, medo, repulsa, surpresa ou serenidade. São também controláveis velocidade, altura e volume para adequar a intervenção ao ritmo de interação pretendido.
São suportadas fala russa e outras línguas, incluindo inglês, chinês, cantonês, japonês, coreano, francês, alemão, espanhol, português, turco, árabe e ucraniano. Para Speech 02, a especificação atual exclui separadamente persa, filipino e tâmil.
A pronúncia pode ser ajustada através de um dicionário de substituições, notação fonética internacional, pinyin chinês e variantes de leitura japonesas. As pausas entre partes pronunciadas são definidas entre 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 modelo prevê velocidade de 0,5–2, volume superior a 0 e até 10 e alteração de altura entre −12 e 12.
A entrada síncrona está limitada a texto com menos de 10 000 caracteres; para mais de 3000 caracteres, o fabricante recomenda saída gradual. As capacidades do modelo incluem MP3, WAV, FLAC e PCM; as configurações gerais descrevem também Opus e G.711 μ-law, com um ou dois canais de áudio.
Esta ficha Ailoot recebe texto e devolve fala. A velocidade do Turbo refere-se à finalidade da variante do modelo; a duração de cada resposta e a disponibilidade de formatos alargados dependem da forma de acesso escolhida.
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.
POST /v1/audio/speechtextspeech| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites speech-02-turbo | 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— |
text_to_speech · Obrigatório: input
| 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.
POST /v1/audio/speechO 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_TEXT_FILE:?Set your actual UTF-8 narration script}"\nexport AILOOT_TEXT_FILE\n: "${AILOOT_VOICE_ID:?Set the actual accepted voice ID for this model}"\nexport AILOOT_VOICE_ID\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "speech-02-turbo", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=text\nimport re\nvoice=os.environ["AILOOT_VOICE_ID"]\nif not re.fullmatch(r"[A-Za-z0-9_-]{1,128}",voice):raise SystemExit("Set an actual accepted voice ID")\np["voice"]=voice\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}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.
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 speech-02-turbo
Use os caminhos dos métodos indicados acima.