MiniMax: Speech 2.6 HD

Speech 2.6 HD je presná edícia reči MiniMax vybraná pomocou model: "minimax/speech-2.6-hd". Použite POST /v1/audio/speech s telom application/json obsahujúcim model a text, ktorý sa má vysloviť. Vstupom je písomný text na nahovorenie a výsledkom syntetizovaný zvuk. Pri výučbovej pasáži pripravte presné vysvetlenie a príklady, ktoré sa majú čítať nahlas. Pri sprievodcovi produktom napíšte hovorený sled v rovnakom poradí ako viditeľné kroky. Text rozprávania môže obsahovať úplné vety a zámernú interpunkciu; redakčné pokyny, ktoré majú zostať nevyslovené, ponechajte mimo text.

Pole text nesmie byť prázdne a musí obsahovať menej než 10 000 znakov Unicode. Odošlite úplný text na nahovorenie so stream:false alebo stream vynechajte. Dlhšie podklady rozdeľte na samostatné úplné textové úseky pred odoslaním každého z nich. Dokument možno použiť načítaním jeho skutočného obsahu a vložením príslušnej pasáže do text; URL dokumentu nenahrádza text na nahovorenie.

Hlas vyberte cez voice_setting.voice_id. Zdokumentované kategórie hlasov zahŕňajú systémové hlasy a už vytvorené klonované hlasy alebo hlasy navrhnuté z textu; pre vybranú kategóriu použite platné ID hlasu. Hlas v príklade je audiobook_male_1. Ten istý objekt ovláda speed od 0,5 do 2, vol nad 0 a najviac 10 a celočíselné pitch od -12 do 12. Ich predvolené hodnoty sú 1, 1 a 0. Tieto nastavenia upravujú rôzne aspekty hovoreného prednesu, preto ich vyberajte samostatne namiesto vkladania ich názvov do textu na nahovorenie.

voice_setting.emotion prijíma happy, sad, angry, fearful, disgusted, surprised, calm a fluent. Dokumentácia opisuje aj automatické prispôsobenie emócie podľa textu. Pri textoch s množstvom čísel voice_setting.text_normalization zapína normalizáciu čínskeho a anglického textu a má predvolenú hodnotu false. voice_setting.latex_read ovláda čítanie výrazov LaTeX a tiež má predvolenú hodnotu false. pronunciation_dict.tone je pole reťazcov s pravidlami výslovnosti. Zverejnený príklad je ["草地/(cao3)(di1)"]; pri zadávaní pravidla zachovajte slovo, lomku a štruktúru výslovnosti v zátvorkách.

audio_setting.format prijíma mp3, pcm, flac a wav, s predvolenou hodnotou mp3. sample_rate prijíma 8000, 16000, 22050, 24000, 32000 a 44100 Hz; jeho predvolená hodnota je 32000. channel je 1 pre mono alebo 2 pre dva kanály, s predvolenou hodnotou 1. Hodnoty bitrate sú 32000, 64000, 128000 a 256000 bitov za sekundu, s predvolenou hodnotou 128000, a vzťahujú sa na mp3. Vyberte kódovanie potrebné pre prehrávač alebo nástroj na úpravy, ktorý výsledok použije.

language_boost je voliteľný reťazec s predvolenou hodnotou null. Jeho povolené hodnoty sú 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 a auto. "Chinese,Yue" je jedna hodnota. Ide o samostatné nastavenie oddelené od textu na nahovorenie a ID hlasu. Schéma sprístupňuje aj timber_weights pre zoznam dvojíc voice_id a celočíselnej váhy, pričom každá váha je od 1 do 100. Pri príprave požiadavky zachovajte zápis parametra timber_weights. voice_modify.sound_effects je voliteľný reťazec s hodnotami spacious_echo, auditorium_echo, lofi_telephone a robotic.

stream má predvolenú hodnotu false. Pri úplnej odpovedi output_format vyberá url alebo hex a má predvolenú hodnotu hex. V zdokumentovanom výsledku JSON nesie data.audio vybranú reprezentáciu: stiahnite úplnú podpísanú URL Ailoot vrátane reťazca dopytu alebo dekódujte úplný hexadecimálny zvuk na bajty. Uchovajte pôvodný výsledok spolu s data.status, base_resp, trace_id a extra_info, ktoré obsahuje skutočný zvukový formát, vzorkovaciu frekvenciu, počet kanálov, veľkosť a usage_characters.

subtitle_enable je booleovská hodnota s predvolenou hodnotou false a vzťahuje sa na výstup bez priebežného doručovania. aigc_watermark je booleovská hodnota s predvolenou hodnotou false a ovláda počuteľnú rytmickú značku na konci generovaného zvuku. Uchovajte všetky vrátené zvukové výsledky alebo titulky a pred zaradením do aplikácie skontrolujte výslovnosť, čísla a dokončený súbor. Ak je doručenie neisté, uchovajte pôvodný identifikátor požiadavky a odpoveď na kontrolu existujúceho pokusu. Ailoot tiež ukladá dokončený zvuk vo vašej knižnici médií. Pri output_format:"url" obsahuje data.audio podpísaný odkaz na tento uložený súbor; ID súboru sa nachádza v jeho ceste /v1/media/assets/{asset_id}/content. Podpísané odkazy na súbory Ailoot platia 24 hodín od vydania. Pomocou rovnakého kľúča API vykonajte GET /v1/media/assets?family=audio a prejdite každú hodnotu next_cursor, aby ste našli záznamy zvukových súborov. Pre každý vybraný záznam načítajte GET /v1/media/assets/{asset_id} a stiahnite jeho presné content_url vrátane reťazca dopytu. Ak požiadavka na súbor vráti 404 s kódom link_expired, načítajte ten istý súbor znova a získajte obnovené content_url. Obnovte uložený výsledok namiesto opätovného generovania zvuku na nahradenie odkazu s uplynutou platnosťou.