speech-02-hd
Speech-02 HD — модель синтеза речи с акцентом на качество звучания и сходство голоса.
О модели
Описание раскрывает возможности модели. Доступные в Ailoot входные данные, результаты и параметры выбранного метода перечислены ниже.
Голос для озвучивания и длинного чтения
Speech 02 HD создаёт речь с акцентом на качество, ритм и устойчивость звучания. Производитель выделяет озвучивание материалов и аудиокниги, где голос должен сохранять характер и ровно проходить через протяжённый текст. Это модель синтеза: она принимает текст и превращает его в речевое аудио.
Как соединяются текст и тембр
В основе семейства Speech 02 — авторегрессионная архитектура Transformer и обучаемый кодировщик говорящего. Извлечение тембра и генерация речи обучались совместно, чтобы согласовать особенности голоса с содержанием. Возможности семейства включают использование подготовленных клонированных голосов и сочетание языка, акцента и манеры произношения.
Эмоция и многоязычное чтение
Эмоциональная окраска может определяться по смыслу текста или задаваться вручную. Доступны радость, грусть, гнев, страх, отвращение, удивление и спокойствие. Модель работает с русским, английским и другими языками; производитель описывает разные акценты английской речи, китайский и кантонский, японский, корейский, европейские и другие языки.
В текущем описании Speech 02 отдельно исключены персидский, филиппинский и тамильский. Общий языковой перечень более новых поколений Speech не следует автоматически переносить на эту версию.
Настройка голоса
Для синтеза предусмотрены выбор голоса, изменение скорости 0,5–2, громкости выше 0 и до 10, высоты от −12 до 12. В словаре произношения можно задавать замену написания на нужное чтение; поддерживаются фонетические записи и японские варианты произнесения. Это помогает управлять тем, как прозвучат имена и неоднозначные слова.
Паузы и готовое аудио
Производитель позволяет задавать паузы между произносимыми фрагментами длительностью 0,01–99,99 секунды. Длительность паузы задаётся с точностью до двух знаков после запятой; маркеры располагают между произносимыми фрагментами и не ставят подряд. Текст одного синхронного запроса должен содержать менее 10 000 символов. Предусмотрено получение звука целиком и постепенно; для текста свыше 3000 символов рекомендуется потоковый вывод.
Среди форматов модели — MP3, WAV, FLAC и PCM; общие настройки синтеза также описывают Opus и варианты G.711 μ-law. Можно использовать моно или стерео. В этой карточке доступна озвучка текста, а отдельная подготовка голоса и расширенные настройки применяются только в пределах поддержанного способа обращения через Ailoot.
Дополнительные настройки звука включают частоты дискретизации 8, 16, 22,05, 24, 32 и 44,1 кГц. Для MP3 предусмотрен битрейт 32, 64, 128 или 256 кбит/с. Также можно менять окраску голоса и применять один эффект: просторное эхо, эхо зала, телефонное звучание или роботизированный голос. Эффекты изменения голоса поддерживаются для MP3, WAV и FLAC при получении аудио целиком, а при потоковом выводе — только для MP3. Форматы G.711 μ-law используют частоту 8 кГц. Эти возможности относятся к настройкам синтеза MiniMax.
Производитель предусматривает синхронизацию речи с текстом: метки времени по предложениям, словам или словам при постепенном выводе. Такой результат помогает совместить произнесение с отображением текста. Эта дополнительная возможность требует поддержки соответствующего формата ответа.
Ailoot · Озвучка POST /v1/audio/speech speech-02-hd
speech-02-hdНачало
Speech-02 HD — модель синтеза речи с акцентом на качество звучания и сходство голоса.
- Допустимые входные данные
- Текст
- Результаты
- speech
Доступно в Ailoot · входные данные и методы
Ailoot · Озвучка POST /v1/audio/speech
- Входные данные
text- Результат
speech- Выходной формат
- mp3
| Поле | Тип | Требование | Значения и ограничения | По умолчанию |
|---|---|---|---|---|
Полеmodel | Типstring | ТребованиеОбязательно | Значения и ограничения speech-02-hd | По умолчанию— |
Полеinput | Типstring | ТребованиеОбязательно | Значения и ограничения Минимальная длина: 1 Максимальная длина (не включительно): 10 000 Единица: символы Unicode | По умолчанию— |
Полеvoice | Типstring | ТребованиеОбязательно | Значения и ограничения Шаблон: ^[A-Za-z0-9_-]{1,128}$ | По умолчанию— |
Полеresponse_format | Типstring | ТребованиеНеобязательно | Значения и ограничения mp3 | По умолчанию— |
Сочетания входных материалов
text_to_speech · Обязательно: input
Параметры и жизненный цикл метода
| Параметр | Контракт |
|---|---|
Параметрmaterial_types | Контрактtext |
Параметрrequired | Контрактnull |
Параметрoptional_controls | Контрактnull |
Жизненный цикл: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · Фактически возвращённый task_id или запись в медиатеке
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Структуры методов и ID указаны точно; возможности поставщика рассматриваются отдельно от допуска.
Тарифы
Ставки методов Ailoot
POST /v1/audio/speech- Вход
- 100,00 $ за 1 миллион символов
Ailoot резервирует расчётную сумму перед запросом. После получения результата списывает итоговую плату по измеренному расходу. Для окончательного списания за потоковый ответ используется итоговая запись расхода. Как работают резервирование и расчёт →
Примеры запросов
Ailoot · Озвучка
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
Получить и сохранить результаты
Ailoot · Озвучка
mp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Сохраняйте все готовые результаты
Сохраняйте каждый полностью полученный ответ, файл и элемент содержимого.
Сохраняйте полный бинарный результат и заголовки. Если возвращаются JSON или несколько результатов, сохраняйте каждый элемент данных и загружайте ресурс по каждому фактически возвращённому подписанному URL.
Если нужно проверить исходный ответ
Сохраняйте исходный operation_id/X-Client-Request-ID для сверки без повторной отправки; отдельного маршрута опроса аудио нет.
Поля ответа
| Поле | Тип |
|---|---|
Полеbinary audio | Типbytes |
Полеresponse headers | Типheaders |
Ошибки и дальнейшие шаги
| Ответ | Условие | Следующий шаг |
|---|---|---|
Ответ400 · invalid_request_error | УсловиеНеверные обязательные поля, представление материалов или значение параметра | Следующий шагИсправьте указанные поля перед новым запросом на создание. |
Ответserver_error | УсловиеВозвращённый ответ указывает, что операция или результат требуют проверки | Следующий шагСохраните исходный возвращённый ID операции или задачи, заголовки запроса и ответ; продолжайте поддерживаемые операции чтения исходной операции. Не отправляйте запрос создания повторно. |
Псевдонимы
Псевдонимы моделей
Ailoot speech-02-hd
Псевдонимы путей метода
Используйте пути методов, указанные выше.
Связанные ID для вызова
FAQ · speech-02-hd
- Какие входные данные и результаты доступны?
POST /v1/audio/speech·speech-02-hd:text→speech- Какие поля использует запрос?
POST /v1/audio/speech·speech-02-hd:model,input,voice,response_format