MiniMax: Speech 2.8 HD

Speech 2.8 HD syntetizuje expresívnu reč s riadením emócie a zvukových detailov, ako sú dych a smiech.

Ailoot Ultra · Syntéza reči POST /v1/audio/speech minimax/speech-2.8-hd

O modeli

Tento opis pokrýva možnosti modelu. Dostupné vstupy, výstupy a voľby v Ailoot sú uvedené nižšie pre vybranú metódu.

Živá reč s drobnými zvukovými detailmi

Speech 2.8 HD je zameraná na prirodzený a čistý zvuk. Hlavnou vlastnosťou generácie sú zvukové značky, ktoré umožňujú zahrnúť do reči konverzačné detaily: smiech, ľahké zasmiatie, dych, nádych, výdych, povzdych, kašeľ, odkašľanie a ďalšie krátke zvuky. Pomáhajú vyjadriť rytmus a pauzy živej repliky bez toho, aby každú vetu menili na rovnomerné moderátorské čítanie.

Značky sa vkladajú do textu vo forme uvedenej pre model: napríklad (chuckle), (breath) a (sighs) označujú príslušné zvukové činnosti. Možnosť zvukových značiek patrí práve k Speech 2.8. Ide o detaily hlasu v rámci syntézy reči, nie o generovanie samostatnej hudobnej alebo zvukovej kompozície.

Farba hlasu a čistota

Výrobca vyzdvihuje prenos charakteristických vlastností hlasu: textúry, dychu a spôsobu výslovnosti. Možnosti rodiny zahŕňajú syntézu s už pripraveným klonovaným hlasom; vytvorenie takéhoto hlasu je samostatný proces. V Speech 2.8 bolo tiež prepracované spracovanie na zníženie šumu pozadia a digitálnych skreslení.

Jazyky a expresivita

Speech 2.8 podporuje 40 jazykov, vrátane ruštiny. Výrobca samostatne opisuje prácu na medzijazykovej výslovnosti pri kombinácii čínštiny a japončiny. Tento scenár sa týka zachovania prirodzeného zvuku pri používaní rôznych jazykov, nie automatického prekladu textu.

MiniMax poskytuje výber hlasu a riadenie tempa, hlasitosti a výšky. Rýchlosť sa zadáva v rozsahu 0,5–2, hlasitosť nad 0 a do 10, zmena výšky od −12 do 12. Emóciu možno ponechať na model podľa významu textu alebo ju zadať ručne: radosť, smútok, hnev, strach, odpor, prekvapenie alebo pokoj.

Výslovnosť možno spresniť slovníkom náhrad a fonetickým zápisom; k dispozícii sú medzinárodná fonetická abeceda, čínsky pchin-jin a japonské varianty čítania. Pauzy sa zadávajú medzi vyslovovanými úsekmi v rozsahu 0,01–99,99 sekundy. Trvanie pauzy sa zadáva s presnosťou na dve desatinné miesta; značky sa umiestňujú medzi vyslovované úseky a nekladú sa za sebou. Tieto nastavenia umožňujú zosúladiť znenie mien, skratiek a nejednoznačných slov so zámerom hlasového spracovania.

Audiovýsledok

Syntéza prijíma text kratší ako 10 000 znakov. Pri dlhom texte nad 3000 znakov výrobca odporúča streamovanie; k dispozícii je aj získanie celého hotového audia. Všeobecné nastavenia syntézy zahŕňajú MP3, PCM, FLAC, WAV, Opus a varianty G.711 μ-law, mono alebo stereo; dostupný súbor formátov konkrétnej požiadavky sa určuje prostriedkami Ailoot.

Táto karta premieňa text na rečové audio. Možnosti nastavenia hlasu opisujú model MiniMax; vytvorenie klonu hlasu, samostatné titulky a špeciálne spôsoby pripojenia nie sú automaticky súčasťou požiadavky na hlasové spracovanie.

Dodatočné nastavenia zvuku zahŕňajú vzorkovacie frekvencie 8, 16, 22,05, 24, 32 a 44,1 kHz. Pre MP3 je k dispozícii dátový tok 32, 64, 128 alebo 256 kbit/s. Možno tiež meniť zafarbenie hlasu a použiť jeden efekt: priestorové echo, ozvenu sály, telefónny zvuk alebo robotický hlas. Efekty zmeny hlasu sú podporované pre MP3, WAV a FLAC pri získaní celého audia, pri streamovaní len pre MP3. Formáty G.711 μ-law používajú frekvenciu 8 kHz. Tieto možnosti patria k nastaveniam syntézy MiniMax.

Výrobca poskytuje synchronizáciu reči s textom: časové značky podľa viet, slov alebo slov pri postupnom výstupe. Takýto výsledok pomáha zosúladiť prednes so zobrazovaním textu. Táto dodatočná možnosť vyžaduje podporu zodpovedajúceho formátu odpovede.

Ailoot Ultra · Syntéza reči POST /v1/audio/speech minimax/speech-2.8-hd

minimax/speech-2.8-hd

MiniMax /minimax/speech-2.8-hd

Úvod

Speech 2.8 HD syntetizuje expresívnu reč s riadením emócie a zvukových detailov, ako sú dych a smiech.

Povolené vstupy: Text
Výsledky: Audio

Dostupné v Ailoot · vstupy a metódy

Ailoot Ultra · Syntéza reči POST /v1/audio/speech

Vstup: text
Výstup: audio
Výstupný formát: mp3

Pole	Typ	Požiadavka	Hodnoty a limity	Predvolené
Pole`model`	Typ`string`	PožiadavkaPovinné	Hodnoty a limity minimax/speech-2.8-hd	Predvolené—
Pole`input`	Typ`string`	PožiadavkaPovinné	Hodnoty a limity Minimálna dĺžka: 1 Jednotka: znaky Unicode	Predvolené—
Pole`voice`	Typ`string`	PožiadavkaPovinné	Hodnoty a limity English_expressive_narrator, English_radiant_girl, English_magnetic_voiced_man, English_compelling_lady1, English_Aussie_Bloke, English_captivating_female1, English_Upbeat_Woman, English_Trustworth_Man, English_CalmWoman, English_UpsetGirl, English_Gentle-voiced_man, English_Whispering_girl, English_Diligent_Man, English_Graceful_Lady, English_ReservedYoungMan, English_PlayfulGirl, English_ManWithDeepVoice, English_MaturePartner, English_FriendlyPerson, English_MatureBoss, English_Debator, English_LovelyGirl, English_Steadymentor, English_Deep-VoicedGentleman, English_Wiselady, English_CaptivatingStoryteller, English_DecentYoungMan, English_SentimentalLady, English_ImposingManner, English_SadTeen, English_PassionateWarrior, English_WiseScholar, English_Soft-spokenGirl, English_SereneWoman, English_ConfidentWoman, English_PatientMan, English_Comedian, English_BossyLeader, English_Strong-WilledBoy, English_StressedLady, English_AssertiveQueen, English_AnimeCharacter, English_Jovialman, English_WhimsicalGirl, English_Kind-heartedGirl	Predvolené—
Pole`response_format`	Typ`string`	PožiadavkaPovinné	Hodnoty a limity mp3	Predvolené—

Kombinácie vstupných podkladov

text_to_speech · Povinné: input

Parametre a životný cyklus metódy

Parameter	Špecifikácia
Parameter`content_type`	Špecifikáciaapplication/json
Parameter`required`	Špecifikáciamodel, input, voice, response_format
Parameter`voice_ids`	ŠpecifikáciaEnglish_expressive_narrator, English_radiant_girl, English_magnetic_voiced_man, English_compelling_lady1, English_Aussie_Bloke, English_captivating_female1, English_Upbeat_Woman, English_Trustworth_Man, English_CalmWoman, English_UpsetGirl, English_Gentle-voiced_man, English_Whispering_girl, English_Diligent_Man, English_Graceful_Lady, English_ReservedYoungMan, English_PlayfulGirl, English_ManWithDeepVoice, English_MaturePartner, English_FriendlyPerson, English_MatureBoss, English_Debator, English_LovelyGirl, English_Steadymentor, English_Deep-VoicedGentleman, English_Wiselady, English_CaptivatingStoryteller, English_DecentYoungMan, English_SentimentalLady, English_ImposingManner, English_SadTeen, English_PassionateWarrior, English_WiseScholar, English_Soft-spokenGirl, English_SereneWoman, English_ConfidentWoman, English_PatientMan, English_Comedian, English_BossyLeader, English_Strong-WilledBoy, English_StressedLady, English_AssertiveQueen, English_AnimeCharacter, English_Jovialman, English_WhimsicalGirl, English_Kind-heartedGirl
Parameter`response_format`	Špecifikáciamp3
Parameter`max_input_characters`	Špecifikácianull
Parameter`other_options`	Špecifikáciafalse
Parameter`input`	Špecifikáciapresný text UTF-8; počet znakov Unicode bez normalizácie
Parameter`material_types`	Špecifikáciatext

Životný cyklus: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · skutočne vrátené task_id alebo záznam v knižnici médií

GET /v1/media/assets/{asset_id}/content

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Vyberte presný hlas z profilu tohto modelu.

Vstupné znaky a sekundy zvuku sú odlišné merané jednotky.

Cenník

Tarifné údaje nepridávajú možnosti požiadavky. Podporované parametre sú uvedené pri vybranej metóde.

Rýchly režim: Neuvedené Keď je zvolený rýchly režim
Režim Flex: Neuvedené Keď je zvolený režim flex
Maximálna úroveň uvažovania: Neuvedené Keď sa pri maximálnej úrovni uvažovania používa predvolená úprava (default)

Sadzby Ailoot

Ceny podľa konfigurácie

Každý poplatok priraďte k zobrazeným podmienkam. Pre každú skupinu alternatívnych konfigurácií použite jednu sadzbu.

Konfigurácia	Sadzobník	Účtované množstvo	Účtovacia jednotka	Poplatok
KonfiguráciaZákladné sadzby za tokeny	SadzobníkZákladná sadzba	Účtované množstvo—	Účtovacia jednotka—	Poplatok Vstup · Vstupné tokeny — / 1K tokenov Výstup · Výstupné tokeny — / 1K tokenov Vstup · Čítanie cache — / 1K tokenov Vstup · Zápis do cache — / 1K tokenov Vstup · Zápis do cache, 1 hod — / 1K tokenov
KonfiguráciaUltra	Sadzobník—	Účtované množstvoKaždý kódový bod Unicode sa počíta ako jeden znak vrátane znakov Han.	Účtovacia jednotkaza 1K vstupných znakov	Poplatok Vstup · vstupný znak $0.2 za 1K vstupných znakov

Podrobnosti referenčnej tarify

Referenčné sadzobníky modelu nemenia výber metódy, cenové odhady ani poplatky. Aktívne poplatky používajú sadzby vybranej metódy Ailoot.

MiniMax: Speech 2.8 HD

Ceny podľa konfigurácie

Konfigurácia	Podmienky účtovania	Poplatok
KonfiguráciaMiniMax: Speech 2.8 HD · Predvolená konfigurácia	Podmienky účtovaniaPredvolená konfigurácia	Poplatok Vstup · Vstupné znaky 0,0002 USD za vstupný znak

Ailoot pred požiadavkou rezervuje odhadovanú sumu. Po získaní výsledku vyúčtuje konečný poplatok podľa nameraného využitia. Pri streamovaní sa vyúčtovanie riadi konečným záznamom využitia. Ako funguje rezervácia a vyúčtovanie →

Príklady požiadaviek

Ailoot Ultra · Syntéza reči

curl

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_VOICE_ID:?Choose an accepted voice ID from this exact model profile}"
export AILOOT_VOICE_ID
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "minimax/speech-2.8-hd", "input": "Good afternoon! This is a short voice take."}')
voice=os.environ["AILOOT_VOICE_ID"]
allowed=json.loads('["English_expressive_narrator", "English_radiant_girl", "English_magnetic_voiced_man", "English_compelling_lady1", "English_Aussie_Bloke", "English_captivating_female1", "English_Upbeat_Woman", "English_Trustworth_Man", "English_CalmWoman", "English_UpsetGirl", "English_Gentle-voiced_man", "English_Whispering_girl", "English_Diligent_Man", "English_Graceful_Lady", "English_ReservedYoungMan", "English_PlayfulGirl", "English_ManWithDeepVoice", "English_MaturePartner", "English_FriendlyPerson", "English_MatureBoss", "English_Debator", "English_LovelyGirl", "English_Steadymentor", "English_Deep-VoicedGentleman", "English_Wiselady", "English_CaptivatingStoryteller", "English_DecentYoungMan", "English_SentimentalLady", "English_ImposingManner", "English_SadTeen", "English_PassionateWarrior", "English_WiseScholar", "English_Soft-spokenGirl", "English_SereneWoman", "English_ConfidentWoman", "English_PatientMan", "English_Comedian", "English_BossyLeader", "English_Strong-WilledBoy", "English_StressedLady", "English_AssertiveQueen", "English_AnimeCharacter", "English_Jovialman", "English_WhimsicalGirl", "English_Kind-heartedGirl"]')
if voice not in allowed: raise SystemExit("Choose an accepted voice ID from this exact model profile")
p["voice"]=voice
p["response_format"]="mp3"
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

Prijať a uložiť výsledky

Ailoot Ultra · Syntéza reči

mp3

GET /v1/media/tasks/{task_id}
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}

Čítanie ďalšieho obsahu

Knižnica médiíStav úlohyPodrobnosti podkladu

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-assets.json

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_MEDIA_TASK_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_MEDIA_TASK_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_MEDIA_TASK_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/tasks/$resource_id" \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-task.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-task.json").read_text())))
PY_RESULT

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_ASSET_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_ASSET_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_ASSET_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/assets/$resource_id" \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-asset.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-asset.json").read_text())))
PY_RESULT

Uchovať všetky dokončené výsledky

Uložte každú úplnú vrátenú odpoveď, súbor a časť obsahu.

Uchovajte úplný binárny výsledok a hlavičky. Ak sa vráti JSON alebo viacero výstupov, uchovajte každú dátovú položku a stiahnite obsah z každej skutočnej podpísanej URL súboru.

Ak treba overiť pôvodnú odpoveď

Uchovajte pôvodné operation_id/X-Client-Request-ID na zosúladenie záznamov bez opätovného odoslania; neexistuje samostatná trasa na priebežné zisťovanie stavu zvuku.

Polia odpovede

Pole	Typ
Pole`binary audio`	Typbytes
Pole`response headers`	Typheaders

Chyby a ďalšie kroky

Odpoveď	Podmienka	Ďalší krok
Odpoveď400 · `invalid_request_error`	PodmienkaNeplatné povinné polia, reprezentácia materiálu alebo hodnota parametra	Ďalší krokPred novou požiadavkou na vytvorenie opravte uvedené polia.
Odpoveď`server_error`	PodmienkaVrátená odpoveď uvádza, že operáciu alebo výsledok je potrebné skontrolovať	Ďalší krokUchovajte pôvodné vrátené ID operácie/úlohy, hlavičky požiadavky a odpoveď; naďalej čítajte údaje o tejto pôvodnej operácii podporovaným spôsobom. Požiadavku na vytvorenie znova neodosielajte.

Aliasy

Aliasy modelov

Ailoot Ultra minimax/speech-2.8-hd

Aliasy ciest metód

Použite cesty metód uvedené vyššie.

Súvisiace ID na volanie

minimax/speech-2.8-hd

FAQ · MiniMax: Speech 2.8 HD

Aké vstupy a výsledky sú dostupné?: POST /v1/audio/speech · minimax/speech-2.8-hd: text → audio
Aké polia používa požiadavka?: POST /v1/audio/speech · minimax/speech-2.8-hd: model, input, voice, response_format

MiniMax: Speech 2.8 HD