Voxtral TTS je model prevodu textu na reč 4B od Mistral AI na generovanie hovoreného zvuku z textu a hlasovej referencie. Stránka modelu výrobcu identifikuje verziu 2603 ako voxtral-mini-tts-2603, kým karta vydaných váh sa nazýva Voxtral 4B TTS 2603. Tento záznam sa týka tohto vydania generovania reči, odlišného od zvukového porozumenia Voxtral Small, prepisu a neskorších modelov vstupu v reálnom čase.
Expresívna reč a prispôsobovanie hlasu
Model je navrhnutý na zachytenie prestávok, rytmu, intonácie, prízvuku a emocionálneho podania referenčného hlasu. Hlas pôsobí ako pokyn, ako má text znieť; prehľad výrobcu nevyžaduje samostatné prozodické ani emocionálne značky ani prepis referenčnej nahrávky. Zdrojový text určuje, čo sa povie, kým zvuková referencia usmerňuje prednes.
Prehľad opisuje prispôsobenie hlasu už z dvoch až troch sekúnd zvuku. Opis architektúry rozoberá hlasové zadania s dĺžkou päť až dvadsaťpäť sekúnd. Tieto vyjadrenia majú odlišný rozsah: krátky príklad prispôsobenia nie je požiadavkou používať čo najkratšiu referenciu. Vyberte čistú reč reprezentujúcu štýl a prízvuk požadované pre konečný výsledok.
Vydaná karta zahŕňa dvadsať prednastavených hlasov a prispôsobovanie novým hlasom. Hlasový postup výrobcu môže používať uložený hlasový profil alebo jednorazový referenčný klip. Uloženie profilu umožňuje opätovne používať rovnakú hlasovú referenciu v samostatných požiadavkách reči, kým jednorazový klip ju dodáva aktuálnej úlohe. Profil a generovaná nahrávka sú odlišné výsledky.
Jazyky a prednes medzi jazykmi
Vydanie podporuje angličtinu, francúzštinu, španielčinu, nemčinu, taliančinu, portugalčinu, holandčinu, arabčinu a hindčinu; výrobca opisuje dialektovú variabilitu, prenos hlasu medzi jazykmi a miešanie jazykov. Pre najlepší výsledok príručka reči odporúča zhodu jazyka referencie s jazykom textu. Prenos medzi jazykmi môže zachovať prízvuk referencie pri vyslovovaní pripraveného textu v inom podporovanom jazyku.
Praktická úloha rozprávania môže používať rovnaký hlasový štýl pre vysvetlenie v rôznych podporovaných jazykoch, s každým textom pripraveným pre zamýšľaného poslucháča. Odpoveď hlasového asistenta môže používať krátky konverzačný scenár namiesto čítania neupraveného dokumentu nahlas. Model prevodu textu na reč realizuje pripravené slová; preklad alebo tvorba odpovede, ktoré tieto slová vytvárajú, sú samostatné kroky.
Príprava textu
Príručka reči výrobcu odporúča text vhodný na vyslovenie. Čísla a symboly zapíšte v podobe, ktorá sa má vysloviť, aby model nemusel vyberať medzi možnými čítaniami. Číslo môže predstavovať množstvo, čas alebo identifikátor; zamýšľané hovorené znenie definujte pred syntézou. Ak záleží na výslovnosti, skratky rozviňte alebo použite oddelené písmená, ak je to zamýšľané čítanie.
Vyhnite sa bohatému formátovaniu, emotikonom a špeciálnym znakom, ktoré sa nebudú realizovať ako hovorený obsah. Pripravte úplné vety s interpunkciou a znením potrebnými pre prednes. Príručka odporúča zadania pod 300 slov pre najlepšie výsledky. Ide o odporúčanie kvality, nie deklarovanú pevnú maximálnu dĺžku vstupu.
Pri vysvetlení postupu napíšte akciu a podmienku do vety, ktorú poslucháč dokáže sledovať. Pri ozname umiestnite dôležité informácie pred voliteľné podrobnosti. Pri hlasovej odpovedi zachovajte vecnú odpoveď a odstráňte formátovanie určené len na obrazovku alebo zdrojové označenia, ktoré nemajú zaznieť. Tieto prípravy robia samotný scenár vhodným na zvuk ešte predtým, než referencia určí jeho štýl.
Streamovanie, výstup a dĺžka
Výrobca dokumentuje základné aj streamované dodanie a opisuje natívne generovanie až dvoch minút zvuku. Karta vydaných váh uvádza aj dávkovú inferenciu pre prípravu viacerých hlasových úloh. Dlhšie generovania služby používajú prekladanie namiesto považovania jednej natívnej časti za neobmedzenú. Pri dlhšom rozprávaní pripravte súvislé úseky a ich hlasovú a textovú prípravu zachovajte v súlade s postupom dodania riešiacim pokračovanie.
Vydaná karta určuje zvuk 24 kHz a uvádza výstupné formáty WAV, PCM, FLAC, MP3, AAC a Opus. Príručka hlasovej služby rozoberá MP3 pre komprimované dodanie, WAV pre nekomprimovaný PCM, FLAC pre bezstratovú kompresiu a PCM alebo Opus pre streamovanie. Vyberte formát podporovaný pripojeným postupom a vhodný pre jeho prehrávač alebo spracovateľský krok. Výber formátu a správanie streamovania sú odlišné od samotného prispôsobovania hlasu.
Architektúra modelu a praktické hranice
Oznámenie opisuje autoregresívnu architektúru s párovaním tokov, so základným dekóderom Transformer 3.4B, akustickým Transformerom s 390 miliónmi parametrov a neurónovým zvukovým kodekom s 300 miliónmi parametrov. Dekóder predpovedá sémantický obsah a akustická zložka vytvára reprezentáciu reči, kým kodek spracúva zvuk. Tieto zložky vysvetľujú približné označenie modelu 4B; nie sú dodatočnými vstupnými jazykmi ani iným modelom generovania odpovedí.
Praktickým výstupom je syntetizovaná nahrávka alebo zvukový stream spojený s pripraveným scenárom a zvoleným hlasom. Pri generovaní viacerých úsekov tieto spojenia zachovajte, aby aplikácia mohla uložiť, prehrať alebo zostaviť správny materiál. Model vytvára zvuk, nie prepis, vektor sémantického vyhľadávania ani novo napísanú vecnú odpoveď.
Zachovajte hlasovú verziu 2603, podporovaný jazyk a referenčný štýl. Prečítané zdroje poskytujú tvrdenie o natívnych dvoch minútach a prípravné odporúčanie pod 300 slov, ale nestanovujú samostatný pevný maximálny počet znakov textu ani celkovú dĺžku spojenej nahrávky. Hotový zvukový výsledok definujte pomocou skutočného textu, hlasu a požiadaviek dodania.
", "aboutText": "Voxtral TTS je model prevodu textu na reč 4B od Mistral AI na generovanie hovoreného zvuku z textu a hlasovej referencie. Stránka modelu výrobcu identifikuje verziu 2603 ako voxtral-mini-tts-2603, kým karta vydaných váh sa nazýva Voxtral 4B TTS 2603. Tento záznam sa týka tohto vydania generovania reči, odlišného od zvukového porozumenia Voxtral Small, prepisu a neskorších modelov vstupu v reálnom čase.\n\nExpresívna reč a prispôsobovanie hlasu\n\nModel je navrhnutý na zachytenie prestávok, rytmu, intonácie, prízvuku a emocionálneho podania referenčného hlasu. Hlas pôsobí ako pokyn, ako má text znieť; prehľad výrobcu nevyžaduje samostatné prozodické ani emocionálne značky ani prepis referenčnej nahrávky. Zdrojový text určuje, čo sa povie, kým zvuková referencia usmerňuje prednes.\n\nPrehľad opisuje prispôsobenie hlasu už z dvoch až troch sekúnd zvuku. Opis architektúry rozoberá hlasové zadania s dĺžkou päť až dvadsaťpäť sekúnd. Tieto vyjadrenia majú odlišný rozsah: krátky príklad prispôsobenia nie je požiadavkou používať čo najkratšiu referenciu. Vyberte čistú reč reprezentujúcu štýl a prízvuk požadované pre konečný výsledok.\n\nVydaná karta zahŕňa dvadsať prednastavených hlasov a prispôsobovanie novým hlasom. Hlasový postup výrobcu môže používať uložený hlasový profil alebo jednorazový referenčný klip. Uloženie profilu umožňuje opätovne používať rovnakú hlasovú referenciu v samostatných požiadavkách reči, kým jednorazový klip ju dodáva aktuálnej úlohe. Profil a generovaná nahrávka sú odlišné výsledky.\n\nJazyky a prednes medzi jazykmi\n\nVydanie podporuje angličtinu, francúzštinu, španielčinu, nemčinu, taliančinu, portugalčinu, holandčinu, arabčinu a hindčinu; výrobca opisuje dialektovú variabilitu, prenos hlasu medzi jazykmi a miešanie jazykov. Pre najlepší výsledok príručka reči odporúča zhodu jazyka referencie s jazykom textu. Prenos medzi jazykmi môže zachovať prízvuk referencie pri vyslovovaní pripraveného textu v inom podporovanom jazyku.\n\nPraktická úloha rozprávania môže používať rovnaký hlasový štýl pre vysvetlenie v rôznych podporovaných jazykoch, s každým textom pripraveným pre zamýšľaného poslucháča. Odpoveď hlasového asistenta môže používať krátky konverzačný scenár namiesto čítania neupraveného dokumentu nahlas. Model prevodu textu na reč realizuje pripravené slová; preklad alebo tvorba odpovede, ktoré tieto slová vytvárajú, sú samostatné kroky.\n\nPríprava textu\n\nPríručka reči výrobcu odporúča text vhodný na vyslovenie. Čísla a symboly zapíšte v podobe, ktorá sa má vysloviť, aby model nemusel vyberať medzi možnými čítaniami. Číslo môže predstavovať množstvo, čas alebo identifikátor; zamýšľané hovorené znenie definujte pred syntézou. Ak záleží na výslovnosti, skratky rozviňte alebo použite oddelené písmená, ak je to zamýšľané čítanie.\n\nVyhnite sa bohatému formátovaniu, emotikonom a špeciálnym znakom, ktoré sa nebudú realizovať ako hovorený obsah. Pripravte úplné vety s interpunkciou a znením potrebnými pre prednes. Príručka odporúča zadania pod 300 slov pre najlepšie výsledky. Ide o odporúčanie kvality, nie deklarovanú pevnú maximálnu dĺžku vstupu.\n\nPri vysvetlení postupu napíšte akciu a podmienku do vety, ktorú poslucháč dokáže sledovať. Pri ozname umiestnite dôležité informácie pred voliteľné podrobnosti. Pri hlasovej odpovedi zachovajte vecnú odpoveď a odstráňte formátovanie určené len na obrazovku alebo zdrojové označenia, ktoré nemajú zaznieť. Tieto prípravy robia samotný scenár vhodným na zvuk ešte predtým, než referencia určí jeho štýl.\n\nStreamovanie, výstup a dĺžka\n\nVýrobca dokumentuje základné aj streamované dodanie a opisuje natívne generovanie až dvoch minút zvuku. Karta vydaných váh uvádza aj dávkovú inferenciu pre prípravu viacerých hlasových úloh. Dlhšie generovania služby používajú prekladanie namiesto považovania jednej natívnej časti za neobmedzenú. Pri dlhšom rozprávaní pripravte súvislé úseky a ich hlasovú a textovú prípravu zachovajte v súlade s postupom dodania riešiacim pokračovanie.\n\nVydaná karta určuje zvuk 24 kHz a uvádza výstupné formáty WAV, PCM, FLAC, MP3, AAC a Opus. Príručka hlasovej služby rozoberá MP3 pre komprimované dodanie, WAV pre nekomprimovaný PCM, FLAC pre bezstratovú kompresiu a PCM alebo Opus pre streamovanie. Vyberte formát podporovaný pripojeným postupom a vhodný pre jeho prehrávač alebo spracovateľský krok. Výber formátu a správanie streamovania sú odlišné od samotného prispôsobovania hlasu.\n\nArchitektúra modelu a praktické hranice\n\nOznámenie opisuje autoregresívnu architektúru s párovaním tokov, so základným dekóderom Transformer 3.4B, akustickým Transformerom s 390 miliónmi parametrov a neurónovým zvukovým kodekom s 300 miliónmi parametrov. Dekóder predpovedá sémantický obsah a akustická zložka vytvára reprezentáciu reči, kým kodek spracúva zvuk. Tieto zložky vysvetľujú približné označenie modelu 4B; nie sú dodatočnými vstupnými jazykmi ani iným modelom generovania odpovedí.\n\nPraktickým výstupom je syntetizovaná nahrávka alebo zvukový stream spojený s pripraveným scenárom a zvoleným hlasom. Pri generovaní viacerých úsekov tieto spojenia zachovajte, aby aplikácia mohla uložiť, prehrať alebo zostaviť správny materiál. Model vytvára zvuk, nie prepis, vektor sémantického vyhľadávania ani novo napísanú vecnú odpoveď.\n\nZachovajte hlasovú verziu 2603, podporovaný jazyk a referenčný štýl. Prečítané zdroje poskytujú tvrdenie o natívnych dvoch minútach a prípravné odporúčanie pod 300 slov, ale nestanovujú samostatný pevný maximálny počet znakov textu ani celkovú dĺžku spojenej nahrávky. Hotový zvukový výsledok definujte pomocou skutočného textu, hlasu a požiadaviek dodania.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "a15bfa6c15d012e3cb83f607c3c32c1675013eef1a859180d8bbfdc61e460e6d", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "sk", "methods": [ { "html": "mistralai/voxtral-mini-tts-2603Voxtral TTS je model generovania reči 4B od Mistral AI s prispôsobovaním hlasu podľa referencie v deviatich jazykoch. Pripravený text mení na expresívny zvuk, podporuje opätovne použiteľné alebo jednorazové hlasové zadania a streamovanie a vytvára výstup 24 kHz v dokumentovaných zvukových formátoch.
Tento opis pokrýva možnosti modelu. Dostupné vstupy, výstupy a voľby v Ailoot sú uvedené nižšie pre vybranú metódu.
Voxtral TTS je model prevodu textu na reč 4B od Mistral AI na generovanie hovoreného zvuku z textu a hlasovej referencie. Stránka modelu výrobcu identifikuje verziu 2603 ako voxtral-mini-tts-2603, kým karta vydaných váh sa nazýva Voxtral 4B TTS 2603. Tento záznam sa týka tohto vydania generovania reči, odlišného od zvukového porozumenia Voxtral Small, prepisu a neskorších modelov vstupu v reálnom čase.
Expresívna reč a prispôsobovanie hlasu
Model je navrhnutý na zachytenie prestávok, rytmu, intonácie, prízvuku a emocionálneho podania referenčného hlasu. Hlas pôsobí ako pokyn, ako má text znieť; prehľad výrobcu nevyžaduje samostatné prozodické ani emocionálne značky ani prepis referenčnej nahrávky. Zdrojový text určuje, čo sa povie, kým zvuková referencia usmerňuje prednes.
Prehľad opisuje prispôsobenie hlasu už z dvoch až troch sekúnd zvuku. Opis architektúry rozoberá hlasové zadania s dĺžkou päť až dvadsaťpäť sekúnd. Tieto vyjadrenia majú odlišný rozsah: krátky príklad prispôsobenia nie je požiadavkou používať čo najkratšiu referenciu. Vyberte čistú reč reprezentujúcu štýl a prízvuk požadované pre konečný výsledok.
Vydaná karta zahŕňa dvadsať prednastavených hlasov a prispôsobovanie novým hlasom. Hlasový postup výrobcu môže používať uložený hlasový profil alebo jednorazový referenčný klip. Uloženie profilu umožňuje opätovne používať rovnakú hlasovú referenciu v samostatných požiadavkách reči, kým jednorazový klip ju dodáva aktuálnej úlohe. Profil a generovaná nahrávka sú odlišné výsledky.
Jazyky a prednes medzi jazykmi
Vydanie podporuje angličtinu, francúzštinu, španielčinu, nemčinu, taliančinu, portugalčinu, holandčinu, arabčinu a hindčinu; výrobca opisuje dialektovú variabilitu, prenos hlasu medzi jazykmi a miešanie jazykov. Pre najlepší výsledok príručka reči odporúča zhodu jazyka referencie s jazykom textu. Prenos medzi jazykmi môže zachovať prízvuk referencie pri vyslovovaní pripraveného textu v inom podporovanom jazyku.
Praktická úloha rozprávania môže používať rovnaký hlasový štýl pre vysvetlenie v rôznych podporovaných jazykoch, s každým textom pripraveným pre zamýšľaného poslucháča. Odpoveď hlasového asistenta môže používať krátky konverzačný scenár namiesto čítania neupraveného dokumentu nahlas. Model prevodu textu na reč realizuje pripravené slová; preklad alebo tvorba odpovede, ktoré tieto slová vytvárajú, sú samostatné kroky.
Príprava textu
Príručka reči výrobcu odporúča text vhodný na vyslovenie. Čísla a symboly zapíšte v podobe, ktorá sa má vysloviť, aby model nemusel vyberať medzi možnými čítaniami. Číslo môže predstavovať množstvo, čas alebo identifikátor; zamýšľané hovorené znenie definujte pred syntézou. Ak záleží na výslovnosti, skratky rozviňte alebo použite oddelené písmená, ak je to zamýšľané čítanie.
Vyhnite sa bohatému formátovaniu, emotikonom a špeciálnym znakom, ktoré sa nebudú realizovať ako hovorený obsah. Pripravte úplné vety s interpunkciou a znením potrebnými pre prednes. Príručka odporúča zadania pod 300 slov pre najlepšie výsledky. Ide o odporúčanie kvality, nie deklarovanú pevnú maximálnu dĺžku vstupu.
Pri vysvetlení postupu napíšte akciu a podmienku do vety, ktorú poslucháč dokáže sledovať. Pri ozname umiestnite dôležité informácie pred voliteľné podrobnosti. Pri hlasovej odpovedi zachovajte vecnú odpoveď a odstráňte formátovanie určené len na obrazovku alebo zdrojové označenia, ktoré nemajú zaznieť. Tieto prípravy robia samotný scenár vhodným na zvuk ešte predtým, než referencia určí jeho štýl.
Streamovanie, výstup a dĺžka
Výrobca dokumentuje základné aj streamované dodanie a opisuje natívne generovanie až dvoch minút zvuku. Karta vydaných váh uvádza aj dávkovú inferenciu pre prípravu viacerých hlasových úloh. Dlhšie generovania služby používajú prekladanie namiesto považovania jednej natívnej časti za neobmedzenú. Pri dlhšom rozprávaní pripravte súvislé úseky a ich hlasovú a textovú prípravu zachovajte v súlade s postupom dodania riešiacim pokračovanie.
Vydaná karta určuje zvuk 24 kHz a uvádza výstupné formáty WAV, PCM, FLAC, MP3, AAC a Opus. Príručka hlasovej služby rozoberá MP3 pre komprimované dodanie, WAV pre nekomprimovaný PCM, FLAC pre bezstratovú kompresiu a PCM alebo Opus pre streamovanie. Vyberte formát podporovaný pripojeným postupom a vhodný pre jeho prehrávač alebo spracovateľský krok. Výber formátu a správanie streamovania sú odlišné od samotného prispôsobovania hlasu.
Architektúra modelu a praktické hranice
Oznámenie opisuje autoregresívnu architektúru s párovaním tokov, so základným dekóderom Transformer 3.4B, akustickým Transformerom s 390 miliónmi parametrov a neurónovým zvukovým kodekom s 300 miliónmi parametrov. Dekóder predpovedá sémantický obsah a akustická zložka vytvára reprezentáciu reči, kým kodek spracúva zvuk. Tieto zložky vysvetľujú približné označenie modelu 4B; nie sú dodatočnými vstupnými jazykmi ani iným modelom generovania odpovedí.
Praktickým výstupom je syntetizovaná nahrávka alebo zvukový stream spojený s pripraveným scenárom a zvoleným hlasom. Pri generovaní viacerých úsekov tieto spojenia zachovajte, aby aplikácia mohla uložiť, prehrať alebo zostaviť správny materiál. Model vytvára zvuk, nie prepis, vektor sémantického vyhľadávania ani novo napísanú vecnú odpoveď.
Zachovajte hlasovú verziu 2603, podporovaný jazyk a referenčný štýl. Prečítané zdroje poskytujú tvrdenie o natívnych dvoch minútach a prípravné odporúčanie pod 300 slov, ale nestanovujú samostatný pevný maximálny počet znakov textu ani celkovú dĺžku spojenej nahrávky. Hotový zvukový výsledok definujte pomocou skutočného textu, hlasu a požiadaviek dodania.
POST /v1/audio/speechtextaudio| Pole | Typ | Požiadavka | Hodnoty a limity | Predvolené |
|---|---|---|---|---|
Polemodel | Typstring | PožiadavkaPovinné | Hodnoty a limity mistralai/voxtral-mini-tts-2603 | Predvolené— |
Poleinput | Typstring | PožiadavkaPovinné | Hodnoty a limity Minimálna dĺžka: 1 Jednotka: znaky Unicode | Predvolené— |
Polevoice | Typstring | PožiadavkaPovinné | Hodnoty a limity en_paul_sad, en_paul_neutral, en_paul_happy, en_paul_frustrated, en_paul_excited, en_paul_confident, en_paul_cheerful, en_paul_angry, gb_oliver_neutral, gb_oliver_sad, gb_oliver_excited, gb_oliver_curious, gb_oliver_confident, gb_oliver_cheerful, gb_oliver_angry, gb_jane_sarcasm, gb_jane_confused, gb_jane_shameful, gb_jane_sad, gb_jane_neutral, gb_jane_jealousy, gb_jane_frustrated, gb_jane_curious, gb_jane_confident, fr_marie_sad, fr_marie_neutral, fr_marie_happy, fr_marie_excited, fr_marie_curious, fr_marie_angry | Predvolené— |
Poleresponse_format | Typstring | PožiadavkaPovinné | Hodnoty a limity mp3 | Predvolené— |
text_to_speech · Povinné: input
| Parameter | Špecifikácia |
|---|---|
Parametercontent_type | Špecifikáciaapplication/json |
Parameterrequired | Špecifikáciamodel, input, voice, response_format |
Parametervoice_ids | Špecifikáciaen_paul_sad, en_paul_neutral, en_paul_happy, en_paul_frustrated, en_paul_excited, en_paul_confident, en_paul_cheerful, en_paul_angry, gb_oliver_neutral, gb_oliver_sad, gb_oliver_excited, gb_oliver_curious, gb_oliver_confident, gb_oliver_cheerful, gb_oliver_angry, gb_jane_sarcasm, gb_jane_confused, gb_jane_shameful, gb_jane_sad, gb_jane_neutral, gb_jane_jealousy, gb_jane_frustrated, gb_jane_curious, gb_jane_confident, fr_marie_sad, fr_marie_neutral, fr_marie_happy, fr_marie_excited, fr_marie_curious, fr_marie_angry |
Parameterresponse_format | Špecifikáciamp3 |
Parametermax_input_characters | Špecifikácianull |
Parameterother_options | Špecifikáciafalse |
Parameterinput | Špecifikáciapresný text UTF-8; počet znakov Unicode bez normalizácie |
Parametermaterial_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.
Tarifné údaje nepridávajú možnosti požiadavky. Podporované parametre sú uvedené pri vybranej metóde.
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 $0.032 za 1K vstupných znakov |
Referenčné sadzobníky modelu nemenia výber metódy, cenové odhady ani poplatky. Aktívne poplatky používajú sadzby vybranej metódy Ailoot.
| Konfigurácia | Podmienky účtovania | Poplatok |
|---|---|---|
| KonfiguráciaMistral: Voxtral Mini TTS · Predvolená konfigurácia | Podmienky účtovaniaPredvolená konfigurácia | Poplatok Vstup · Vstupné znaky 0,000032 USD za vstupný znak |
Ailoot pred požiadavkou rezervuje odhadovanú sumu. Po získaní výsledku vyúčtuje konečný poplatok podľa nameraného využitia. Pri streamovaní sa vyúčtovanie riadi konečným záznamom využitia. Ako funguje rezervácia a vyúčtovanie →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_VOICE_ID:?Choose an accepted voice ID from this exact model profile}"\nexport AILOOT_VOICE_ID\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/voxtral-mini-tts-2603", "input": "Good afternoon! This is a short voice take."}')\nvoice=os.environ["AILOOT_VOICE_ID"]\nallowed=json.loads('["en_paul_sad", "en_paul_neutral", "en_paul_happy", "en_paul_frustrated", "en_paul_excited", "en_paul_confident", "en_paul_cheerful", "en_paul_angry", "gb_oliver_neutral", "gb_oliver_sad", "gb_oliver_excited", "gb_oliver_curious", "gb_oliver_confident", "gb_oliver_cheerful", "gb_oliver_angry", "gb_jane_sarcasm", "gb_jane_confused", "gb_jane_shameful", "gb_jane_sad", "gb_jane_neutral", "gb_jane_jealousy", "gb_jane_frustrated", "gb_jane_curious", "gb_jane_confident", "fr_marie_sad", "fr_marie_neutral", "fr_marie_happy", "fr_marie_excited", "fr_marie_curious", "fr_marie_angry"]')\nif voice not in allowed: raise SystemExit("Choose an accepted voice ID from this exact model profile")\np["voice"]=voice\np["response_format"]="mp3"\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o speech.mp3\nmp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o media-assets.json\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_MEDIA_TASK_ID:?Set the actual ID returned by the response or media-library metadata}"\nexport AILOOT_MEDIA_TASK_ID\nresource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_MEDIA_TASK_ID"],safe=""))')\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/tasks/$resource_id" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o media-task.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("media-task.json").read_text())))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_ASSET_ID:?Set the actual ID returned by the response or media-library metadata}"\nexport AILOOT_ASSET_ID\nresource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_ASSET_ID"],safe=""))')\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/assets/$resource_id" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o media-asset.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("media-asset.json").read_text())))\nPY_RESULT\nUložte 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.
Uchovajte pôvodné operation_id/X-Client-Request-ID na zosúladenie záznamov bez opätovného odoslania; neexistuje samostatná trasa na priebežné zisťovanie stavu zvuku.
| Pole | Typ |
|---|---|
Polebinary audio | Typbytes |
Poleresponse headers | Typheaders |
| 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. |
Odpoveďserver_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. |
Ailoot Ultra mistralai/voxtral-mini-tts-2603
Použite cesty metód uvedené vyššie.