speech-02-hd
Speech-02 HD je model syntézy reči s dôrazom na kvalitu zvuku a podobnosť hlasu.
O modeli
Tento opis pokrýva možnosti modelu. Dostupné vstupy, výstupy a voľby v Ailoot sú uvedené nižšie pre vybranú metódu.
Hlas na hlasové spracovanie a dlhé čítanie
Speech 02 HD vytvára reč s dôrazom na kvalitu, rytmus a stálosť zvuku. Výrobca vyzdvihuje hlasové spracovanie materiálov a audioknihy, kde má hlas zachovať svoj charakter a rovnomerne prechádzať dlhým textom. Ide o model syntézy: prijíma text a premieňa ho na rečové audio.
Ako sa spájajú text a farba hlasu
Základom rodiny Speech 02 sú autoregresívna architektúra Transformer a trénovateľný enkóder hovoriaceho. Extrakcia farby hlasu a generovanie reči sa trénovali spoločne, aby sa vlastnosti hlasu zosúladili s obsahom. Možnosti rodiny zahŕňajú používanie pripravených klonovaných hlasov a kombinovanie jazyka, prízvuku a spôsobu výslovnosti.
Emócia a viacjazyčné čítanie
Emocionálne zafarbenie sa môže určovať podľa významu textu alebo zadávať ručne. Dostupné sú radosť, smútok, hnev, strach, odpor, prekvapenie a pokoj. Model pracuje s ruštinou, angličtinou a ďalšími jazykmi; výrobca opisuje rôzne prízvuky anglickej reči, čínštinu a kantončinu, japončinu, kórejčinu, európske a ďalšie jazyky.
V aktuálnom opise Speech 02 sú samostatne vylúčené perzština, filipínčina a tamilčina. Všeobecný jazykový zoznam novších generácií Speech sa nemá automaticky prenášať na túto verziu.
Nastavenie hlasu
Pre syntézu sú k dispozícii výber hlasu, zmena rýchlosti 0,5–2, hlasitosti nad 0 a do 10, výšky od −12 do 12. V slovníku výslovnosti možno nastaviť náhradu zápisu požadovaným čítaním; podporované sú fonetické zápisy a japonské varianty výslovnosti. To pomáha riadiť, ako zaznejú mená a nejednoznačné slová.
Pauzy a hotové audio
Výrobca umožňuje zadávať pauzy medzi vyslovovanými úsekmi s trvaním 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. Text jednej synchrónnej požiadavky musí obsahovať menej ako 10 000 znakov. K dispozícii je získanie celého zvuku aj postupne; pri texte nad 3000 znakov sa odporúča streamovanie.
Medzi formáty modelu patria MP3, WAV, FLAC a PCM; všeobecné nastavenia syntézy opisujú aj Opus a varianty G.711 μ-law. Možno použiť mono alebo stereo. V tejto karte je dostupné hlasové spracovanie textu, zatiaľ čo samostatná príprava hlasu a rozšírené nastavenia sa uplatňujú len v rámci podporovaného spôsobu volania cez Ailoot.
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 · Syntéza reči POST /v1/audio/speech speech-02-hd
speech-02-hdÚvod
Speech-02 HD je model syntézy reči s dôrazom na kvalitu zvuku a podobnosť hlasu.
- Povolené vstupy
- Text
- Výsledky
- speech
Dostupné v Ailoot · vstupy a metódy
Ailoot · Syntéza reči POST /v1/audio/speech
- Vstup
text- Výstup
speech- Výstupný formát
- mp3
| Pole | Typ | Požiadavka | Hodnoty a limity | Predvolené |
|---|---|---|---|---|
Polemodel | Typstring | PožiadavkaPovinné | Hodnoty a limity speech-02-hd | Predvolené— |
Poleinput | Typstring | PožiadavkaPovinné | Hodnoty a limity Minimálna dĺžka: 1 Maximálna dĺžka (bez zahrnutia hranice): 10 000 Jednotka: znaky Unicode | Predvolené— |
Polevoice | Typstring | PožiadavkaPovinné | Hodnoty a limity Vzor: ^[A-Za-z0-9_-]{1,128}$ | Predvolené— |
Poleresponse_format | Typstring | PožiadavkaVoliteľné | Hodnoty a limity mp3 | Predvolené— |
Kombinácie vstupných podkladov
text_to_speech · Povinné: input
Parametre a životný cyklus metódy
| Parameter | Špecifikácia |
|---|---|
Parametermaterial_types | Špecifikáciatext |
Parameterrequired | Špecifikácianull |
Parameteroptional_controls | Špecifikácianull |
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}
Štruktúry metód a ID sú presné; možnosti dodávateľa sa posudzujú oddelene od prijatia požiadavky.
Cenník
Sadzby metód Ailoot
POST /v1/audio/speech- Vstup
- 100,00 USD za 1 milión znakov
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 · Syntéza reči
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
Prijať a uložiť výsledky
Ailoot · Syntéza reči
mp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
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 |
|---|---|
Polebinary audio | Typbytes |
Poleresponse 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. |
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. |
Aliasy
Aliasy modelov
Ailoot speech-02-hd
Aliasy ciest metód
Použite cesty metód uvedené vyššie.
Súvisiace ID na volanie
FAQ · speech-02-hd
- Aké vstupy a výsledky sú dostupné?
POST /v1/audio/speech·speech-02-hd:text→speech- Aké polia používa požiadavka?
POST /v1/audio/speech·speech-02-hd:model,input,voice,response_format