speech-2.6-hd
Speech 2.6 HD je model kvalitnej syntézy reči s dôrazom na prirodzenosť a podobnosť hlasu.
O modeli
Tento opis pokrýva možnosti modelu. Dostupné vstupy, výstupy a voľby v Ailoot sú uvedené nižšie pre vybranú metódu.
Prirodzený hlas na interakciu
Speech 2.6 HD je určená na prirodzenú syntézu reči a scenáre, kde je dôležité rýchlo začať odpoveď. Výrobca venuje pozornosť intonácii, plynulosti reči a spracovaniu textu pred vyslovením. Variant HD kladie dôraz na kvalitu zvuku; vstupom tejto karty je text a výstupom rečové audio.
Čítanie neštandardných zápisov
Generácia Speech 2.6 dokáže spracovať zápisy, ktoré sa často vyskytujú v pracovných správach: adresy stránok, e-mailové adresy, telefónne čísla, dátumy a peňažné sumy. Model ich prevádza do vysloviteľnej podoby, aby replika zostala zrozumiteľná pri počúvaní. Výrobca opisuje tieto úlohy vo viacerých jazykoch.
Plynulá reč so zachovaním farby hlasu
Speech 2.6 poskytuje režim na zvýšenie plynulosti Fluent LoRA. Je určený na syntézu na základe pripraveného hlasu: pomáha zachovať farbu hlasu a pritom vytvárať súvislejšiu reč, aj keď bola pôvodná vzorka nerovnomerná alebo obsahovala prízvuk. Príprava klonovaného hlasu a jeho použitie pri hlasovom spracovaní sú rôzne činnosti.
Podporovaných je 40 jazykov, vrátane ruštiny. Okrem siedmich základných emocionálnych stavov má Speech 2.6 varianty plynulej reči fluent a šepotu whisper. Ak sa emócia neuvedie, model ju vyberá podľa významu textu.
Nastavenia prednesu
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.
Dĺžka textu a audio
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.
Podľa MiniMax je generácia zameraná na nízku latenciu v hlasových scenároch. Ide o opis modelu; čas konkrétnej odpovede a dostupnosť rozšírených nastavení závisia od zvoleného spôsobu volania v 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-2.6-hd
speech-2.6-hdÚvod
Speech 2.6 HD je model kvalitnej syntézy reči s dôrazom na prirodzenosť 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-2.6-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-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
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-2.6-hd
Aliasy ciest metód
Použite cesty metód uvedené vyššie.
Súvisiace ID na volanie
FAQ · speech-2.6-hd
- Aké vstupy a výsledky sú dostupné?
POST /v1/audio/speech·speech-2.6-hd:text→speech- Aké polia používa požiadavka?
POST /v1/audio/speech·speech-2.6-hd:model,input,voice,response_format