speech-2.6-hd
Speech 2.6 HD — модель качественного синтеза речи с акцентом на естественность и сходство голоса.
О модели
Описание раскрывает возможности модели. Доступные в Ailoot входные данные, результаты и параметры выбранного метода перечислены ниже.
Естественный голос для взаимодействия
Speech 2.6 HD предназначена для естественного синтеза речи и сценариев, где важно быстро начать ответ. Производитель уделяет внимание интонации, плавности речи и обработке текста до произнесения. HD-вариант делает акцент на качестве звучания; вход этой карточки — текст, выход — речевое аудио.
Чтение нестандартных записей
Поколение Speech 2.6 умеет обрабатывать записи, которые часто встречаются в рабочих сообщениях: адреса страниц, электронную почту, номера телефонов, даты и денежные суммы. Модель переводит их в произносимую форму, чтобы реплика оставалась понятной на слух. Производитель описывает такие задачи на нескольких языках.
Плавная речь с сохранением тембра
В Speech 2.6 предусмотрен режим повышения плавности Fluent LoRA. Он предназначен для синтеза на основе подготовленного голоса: помогает сохранять тембр и при этом формировать более связную речь, даже если исходный образец был неровным или содержал акцент. Подготовка клонированного голоса и его использование при озвучивании являются разными действиями.
Поддерживаются 40 языков, включая русский. Кроме семи базовых эмоциональных состояний, для Speech 2.6 предусмотрены варианты плавной речи fluent и шёпота whisper. Если эмоцию не указать, модель выбирает её по смыслу текста.
Настройки произнесения
MiniMax предусматривает выбор голоса и управление темпом, громкостью и высотой. Скорость задаётся в диапазоне 0,5–2, громкость — выше 0 и до 10, изменение высоты — от −12 до 12. Эмоцию можно оставить на усмотрение модели по смыслу текста либо указать вручную: радость, грусть, гнев, страх, отвращение, удивление или спокойствие.
Произношение можно уточнять словарём замен и фонетической записью; в нём предусмотрены международный фонетический алфавит, китайский пиньинь и японские варианты чтения. Паузы задаются между произносимыми фрагментами в диапазоне 0,01–99,99 секунды. Длительность паузы задаётся с точностью до двух знаков после запятой; маркеры располагают между произносимыми фрагментами и не ставят подряд. Такие настройки позволяют согласовать звучание имён, сокращений и неоднозначных слов с замыслом озвучивания.
Длина текста и аудио
Синтез принимает текст менее 10 000 символов. Для длинного текста свыше 3000 символов производитель рекомендует потоковый вывод; также предусмотрено получение готового аудио целиком. Общие настройки синтеза включают MP3, PCM, FLAC, WAV, Opus и варианты G.711 μ-law, моно или стерео; доступный набор форматов конкретного запроса определяется средствами Ailoot.
По данным MiniMax, поколение ориентировано на низкую задержку в голосовых сценариях. Это описание модели; время конкретного ответа и доступность расширенных настроек зависят от выбранного способа обращения в 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-2.6-hd
speech-2.6-hdНачало
Speech 2.6 HD — модель качественного синтеза речи с акцентом на естественность 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-2.6-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-2.6-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-2.6-hd
Псевдонимы путей метода
Используйте пути методов, указанные выше.
Связанные ID для вызова
FAQ · speech-2.6-hd
- Какие входные данные и результаты доступны?
POST /v1/audio/speech·speech-2.6-hd:text→speech- Какие поля использует запрос?
POST /v1/audio/speech·speech-2.6-hd:model,input,voice,response_format