MiniMax: Speech 02 Turbo

Speech 02 Turbo — конкретная речевая редакция MiniMax, выбираемая через model: "minimax/speech-02-turbo". Используйте POST /v1/audio/speech с телом application/json, содержащим model и text для произнесения. На входе — текст, результат — синтезированное аудио. Для объявления помещайте в text только слова, которые должны прозвучать, например короткое уведомление о получении. Для объяснения продукта разделите текст на законченные предложения и уточните названия продуктов и числа до генерации аудио. Держите производственные заметки, имена файлов и указания, которые должны оставаться беззвучными, вне произносимого текста.

Поле text не должно быть пустым и должно содержать меньше 10 000 символов Unicode. Отправьте полный произносимый текст со stream:false или опустите stream. Разделите более длинный материал на отдельные законченные фрагменты до отправки каждого из них. Документ можно использовать, прочитав фактическое содержимое и поместив нужный отрывок в text; URL документа не заменяет текст озвучки.

Выберите голос через voice_setting.voice_id. Документированные категории голосов включают системные голоса и уже созданные клонированные или спроектированные по тексту голоса; используйте действительный ID голоса для выбранной категории. Голос в примере — audiobook_male_1. Тот же объект управляет speed от 0,5 до 2, vol выше 0 и до 10 и целочисленным pitch от -12 до 12. Их значения по умолчанию — 1, 1 и 0. Эти параметры регулируют разные стороны речевой подачи, поэтому выбирайте их отдельно, не помещая их названия в произносимый текст.

voice_setting.emotion принимает happy, sad, angry, fearful, disgusted, surprised, calm и fluent. Документация также описывает автоматический подбор эмоции по тексту. Для текстов с большим числом чисел voice_setting.text_normalization включает нормализацию китайского и английского текста и по умолчанию равен false. voice_setting.latex_read управляет чтением выражений LaTeX и также по умолчанию равен false. pronunciation_dict.tone — массив строк с правилами произношения. Опубликованный пример — ["草地/(cao3)(di1)"]; при передаче правила сохраняйте слово, косую черту и структуру произношения в скобках.

audio_setting.format принимает mp3, pcm, flac и wav, по умолчанию mp3. sample_rate принимает 8000, 16000, 22050, 24000, 32000 и 44100 Hz; значение по умолчанию — 32000. channel равен 1 для моно или 2 для двух каналов, по умолчанию 1. Значения bitrate — 32000, 64000, 128000 и 256000 бит в секунду, по умолчанию 128000; они применяются к mp3. Выберите кодирование, нужное проигрывателю или инструменту монтажа, который будет использовать результат.

language_boost — необязательная строка, по умолчанию null. Допустимые значения — 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 и auto. "Chinese,Yue" — одно значение. Это отдельный параметр, отличный от произносимого текста и ID голоса. Схема также предоставляет timber_weights для списка пар voice_id и целочисленного weight, где каждый вес — от 1 до 100. При подготовке запроса сохраняйте написание параметра timber_weights. voice_modify.sound_effects — необязательная строка со значениями spacious_echo, auditorium_echo, lofi_telephone и robotic.

stream по умолчанию равен false. Для полного ответа output_format выбирает url или hex, по умолчанию hex. В документированном результате JSON data.audio содержит выбранное представление: загрузите полный подписанный URL Ailoot, включая строку запроса, либо декодируйте полное шестнадцатеричное аудио в байты. Сохраняйте исходный результат вместе с data.status, base_resp, trace_id и extra_info, включающим фактический аудиоформат, частоту дискретизации, число каналов, размер и usage_characters.

subtitle_enable — логический параметр, по умолчанию false, применяемый к непотоковому выводу. aigc_watermark — логический параметр, по умолчанию false, управляющий слышимым ритмическим маркером в конце сгенерированного аудио. Сохраняйте каждый возвращённый аудиорезультат или результат субтитров и проверяйте произношение, числа и готовый файл перед включением в приложение. При неопределённой доставке сохраняйте идентификатор исходного запроса и ответ для проверки существующей попытки. Ailoot также сохраняет готовое аудио в вашей медиатеке. При output_format:"url" data.audio содержит подписанную ссылку на сохранённый ресурс; ID ресурса находится в её пути /v1/media/assets/{asset_id}/content. Подписанные ссылки Ailoot на файлы действуют 24 часа с момента выдачи. Используйте тот же API-ключ для GET /v1/media/assets?family=audio и пройдите по всем next_cursor, чтобы найти записи аудиоресурсов. Прочитайте GET /v1/media/assets/{asset_id} для каждой выбранной записи и загрузите точный content_url, включая строку запроса. Если запрос файла возвращает 404 с кодом link_expired, повторно прочитайте тот же ресурс для обновлённого content_url. Обновляйте сохранённый результат вместо повторной генерации аудио ради замены просроченной ссылки.