{ "aboutHtml": "

MiniMax Speech 01 Turbo priloženo besedilo pretvori v govorjeni zvok. Njegov natančni ID modela Ailoot je minimax/speech-01-turbo, dokumentirani izbirnik sinteze pa speech-01-turbo. Metodo audio_speech uporabite za spremljevalni govor, govorjeno lekcijo, razlago izdelka ali osnutek pripovedi, za katerega že imate besedilo. Vhod je odlomek za branje, rezultat pa sintetizirani govor v izbranem zvočnem formatu.

Besedilo pripravite kot besede, namenjene izgovoru, z ločili, ki odražajo členitev govora. Pri osnutku pripovedi pred izbiro glasovnih nastavitev podajte dokončni vrstni red stavkov in zapis imen. Režijska navodila ločite od govorjenega odlomka, razen če te besede sodijo v posnetek. V rezultatu poslušajte pomembna imena, številke in prehode ter jih primerjajte z izvornim besedilom.

Besedilo mora biti krajše od 10 000 znakov. Objavljena pogodba sinteze zahteva model in text. Za daljše gradivo pripravite odlomke znotraj te omejitve in ohranite njihov vrstni red za urejanje. Sinhroni profil uporablja celovit odgovor, pri čemer je stream=false dokumentirana privzeta vrednost. Splošni API opisuje tudi možnosti pretočnega prenosa, vendar je izbrana metoda te kartice sinhroni govorni postopek.

voice_setting izbere razpoložljivi voice_id in upravlja speed, vol ter pitch. Dokumentirani razpon speed je 0,5–2 s privzeto vrednostjo 1. vol mora biti večji od 0 in največ 10, s privzeto vrednostjo 1; pitch je celo število od -12 do 12 s privzeto vrednostjo 0. Vsaka nastavitev naj služi odlomku: primerjajte tempo branja in slišnost dejanskega posnetka, namesto da predpostavljate, da številčna sprememba ustvari določeno izvedbo.

Dokumentirane vrednosti emotion so happy, sad, angry, fearful, disgusted, surprised, calm in fluent. Čustveno izražanje modela lahko usmerja tudi besedilo. text_normalization je ločena logična možnost za pripravo branja števil v kitajščini in angleščini, latex_read pa upravlja branje formul LaTeX; obe imata privzeto vrednost false. pronunciation_dict.tone lahko vsebuje dokumentirana nadomestna pravila izgovarjave. Ime ali strokovni izraz preverite v nastalem zvoku, preden ga uporabite v daljši pripovedi.

audio_setting.format sprejema mp3, pcm, flac ali wav, privzeto pa je mp3. sample_rate sprejema 8000, 16000, 22050, 24000, 32000 ali 44100 in ima privzeto vrednost 32000. bitrate sprejema 32000, 64000, 128000 ali 256000, ima privzeto vrednost 128000 in velja za MP3. channel izbere 1 za mono ali 2 za stereo, s privzeto vrednostjo 1. Te izbire hranite skupaj z izvornim odlomkom, da lahko vrnjeno datoteko preverite glede na želeno mesto urejanja ali predvajanja.

Dodatne dokumentirane možnosti vključujejo language_boost, katerega natančne poimenovane izbire vključujejo English, Russian, Chinese in Chinese,Yue; za odlomek izberite dejansko navedeno vrednost. timber_weights lahko združuje obstoječe vnose voice_id s celoštevilskimi vrednostmi weight od 1 do 100. Objavljene vrednosti sound_effects so spacious_echo, auditorium_echo, lofi_telephone in robotic. To so izbirne možnosti za oblikovanje izbranega glasu; pri primerjavi branj zabeležite njihove dejanske nastavitve.

Sinhroni rezultat vsebuje ustvarjeni govor. output_format izbere url ali hex in ima v shemi sinteze privzeto vrednost hex. Prenesite datoteko, na katero kaže rezultat URL, ali pred predvajanjem dekodirajte rezultat hex v zvočne bajte. Vrnjene zvočne metapodatke, vključno s formatom, frekvenco vzorčenja, številom kanalov in velikostjo, hranite skupaj s posnetkom. subtitle_enable ima privzeto vrednost false in ob vklopu velja le za nepretočni izhod; vir za ta profil ne določa formata datoteke podnapisov.

Izvorni odlomek, natančni ID modela, izbiro glasu in dokončani posnetek shranite skupaj. Pred umestitvijo v video, lekcijo ali govorjeni vodič celotno branje preverite glede na želeno besedilo, premore in izbrane nastavitve podajanja. Če je odgovor nepopoln, ohranite identiteto izvirne zahteve in vrnjene podatke za uskladitev, preden zahtevate nov posnetek. Poznejša predelava lahko spremeni določeno frazo ali glasovno nastavitev, preostalo besedilo pa ohrani za jasno primerjavo.

", "aboutText": "MiniMax Speech 01 Turbo priloženo besedilo pretvori v govorjeni zvok. Njegov natančni ID modela Ailoot je minimax/speech-01-turbo, dokumentirani izbirnik sinteze pa speech-01-turbo. Metodo audio_speech uporabite za spremljevalni govor, govorjeno lekcijo, razlago izdelka ali osnutek pripovedi, za katerega že imate besedilo. Vhod je odlomek za branje, rezultat pa sintetizirani govor v izbranem zvočnem formatu.\n\nBesedilo pripravite kot besede, namenjene izgovoru, z ločili, ki odražajo členitev govora. Pri osnutku pripovedi pred izbiro glasovnih nastavitev podajte dokončni vrstni red stavkov in zapis imen. Režijska navodila ločite od govorjenega odlomka, razen če te besede sodijo v posnetek. V rezultatu poslušajte pomembna imena, številke in prehode ter jih primerjajte z izvornim besedilom.\n\nBesedilo mora biti krajše od 10 000 znakov. Objavljena pogodba sinteze zahteva model in text. Za daljše gradivo pripravite odlomke znotraj te omejitve in ohranite njihov vrstni red za urejanje. Sinhroni profil uporablja celovit odgovor, pri čemer je stream=false dokumentirana privzeta vrednost. Splošni API opisuje tudi možnosti pretočnega prenosa, vendar je izbrana metoda te kartice sinhroni govorni postopek.\n\nvoice_setting izbere razpoložljivi voice_id in upravlja speed, vol ter pitch. Dokumentirani razpon speed je 0,5–2 s privzeto vrednostjo 1. vol mora biti večji od 0 in največ 10, s privzeto vrednostjo 1; pitch je celo število od -12 do 12 s privzeto vrednostjo 0. Vsaka nastavitev naj služi odlomku: primerjajte tempo branja in slišnost dejanskega posnetka, namesto da predpostavljate, da številčna sprememba ustvari določeno izvedbo.\n\nDokumentirane vrednosti emotion so happy, sad, angry, fearful, disgusted, surprised, calm in fluent. Čustveno izražanje modela lahko usmerja tudi besedilo. text_normalization je ločena logična možnost za pripravo branja števil v kitajščini in angleščini, latex_read pa upravlja branje formul LaTeX; obe imata privzeto vrednost false. pronunciation_dict.tone lahko vsebuje dokumentirana nadomestna pravila izgovarjave. Ime ali strokovni izraz preverite v nastalem zvoku, preden ga uporabite v daljši pripovedi.\n\naudio_setting.format sprejema mp3, pcm, flac ali wav, privzeto pa je mp3. sample_rate sprejema 8000, 16000, 22050, 24000, 32000 ali 44100 in ima privzeto vrednost 32000. bitrate sprejema 32000, 64000, 128000 ali 256000, ima privzeto vrednost 128000 in velja za MP3. channel izbere 1 za mono ali 2 za stereo, s privzeto vrednostjo 1. Te izbire hranite skupaj z izvornim odlomkom, da lahko vrnjeno datoteko preverite glede na želeno mesto urejanja ali predvajanja.\n\nDodatne dokumentirane možnosti vključujejo language_boost, katerega natančne poimenovane izbire vključujejo English, Russian, Chinese in Chinese,Yue; za odlomek izberite dejansko navedeno vrednost. timber_weights lahko združuje obstoječe vnose voice_id s celoštevilskimi vrednostmi weight od 1 do 100. Objavljene vrednosti sound_effects so spacious_echo, auditorium_echo, lofi_telephone in robotic. To so izbirne možnosti za oblikovanje izbranega glasu; pri primerjavi branj zabeležite njihove dejanske nastavitve.\n\nSinhroni rezultat vsebuje ustvarjeni govor. output_format izbere url ali hex in ima v shemi sinteze privzeto vrednost hex. Prenesite datoteko, na katero kaže rezultat URL, ali pred predvajanjem dekodirajte rezultat hex v zvočne bajte. Vrnjene zvočne metapodatke, vključno s formatom, frekvenco vzorčenja, številom kanalov in velikostjo, hranite skupaj s posnetkom. subtitle_enable ima privzeto vrednost false in ob vklopu velja le za nepretočni izhod; vir za ta profil ne določa formata datoteke podnapisov.\n\nIzvorni odlomek, natančni ID modela, izbiro glasu in dokončani posnetek shranite skupaj. Pred umestitvijo v video, lekcijo ali govorjeni vodič celotno branje preverite glede na želeno besedilo, premore in izbrane nastavitve podajanja. Če je odgovor nepopoln, ohranite identiteto izvirne zahteve in vrnjene podatke za uskladitev, preden zahtevate nov posnetek. Poznejša predelava lahko spremeni določeno frazo ali glasovno nastavitev, preostalo besedilo pa ohrani za jasno primerjavo.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "fd013e548b39b0cfdc46441dfe5c6f9a1b06f4a4a9483d176c03f8ad1ed4dcf1", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "sl", "methods": [ { "html": "
MM

MiniMax: Speech 01 Turbo

MiniMax /minimax/speech-01-turbo

Začetek

MiniMax Speech 01 Turbo priloženo besedilo prebere kot ustvarjeni govor prek sinhrone zahteve audio_speech. Sprejema besedilo, krajše od 10 000 znakov, ter ponuja nastavitve glasu, tempa in višine tona z izhodom MP3, PCM, FLAC ali WAV.

Dovoljeni vhodi
Besedilo
Rezultati
Zvok
O modelu

Ta opis zajema zmožnosti modela. Vhodi, izhodi in možnosti, ki so na voljo v Ailoot, so spodaj navedeni za izbrano metodo.

MiniMax Speech 01 Turbo priloženo besedilo pretvori v govorjeni zvok. Njegov natančni ID modela Ailoot je minimax/speech-01-turbo, dokumentirani izbirnik sinteze pa speech-01-turbo. Metodo audio_speech uporabite za spremljevalni govor, govorjeno lekcijo, razlago izdelka ali osnutek pripovedi, za katerega že imate besedilo. Vhod je odlomek za branje, rezultat pa sintetizirani govor v izbranem zvočnem formatu.

Besedilo pripravite kot besede, namenjene izgovoru, z ločili, ki odražajo členitev govora. Pri osnutku pripovedi pred izbiro glasovnih nastavitev podajte dokončni vrstni red stavkov in zapis imen. Režijska navodila ločite od govorjenega odlomka, razen če te besede sodijo v posnetek. V rezultatu poslušajte pomembna imena, številke in prehode ter jih primerjajte z izvornim besedilom.

Besedilo mora biti krajše od 10 000 znakov. Objavljena pogodba sinteze zahteva model in text. Za daljše gradivo pripravite odlomke znotraj te omejitve in ohranite njihov vrstni red za urejanje. Sinhroni profil uporablja celovit odgovor, pri čemer je stream=false dokumentirana privzeta vrednost. Splošni API opisuje tudi možnosti pretočnega prenosa, vendar je izbrana metoda te kartice sinhroni govorni postopek.

voice_setting izbere razpoložljivi voice_id in upravlja speed, vol ter pitch. Dokumentirani razpon speed je 0,5–2 s privzeto vrednostjo 1. vol mora biti večji od 0 in največ 10, s privzeto vrednostjo 1; pitch je celo število od -12 do 12 s privzeto vrednostjo 0. Vsaka nastavitev naj služi odlomku: primerjajte tempo branja in slišnost dejanskega posnetka, namesto da predpostavljate, da številčna sprememba ustvari določeno izvedbo.

Dokumentirane vrednosti emotion so happy, sad, angry, fearful, disgusted, surprised, calm in fluent. Čustveno izražanje modela lahko usmerja tudi besedilo. text_normalization je ločena logična možnost za pripravo branja števil v kitajščini in angleščini, latex_read pa upravlja branje formul LaTeX; obe imata privzeto vrednost false. pronunciation_dict.tone lahko vsebuje dokumentirana nadomestna pravila izgovarjave. Ime ali strokovni izraz preverite v nastalem zvoku, preden ga uporabite v daljši pripovedi.

audio_setting.format sprejema mp3, pcm, flac ali wav, privzeto pa je mp3. sample_rate sprejema 8000, 16000, 22050, 24000, 32000 ali 44100 in ima privzeto vrednost 32000. bitrate sprejema 32000, 64000, 128000 ali 256000, ima privzeto vrednost 128000 in velja za MP3. channel izbere 1 za mono ali 2 za stereo, s privzeto vrednostjo 1. Te izbire hranite skupaj z izvornim odlomkom, da lahko vrnjeno datoteko preverite glede na želeno mesto urejanja ali predvajanja.

Dodatne dokumentirane možnosti vključujejo language_boost, katerega natančne poimenovane izbire vključujejo English, Russian, Chinese in Chinese,Yue; za odlomek izberite dejansko navedeno vrednost. timber_weights lahko združuje obstoječe vnose voice_id s celoštevilskimi vrednostmi weight od 1 do 100. Objavljene vrednosti sound_effects so spacious_echo, auditorium_echo, lofi_telephone in robotic. To so izbirne možnosti za oblikovanje izbranega glasu; pri primerjavi branj zabeležite njihove dejanske nastavitve.

Sinhroni rezultat vsebuje ustvarjeni govor. output_format izbere url ali hex in ima v shemi sinteze privzeto vrednost hex. Prenesite datoteko, na katero kaže rezultat URL, ali pred predvajanjem dekodirajte rezultat hex v zvočne bajte. Vrnjene zvočne metapodatke, vključno s formatom, frekvenco vzorčenja, številom kanalov in velikostjo, hranite skupaj s posnetkom. subtitle_enable ima privzeto vrednost false in ob vklopu velja le za nepretočni izhod; vir za ta profil ne določa formata datoteke podnapisov.

Izvorni odlomek, natančni ID modela, izbiro glasu in dokončani posnetek shranite skupaj. Pred umestitvijo v video, lekcijo ali govorjeni vodič celotno branje preverite glede na želeno besedilo, premore in izbrane nastavitve podajanja. Če je odgovor nepopoln, ohranite identiteto izvirne zahteve in vrnjene podatke za uskladitev, preden zahtevate nov posnetek. Poznejša predelava lahko spremeni določeno frazo ali glasovno nastavitev, preostalo besedilo pa ohrani za jasno primerjavo.

Na voljo v Ailoot · vhodi in metode

Ailoot Ultra · Speech POST /v1/audio/speech
Vhod
text
Izhod
audio
Izhodni format
mp3,pcm,flac,wav
PoljeVrstaZahtevaVrednosti in omejitvePrivzeto
PoljemodelVrstastringZahtevaObveznoVrednosti in omejitve
minimax/speech-01-turbo
Privzeto—
PoljetextVrstastringZahtevaObveznoVrednosti in omejitvePrivzeto—
PoljestreamVrstabooleanZahtevaIzbirnoVrednosti in omejitve
false
Privzetofalse
Poljevoice_settingVrstaobjectZahtevaIzbirnoVrednosti in omejitvePrivzeto—
Poljevoice_setting.voice_idVrstastringZahtevaIzbirnoVrednosti in omejitvePrivzeto—
Poljevoice_setting.speedVrstanumberZahtevaIzbirnoVrednosti in omejitve
Najmanj: 0,5
Največ: 2
Privzeto1
Poljevoice_setting.volVrstanumberZahtevaIzbirnoVrednosti in omejitve
Najmanj: 0
Največ: 10
Privzeto1
Poljevoice_setting.pitchVrstaintegerZahtevaIzbirnoVrednosti in omejitve
Najmanj: −12
Največ: 12
Privzeto0
Poljevoice_setting.emotionVrstastringZahtevaIzbirnoVrednosti in omejitve
happy, sad, angry, fearful, disgusted, surprised, calm, fluent
Privzeto—
Poljevoice_setting.text_normalizationVrstabooleanZahtevaIzbirnoVrednosti in omejitvePrivzetofalse
Poljevoice_setting.latex_readVrstabooleanZahtevaIzbirnoVrednosti in omejitvePrivzetofalse
Poljeaudio_settingVrstaobjectZahtevaIzbirnoVrednosti in omejitvePrivzeto—
Poljeaudio_setting.sample_rateVrstaintegerZahtevaIzbirnoVrednosti in omejitve
8000, 16.000, 22.050, 24.000, 32.000, 44.100
Privzeto32.000
Poljeaudio_setting.bitrateVrstaintegerZahtevaIzbirnoVrednosti in omejitve
32.000, 64.000, 128.000, 256.000
Privzeto128.000
Poljeaudio_setting.formatVrstastringZahtevaIzbirnoVrednosti in omejitve
mp3, pcm, flac, wav
Privzetomp3
Poljeaudio_setting.channelVrstaintegerZahtevaIzbirnoVrednosti in omejitve
1, 2
Privzeto1
Poljeaudio_setting.force_cbrVrstabooleanZahtevaIzbirnoVrednosti in omejitvePrivzetofalse
Poljepronunciation_dictVrstaobjectZahtevaIzbirnoVrednosti in omejitvePrivzeto—
Poljepronunciation_dict.toneVrstaarrayZahtevaIzbirnoVrednosti in omejitvePrivzeto—
Poljetimber_weightsVrstaarrayZahtevaIzbirnoVrednosti in omejitvePrivzeto—
Poljelanguage_boostVrstastringZahtevaIzbirnoVrednosti in omejitve
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, auto
Privzeto—
Poljevoice_modifyVrstaobjectZahtevaIzbirnoVrednosti in omejitvePrivzeto—
Poljevoice_modify.pitchVrstaintegerZahtevaIzbirnoVrednosti in omejitve
−100, 100
Privzeto—
Poljevoice_modify.intensityVrstaintegerZahtevaIzbirnoVrednosti in omejitve
−100, 100
Privzeto—
Poljevoice_modify.timbreVrstaintegerZahtevaIzbirnoVrednosti in omejitve
−100, 100
Privzeto—
Poljevoice_modify.sound_effectsVrstastringZahtevaIzbirnoVrednosti in omejitve
spacious_echo, auditorium_echo, lofi_telephone, robotic
Privzeto—
Poljesubtitle_enableVrstabooleanZahtevaIzbirnoVrednosti in omejitvePrivzetofalse
Poljeoutput_formatVrstastringZahtevaIzbirnoVrednosti in omejitve
url, hex
Privzetohex
Poljeaigc_watermarkVrstabooleanZahtevaIzbirnoVrednosti in omejitvePrivzetofalse
Parametri in življenjski cikel metode
ParameterSpecifikacija
Parametercontent_typeSpecifikacijaapplication/json
ParameterrequiredSpecifikacijamodel, text
ParameteroptionalSpecifikacijastream, voice_setting, audio_setting, pronunciation_dict, timber_weights, language_boost, voice_modify, subtitle_enable, output_format, aigc_watermark
Parametermaterial_typesSpecifikacijatext
ParameterconditionsSpecifikacijaUse text, not input or contents. Fewer than 10000 Unicode characters; stream is false or omitted., PCM is raw audio with its returned sample geometry; do not invent a WAV header or bit depth.

Življenjski cikel: synchronous_result_then_owned_library

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Cenik

Tarifni podatki ne dodajajo možnosti zahteve. Podprti parametri so navedeni pri izbrani metodi.

Hitri način
Ni navedeno Ko je izbran hitri način
Način flex
Ni navedeno Ko je izbran način flex
Najvišja raven razmišljanja
Ni navedeno Ko najvišja raven razmišljanja uporablja privzeto prilagoditev (default)

Cene Ailoot

Cene po nastavitvah

Vsak strošek povežite s prikazanimi pogoji. Za vsak nabor alternativnih nastavitev uporabite eno ceno.

NastavitevCenovna lestvicaObračunska enotaStrošek
NastavitevOsnovne cene žetonovCenovna lestvicaOsnovna cenaObračunska enota—Strošek
Vhod · Vhodni žetoni — / 1K žetonov
Izhod · Izhodni žetoni — / 1K žetonov
Vhod · Branje predpomnilnika — / 1K žetonov
Vhod · Zapis v predpomnilnik — / 1K žetonov
Vhod · Zapis v predpomnilnik, 1 ura — / 1K žetonov
Nastavitevvhodni znakCenovna lestvica—Obračunska enotana vhodni znakStrošek
Vhod · vhodni znak $0.00006 na vhodni znak

Ailoot pred zahtevo rezervira ocenjeni znesek. Po rezultatu obračuna končni strošek na podlagi izmerjene porabe. Obračun pretakanja uporablja končni zapis porabe. Kako delujeta rezervacija in obračun →

Primeri zahtev

Ailoot Ultra · Speech

set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "minimax/speech-01-turbo", "text": "Hello, this is a short speech example.", "stream": false, "output_format": "hex", "audio_setting": {"format": "mp3", "sample_rate": 32000, "channel": 1}}')\n\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 result.json\n# Submit once. Retain the complete result, original identifiers and every response header.\n

Prejmi in shrani rezultate

Ailoot Ultra · Speech

mp3,pcm,flac,wav

Ohrani vse dokončane rezultate

Shranite vsak v celoti vrnjen odgovor, datoteko in del vsebine.

Retain the full JSON. Decode every hex audio byte or use the returned owned URL. Keep the actual format, sample rate, channel count and usage_characters.

Če je treba preveriti izvirni odgovor

Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.

Polja odgovora
PoljeVrsta
Poljedata.audioVrstastring
Poljeextra_infoVrstaobject
Poljetrace_idVrstastring

Druga imena

Druga imena modelov

Ailoot Ultra minimax/speech-01-turbo

Druga imena poti metod

Uporabite zgoraj navedene poti metod.

Povezani ID-ji za klic

minimax/speech-01-turbo

", "method_identity": { "effective_request_model_id": "minimax/speech-01-turbo", "fmt": "speech", "http": "POST", "path": "/v1/audio/speech", "request_model_id": "minimax/speech-01-turbo", "route_label": "Ultra" }, "method_key": "Ultra|speech|/v1/audio/speech|minimax%2Fspeech-01-turbo", "ordinal": 0, "rawMethod": { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Retain the complete response, all actual results, original identifiers, usage and response headers.", "authentication": { "api_key_source": "AILOOT_API_KEY", "header": "Authorization: Bearer" }, "example_body": { "audio_setting": { "channel": 1, "format": "mp3", "sample_rate": 32000 }, "model": "minimax/speech-01-turbo", "output_format": "hex", "stream": false, "text": "Hello, this is a short speech example." }, "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets", "query": { "cursor": "actual returned next_cursor, when present", "family": "audio" } }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "cancel_endpoint": null, "create": { "http": "POST", "path": "/v1/audio/speech" }, "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "owned_content": { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "Use the exact returned content_url. Refresh an expired link by reading the same existing asset." }, "status": [], "unknown": "Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.", "unknown_no_replay": true }, "outputs": { "all_results": "Retain the full JSON. Decode every hex audio byte or use the returned owned URL. Keep the actual format, sample rate, channel count and usage_characters.", "family": "audio", "fields": [ { "name": "data.audio", "type": "string" }, { "name": "extra_info", "type": "object" }, { "name": "trace_id", "type": "string" } ], "format": [ "mp3", "pcm", "flac", "wav" ] }, "parameters": [ { "default_known": false, "enum": [ "minimax/speech-01-turbo" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "default_known": false, "enum_known": false, "maxLength": 9999, "minLength": 1, "name": "text", "required": true, "type": "string" }, { "default": false, "default_known": true, "enum": [ false ], "enum_known": true, "name": "stream", "required": false, "type": "boolean" }, { "default_known": false, "enum_known": false, "name": "voice_setting", "properties": { "emotion": { "enum": [ "happy", "sad", "angry", "fearful", "disgusted", "surprised", "calm", "fluent" ], "type": "string" }, "latex_read": { "default": false, "type": "boolean" }, "pitch": { "default": 0, "maximum": 12, "minimum": -12, "type": "integer" }, "speed": { "default": 1, "maximum": 2, "minimum": 0.5, "type": "number" }, "text_normalization": { "default": false, "type": "boolean" }, "voice_id": { "type": "string" }, "vol": { "default": 1, "exclusiveMinimum": true, "maximum": 10, "minimum": 0, "type": "number" } }, "required": false, "type": "object" }, { "default_known": false, "enum_known": false, "name": "voice_setting.voice_id", "required": false, "type": "string" }, { "default": 1, "default_known": true, "enum_known": false, "maximum": 2, "minimum": 0.5, "name": "voice_setting.speed", "required": false, "type": "number" }, { "default": 1, "default_known": true, "enum_known": false, "exclusiveMinimum": true, "maximum": 10, "minimum": 0, "name": "voice_setting.vol", "required": false, "type": "number" }, { "default": 0, "default_known": true, "enum_known": false, "maximum": 12, "minimum": -12, "name": "voice_setting.pitch", "required": false, "type": "integer" }, { "default_known": false, "enum": [ "happy", "sad", "angry", "fearful", "disgusted", "surprised", "calm", "fluent" ], "enum_known": true, "name": "voice_setting.emotion", "required": false, "type": "string" }, { "default": false, "default_known": true, "enum_known": false, "name": "voice_setting.text_normalization", "required": false, "type": "boolean" }, { "default": false, "default_known": true, "enum_known": false, "name": "voice_setting.latex_read", "required": false, "type": "boolean" }, { "default_known": false, "enum_known": false, "name": "audio_setting", "properties": { "bitrate": { "default": 128000, "enum": [ 32000, 64000, 128000, 256000 ], "type": "integer" }, "channel": { "default": 1, "enum": [ 1, 2 ], "type": "integer" }, "force_cbr": { "default": false, "type": "boolean" }, "format": { "default": "mp3", "enum": [ "mp3", "pcm", "flac", "wav" ], "type": "string" }, "sample_rate": { "default": 32000, "enum": [ 8000, 16000, 22050, 24000, 32000, 44100 ], "type": "integer" } }, "required": false, "type": "object" }, { "default": 32000, "default_known": true, "enum": [ 8000, 16000, 22050, 24000, 32000, 44100 ], "enum_known": true, "name": "audio_setting.sample_rate", "required": false, "type": "integer" }, { "default": 128000, "default_known": true, "enum": [ 32000, 64000, 128000, 256000 ], "enum_known": true, "name": "audio_setting.bitrate", "required": false, "type": "integer" }, { "default": "mp3", "default_known": true, "enum": [ "mp3", "pcm", "flac", "wav" ], "enum_known": true, "name": "audio_setting.format", "required": false, "type": "string" }, { "default": 1, "default_known": true, "enum": [ 1, 2 ], "enum_known": true, "name": "audio_setting.channel", "required": false, "type": "integer" }, { "default": false, "default_known": true, "enum_known": false, "name": "audio_setting.force_cbr", "required": false, "type": "boolean" }, { "default_known": false, "enum_known": false, "name": "pronunciation_dict", "properties": { "tone": { "items": { "type": "string" }, "type": "array" } }, "required": false, "type": "object" }, { "default_known": false, "enum_known": false, "items": { "type": "string" }, "name": "pronunciation_dict.tone", "required": false, "type": "array" }, { "default_known": false, "enum_known": false, "items": { "properties": { "voice_id": { "type": "string" }, "weight": { "type": "integer" } }, "type": "object" }, "name": "timber_weights", "required": false, "type": "array" }, { "default_known": false, "enum": [ "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", "auto" ], "enum_known": true, "name": "language_boost", "required": false, "type": "string" }, { "default_known": false, "enum_known": false, "name": "voice_modify", "properties": { "intensity": { "enum": [ -100, 100 ], "type": "integer" }, "pitch": { "enum": [ -100, 100 ], "type": "integer" }, "sound_effects": { "enum": [ "spacious_echo", "auditorium_echo", "lofi_telephone", "robotic" ], "type": "string" }, "timbre": { "enum": [ -100, 100 ], "type": "integer" } }, "required": false, "type": "object" }, { "default_known": false, "enum": [ -100, 100 ], "enum_known": true, "name": "voice_modify.pitch", "required": false, "type": "integer" }, { "default_known": false, "enum": [ -100, 100 ], "enum_known": true, "name": "voice_modify.intensity", "required": false, "type": "integer" }, { "default_known": false, "enum": [ -100, 100 ], "enum_known": true, "name": "voice_modify.timbre", "required": false, "type": "integer" }, { "default_known": false, "enum": [ "spacious_echo", "auditorium_echo", "lofi_telephone", "robotic" ], "enum_known": true, "name": "voice_modify.sound_effects", "required": false, "type": "string" }, { "default": false, "default_known": true, "enum_known": false, "name": "subtitle_enable", "required": false, "type": "boolean" }, { "default": "hex", "default_known": true, "enum": [ "url", "hex" ], "enum_known": true, "name": "output_format", "required": false, "type": "string" }, { "default": false, "default_known": true, "enum_known": false, "name": "aigc_watermark", "required": false, "type": "boolean" } ], "request_schema": { "properties": { "aigc_watermark": { "default": false, "type": "boolean" }, "audio_setting": { "properties": { "bitrate": { "default": 128000, "enum": [ 32000, 64000, 128000, 256000 ], "type": "integer" }, "channel": { "default": 1, "enum": [ 1, 2 ], "type": "integer" }, "force_cbr": { "default": false, "type": "boolean" }, "format": { "default": "mp3", "enum": [ "mp3", "pcm", "flac", "wav" ], "type": "string" }, "sample_rate": { "default": 32000, "enum": [ 8000, 16000, 22050, 24000, 32000, 44100 ], "type": "integer" } }, "type": "object" }, "language_boost": { "enum": [ "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", "auto" ], "type": "string" }, "model": { "enum": [ "minimax/speech-01-turbo" ], "type": "string" }, "output_format": { "default": "hex", "enum": [ "url", "hex" ], "type": "string" }, "pronunciation_dict": { "properties": { "tone": { "items": { "type": "string" }, "type": "array" } }, "type": "object" }, "stream": { "default": false, "enum": [ false ], "type": "boolean" }, "subtitle_enable": { "default": false, "type": "boolean" }, "text": { "maxLength": 9999, "minLength": 1, "type": "string" }, "timber_weights": { "items": { "properties": { "voice_id": { "type": "string" }, "weight": { "type": "integer" } }, "type": "object" }, "type": "array" }, "voice_modify": { "properties": { "intensity": { "enum": [ -100, 100 ], "type": "integer" }, "pitch": { "enum": [ -100, 100 ], "type": "integer" }, "sound_effects": { "enum": [ "spacious_echo", "auditorium_echo", "lofi_telephone", "robotic" ], "type": "string" }, "timbre": { "enum": [ -100, 100 ], "type": "integer" } }, "type": "object" }, "voice_setting": { "properties": { "emotion": { "enum": [ "happy", "sad", "angry", "fearful", "disgusted", "surprised", "calm", "fluent" ], "type": "string" }, "latex_read": { "default": false, "type": "boolean" }, "pitch": { "default": 0, "maximum": 12, "minimum": -12, "type": "integer" }, "speed": { "default": 1, "maximum": 2, "minimum": 0.5, "type": "number" }, "text_normalization": { "default": false, "type": "boolean" }, "voice_id": { "type": "string" }, "vol": { "default": 1, "exclusiveMinimum": true, "maximum": 10, "minimum": 0, "type": "number" } }, "type": "object" } }, "required": [ "model", "text" ], "type": "object" }, "schema_template": { "body": { "audio_setting": { "channel": 1, "format": "mp3", "sample_rate": 32000 }, "model": "minimax/speech-01-turbo", "output_format": "hex", "stream": false, "text": "Hello, this is a short speech example." }, "content_type": "application/json" } }, "input": { "conditions": [ "Use text, not input or contents. Fewer than 10000 Unicode characters; stream is false or omitted.", "PCM is raw audio with its returned sample geometry; do not invent a WAV header or bit depth." ], "content_type": "application/json", "material_types": [ "text" ], "optional": [ "stream", "voice_setting", "audio_setting", "pronunciation_dict", "timber_weights", "language_boost", "voice_modify", "subtitle_enable", "output_format", "aigc_watermark" ], "required": [ "model", "text" ] }, "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets", "query": { "cursor": "actual returned next_cursor, when present", "family": "audio" } }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "cancel_endpoint": null, "create": { "http": "POST", "path": "/v1/audio/speech" }, "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "owned_content": { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "Use the exact returned content_url. Refresh an expired link by reading the same existing asset." }, "status": [], "unknown": "Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.", "unknown_no_replay": true }, "method": { "http": "POST", "path": "/v1/audio/speech" }, "method_aliases": [], "output": { "all_results": "Retain the full JSON. Decode every hex audio byte or use the returned owned URL. Keep the actual format, sample rate, channel count and usage_characters.", "family": "audio", "fields": [ { "name": "data.audio", "type": "string" }, { "name": "extra_info", "type": "object" }, { "name": "trace_id", "type": "string" } ], "format": [ "mp3", "pcm", "flac", "wav" ] } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input character" }, "label": "input character", "units": [ { "amount": "0.00006", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.00006", "native_quantity": 1, "public_unit_label": "per input character", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_character" } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"minimax/speech-01-turbo\", \"text\": \"Hello, this is a short speech example.\", \"stream\": false, \"output_format\": \"hex\", \"audio_setting\": {\"format\": \"mp3\", \"sample_rate\": 32000, \"channel\": 1}}')\n\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 result.json\n# Submit once. Retain the complete result, original identifiers and every response header.\n", "label": "curl · create once and retain the complete result", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "speech", "http": "POST", "img_in": null, "img_out": null, "in": null, "input": [ "text" ], "label": "Speech", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": null, "output": [ "audio" ], "path": "/v1/audio/speech", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "per_request", "cache_read_price": null, "cache_write_1h_price": null, "cache_write_price": null, "fast_multiplier": null, "flex_multiplier": null, "image_input_price": null, "image_output_price": null, "input_price": null, "intervals": null, "max_reasoning_effort_multiplier": null, "output_price": null, "per_request_price": null, "unit_prices": { "audio_input_character": "0.00006" } }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input character" }, "label": "input character", "units": [ { "amount": "0.00006", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.00006", "native_quantity": 1, "public_unit_label": "per input character", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_character" } ] } ], "request_model_id": "minimax/speech-01-turbo", "route_label": "Ultra", "status_reads": [], "tiers": [], "unit": "per_request", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" }, { "amount": "0.00006", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.00006", "native_quantity": 1, "public_unit_label": "per input character", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_character" } ] } } ], "model_id": "minimax/speech-01-turbo", "nativeProvenance": { "input_facts_canonical_sha256": "7ee6864bbab340aaee5efaf151ea194bda96047aa873a4981745f988a00ca064", "input_html_sha256": "db96f255712cf2d3eec884c3f016befc53d87f657023bbe68600fcc968eb823b", "private_audit_sha256": "3f432035e0a90e456951384610822d78c44ed0b53bc137ba0eaabb67b2b015b6", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/sl/minimax-speech-01-turbo/", "description": "MiniMax Speech 01 Turbo priloženo besedilo prebere kot ustvarjeni govor prek sinhrone zahteve audio_speech. Sprejema besedilo, krajše od 10 000 znakov, ter ponuja nastavitve glasu, tempa in višine tona z izhodom MP3, PCM, FLAC ali WAV.", "locale": "sl", "md_url": "https://ailoot.ai/models/sl/minimax-speech-01-turbo/index.md", "title": "MiniMax: Speech 01 Turbo — Ailoot", "url": "https://ailoot.ai/models/sl/minimax-speech-01-turbo/" }, "rawModel": { "about": "MiniMax Speech 01 Turbo priloženo besedilo pretvori v govorjeni zvok. Njegov natančni ID modela Ailoot je minimax/speech-01-turbo, dokumentirani izbirnik sinteze pa speech-01-turbo. Metodo audio_speech uporabite za spremljevalni govor, govorjeno lekcijo, razlago izdelka ali osnutek pripovedi, za katerega že imate besedilo. Vhod je odlomek za branje, rezultat pa sintetizirani govor v izbranem zvočnem formatu.\n\nBesedilo pripravite kot besede, namenjene izgovoru, z ločili, ki odražajo členitev govora. Pri osnutku pripovedi pred izbiro glasovnih nastavitev podajte dokončni vrstni red stavkov in zapis imen. Režijska navodila ločite od govorjenega odlomka, razen če te besede sodijo v posnetek. V rezultatu poslušajte pomembna imena, številke in prehode ter jih primerjajte z izvornim besedilom.\n\nBesedilo mora biti krajše od 10 000 znakov. Objavljena pogodba sinteze zahteva model in text. Za daljše gradivo pripravite odlomke znotraj te omejitve in ohranite njihov vrstni red za urejanje. Sinhroni profil uporablja celovit odgovor, pri čemer je stream=false dokumentirana privzeta vrednost. Splošni API opisuje tudi možnosti pretočnega prenosa, vendar je izbrana metoda te kartice sinhroni govorni postopek.\n\nvoice_setting izbere razpoložljivi voice_id in upravlja speed, vol ter pitch. Dokumentirani razpon speed je 0,5–2 s privzeto vrednostjo 1. vol mora biti večji od 0 in največ 10, s privzeto vrednostjo 1; pitch je celo število od -12 do 12 s privzeto vrednostjo 0. Vsaka nastavitev naj služi odlomku: primerjajte tempo branja in slišnost dejanskega posnetka, namesto da predpostavljate, da številčna sprememba ustvari določeno izvedbo.\n\nDokumentirane vrednosti emotion so happy, sad, angry, fearful, disgusted, surprised, calm in fluent. Čustveno izražanje modela lahko usmerja tudi besedilo. text_normalization je ločena logična možnost za pripravo branja števil v kitajščini in angleščini, latex_read pa upravlja branje formul LaTeX; obe imata privzeto vrednost false. pronunciation_dict.tone lahko vsebuje dokumentirana nadomestna pravila izgovarjave. Ime ali strokovni izraz preverite v nastalem zvoku, preden ga uporabite v daljši pripovedi.\n\naudio_setting.format sprejema mp3, pcm, flac ali wav, privzeto pa je mp3. sample_rate sprejema 8000, 16000, 22050, 24000, 32000 ali 44100 in ima privzeto vrednost 32000. bitrate sprejema 32000, 64000, 128000 ali 256000, ima privzeto vrednost 128000 in velja za MP3. channel izbere 1 za mono ali 2 za stereo, s privzeto vrednostjo 1. Te izbire hranite skupaj z izvornim odlomkom, da lahko vrnjeno datoteko preverite glede na želeno mesto urejanja ali predvajanja.\n\nDodatne dokumentirane možnosti vključujejo language_boost, katerega natančne poimenovane izbire vključujejo English, Russian, Chinese in Chinese,Yue; za odlomek izberite dejansko navedeno vrednost. timber_weights lahko združuje obstoječe vnose voice_id s celoštevilskimi vrednostmi weight od 1 do 100. Objavljene vrednosti sound_effects so spacious_echo, auditorium_echo, lofi_telephone in robotic. To so izbirne možnosti za oblikovanje izbranega glasu; pri primerjavi branj zabeležite njihove dejanske nastavitve.\n\nSinhroni rezultat vsebuje ustvarjeni govor. output_format izbere url ali hex in ima v shemi sinteze privzeto vrednost hex. Prenesite datoteko, na katero kaže rezultat URL, ali pred predvajanjem dekodirajte rezultat hex v zvočne bajte. Vrnjene zvočne metapodatke, vključno s formatom, frekvenco vzorčenja, številom kanalov in velikostjo, hranite skupaj s posnetkom. subtitle_enable ima privzeto vrednost false in ob vklopu velja le za nepretočni izhod; vir za ta profil ne določa formata datoteke podnapisov.\n\nIzvorni odlomek, natančni ID modela, izbiro glasu in dokončani posnetek shranite skupaj. Pred umestitvijo v video, lekcijo ali govorjeni vodič celotno branje preverite glede na želeno besedilo, premore in izbrane nastavitve podajanja. Če je odgovor nepopoln, ohranite identiteto izvirne zahteve in vrnjene podatke za uskladitev, preden zahtevate nov posnetek. Poznejša predelava lahko spremeni določeno frazo ali glasovno nastavitev, preostalo besedilo pa ohrani za jasno primerjavo.", "alias_of": null, "aliases": [], "author": "MiniMax", "ctx": null, "formats": [ "speech" ], "id": "minimax/speech-01-turbo", "input": [ "text" ], "kind": "speech", "max_out": null, "methods": [ { "available": null, "cache_read": null, "cache_write": null, "cache_write_1h": null, "contract": { "data": { "all_results": "Retain the complete response, all actual results, original identifiers, usage and response headers.", "authentication": { "api_key_source": "AILOOT_API_KEY", "header": "Authorization: Bearer" }, "example_body": { "audio_setting": { "channel": 1, "format": "mp3", "sample_rate": 32000 }, "model": "minimax/speech-01-turbo", "output_format": "hex", "stream": false, "text": "Hello, this is a short speech example." }, "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets", "query": { "cursor": "actual returned next_cursor, when present", "family": "audio" } }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "cancel_endpoint": null, "create": { "http": "POST", "path": "/v1/audio/speech" }, "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "owned_content": { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "Use the exact returned content_url. Refresh an expired link by reading the same existing asset." }, "status": [], "unknown": "Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.", "unknown_no_replay": true }, "outputs": { "all_results": "Retain the full JSON. Decode every hex audio byte or use the returned owned URL. Keep the actual format, sample rate, channel count and usage_characters.", "family": "audio", "fields": [ { "name": "data.audio", "type": "string" }, { "name": "extra_info", "type": "object" }, { "name": "trace_id", "type": "string" } ], "format": [ "mp3", "pcm", "flac", "wav" ] }, "parameters": [ { "default_known": false, "enum": [ "minimax/speech-01-turbo" ], "enum_known": true, "name": "model", "required": true, "type": "string" }, { "default_known": false, "enum_known": false, "maxLength": 9999, "minLength": 1, "name": "text", "required": true, "type": "string" }, { "default": false, "default_known": true, "enum": [ false ], "enum_known": true, "name": "stream", "required": false, "type": "boolean" }, { "default_known": false, "enum_known": false, "name": "voice_setting", "properties": { "emotion": { "enum": [ "happy", "sad", "angry", "fearful", "disgusted", "surprised", "calm", "fluent" ], "type": "string" }, "latex_read": { "default": false, "type": "boolean" }, "pitch": { "default": 0, "maximum": 12, "minimum": -12, "type": "integer" }, "speed": { "default": 1, "maximum": 2, "minimum": 0.5, "type": "number" }, "text_normalization": { "default": false, "type": "boolean" }, "voice_id": { "type": "string" }, "vol": { "default": 1, "exclusiveMinimum": true, "maximum": 10, "minimum": 0, "type": "number" } }, "required": false, "type": "object" }, { "default_known": false, "enum_known": false, "name": "voice_setting.voice_id", "required": false, "type": "string" }, { "default": 1, "default_known": true, "enum_known": false, "maximum": 2, "minimum": 0.5, "name": "voice_setting.speed", "required": false, "type": "number" }, { "default": 1, "default_known": true, "enum_known": false, "exclusiveMinimum": true, "maximum": 10, "minimum": 0, "name": "voice_setting.vol", "required": false, "type": "number" }, { "default": 0, "default_known": true, "enum_known": false, "maximum": 12, "minimum": -12, "name": "voice_setting.pitch", "required": false, "type": "integer" }, { "default_known": false, "enum": [ "happy", "sad", "angry", "fearful", "disgusted", "surprised", "calm", "fluent" ], "enum_known": true, "name": "voice_setting.emotion", "required": false, "type": "string" }, { "default": false, "default_known": true, "enum_known": false, "name": "voice_setting.text_normalization", "required": false, "type": "boolean" }, { "default": false, "default_known": true, "enum_known": false, "name": "voice_setting.latex_read", "required": false, "type": "boolean" }, { "default_known": false, "enum_known": false, "name": "audio_setting", "properties": { "bitrate": { "default": 128000, "enum": [ 32000, 64000, 128000, 256000 ], "type": "integer" }, "channel": { "default": 1, "enum": [ 1, 2 ], "type": "integer" }, "force_cbr": { "default": false, "type": "boolean" }, "format": { "default": "mp3", "enum": [ "mp3", "pcm", "flac", "wav" ], "type": "string" }, "sample_rate": { "default": 32000, "enum": [ 8000, 16000, 22050, 24000, 32000, 44100 ], "type": "integer" } }, "required": false, "type": "object" }, { "default": 32000, "default_known": true, "enum": [ 8000, 16000, 22050, 24000, 32000, 44100 ], "enum_known": true, "name": "audio_setting.sample_rate", "required": false, "type": "integer" }, { "default": 128000, "default_known": true, "enum": [ 32000, 64000, 128000, 256000 ], "enum_known": true, "name": "audio_setting.bitrate", "required": false, "type": "integer" }, { "default": "mp3", "default_known": true, "enum": [ "mp3", "pcm", "flac", "wav" ], "enum_known": true, "name": "audio_setting.format", "required": false, "type": "string" }, { "default": 1, "default_known": true, "enum": [ 1, 2 ], "enum_known": true, "name": "audio_setting.channel", "required": false, "type": "integer" }, { "default": false, "default_known": true, "enum_known": false, "name": "audio_setting.force_cbr", "required": false, "type": "boolean" }, { "default_known": false, "enum_known": false, "name": "pronunciation_dict", "properties": { "tone": { "items": { "type": "string" }, "type": "array" } }, "required": false, "type": "object" }, { "default_known": false, "enum_known": false, "items": { "type": "string" }, "name": "pronunciation_dict.tone", "required": false, "type": "array" }, { "default_known": false, "enum_known": false, "items": { "properties": { "voice_id": { "type": "string" }, "weight": { "type": "integer" } }, "type": "object" }, "name": "timber_weights", "required": false, "type": "array" }, { "default_known": false, "enum": [ "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", "auto" ], "enum_known": true, "name": "language_boost", "required": false, "type": "string" }, { "default_known": false, "enum_known": false, "name": "voice_modify", "properties": { "intensity": { "enum": [ -100, 100 ], "type": "integer" }, "pitch": { "enum": [ -100, 100 ], "type": "integer" }, "sound_effects": { "enum": [ "spacious_echo", "auditorium_echo", "lofi_telephone", "robotic" ], "type": "string" }, "timbre": { "enum": [ -100, 100 ], "type": "integer" } }, "required": false, "type": "object" }, { "default_known": false, "enum": [ -100, 100 ], "enum_known": true, "name": "voice_modify.pitch", "required": false, "type": "integer" }, { "default_known": false, "enum": [ -100, 100 ], "enum_known": true, "name": "voice_modify.intensity", "required": false, "type": "integer" }, { "default_known": false, "enum": [ -100, 100 ], "enum_known": true, "name": "voice_modify.timbre", "required": false, "type": "integer" }, { "default_known": false, "enum": [ "spacious_echo", "auditorium_echo", "lofi_telephone", "robotic" ], "enum_known": true, "name": "voice_modify.sound_effects", "required": false, "type": "string" }, { "default": false, "default_known": true, "enum_known": false, "name": "subtitle_enable", "required": false, "type": "boolean" }, { "default": "hex", "default_known": true, "enum": [ "url", "hex" ], "enum_known": true, "name": "output_format", "required": false, "type": "string" }, { "default": false, "default_known": true, "enum_known": false, "name": "aigc_watermark", "required": false, "type": "boolean" } ], "request_schema": { "properties": { "aigc_watermark": { "default": false, "type": "boolean" }, "audio_setting": { "properties": { "bitrate": { "default": 128000, "enum": [ 32000, 64000, 128000, 256000 ], "type": "integer" }, "channel": { "default": 1, "enum": [ 1, 2 ], "type": "integer" }, "force_cbr": { "default": false, "type": "boolean" }, "format": { "default": "mp3", "enum": [ "mp3", "pcm", "flac", "wav" ], "type": "string" }, "sample_rate": { "default": 32000, "enum": [ 8000, 16000, 22050, 24000, 32000, 44100 ], "type": "integer" } }, "type": "object" }, "language_boost": { "enum": [ "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", "auto" ], "type": "string" }, "model": { "enum": [ "minimax/speech-01-turbo" ], "type": "string" }, "output_format": { "default": "hex", "enum": [ "url", "hex" ], "type": "string" }, "pronunciation_dict": { "properties": { "tone": { "items": { "type": "string" }, "type": "array" } }, "type": "object" }, "stream": { "default": false, "enum": [ false ], "type": "boolean" }, "subtitle_enable": { "default": false, "type": "boolean" }, "text": { "maxLength": 9999, "minLength": 1, "type": "string" }, "timber_weights": { "items": { "properties": { "voice_id": { "type": "string" }, "weight": { "type": "integer" } }, "type": "object" }, "type": "array" }, "voice_modify": { "properties": { "intensity": { "enum": [ -100, 100 ], "type": "integer" }, "pitch": { "enum": [ -100, 100 ], "type": "integer" }, "sound_effects": { "enum": [ "spacious_echo", "auditorium_echo", "lofi_telephone", "robotic" ], "type": "string" }, "timbre": { "enum": [ -100, 100 ], "type": "integer" } }, "type": "object" }, "voice_setting": { "properties": { "emotion": { "enum": [ "happy", "sad", "angry", "fearful", "disgusted", "surprised", "calm", "fluent" ], "type": "string" }, "latex_read": { "default": false, "type": "boolean" }, "pitch": { "default": 0, "maximum": 12, "minimum": -12, "type": "integer" }, "speed": { "default": 1, "maximum": 2, "minimum": 0.5, "type": "number" }, "text_normalization": { "default": false, "type": "boolean" }, "voice_id": { "type": "string" }, "vol": { "default": 1, "exclusiveMinimum": true, "maximum": 10, "minimum": 0, "type": "number" } }, "type": "object" } }, "required": [ "model", "text" ], "type": "object" }, "schema_template": { "body": { "audio_setting": { "channel": 1, "format": "mp3", "sample_rate": 32000 }, "model": "minimax/speech-01-turbo", "output_format": "hex", "stream": false, "text": "Hello, this is a short speech example." }, "content_type": "application/json" } }, "input": { "conditions": [ "Use text, not input or contents. Fewer than 10000 Unicode characters; stream is false or omitted.", "PCM is raw audio with its returned sample geometry; do not invent a WAV header or bit depth." ], "content_type": "application/json", "material_types": [ "text" ], "optional": [ "stream", "voice_setting", "audio_setting", "pronunciation_dict", "timber_weights", "language_boost", "voice_modify", "subtitle_enable", "output_format", "aigc_watermark" ], "required": [ "model", "text" ] }, "lifecycle": { "assets": [ { "http": "GET", "path": "/v1/media/assets", "query": { "cursor": "actual returned next_cursor, when present", "family": "audio" } }, { "http": "GET", "path": "/v1/media/assets/{asset_id}" } ], "cancel_endpoint": null, "create": { "http": "POST", "path": "/v1/audio/speech" }, "mode": "synchronous_result_then_owned_library", "operation_id_is_not_task_id": true, "owned_content": { "http": "GET", "path": "/v1/media/assets/{asset_id}/content", "url_source": "Use the exact returned content_url. Refresh an expired link by reading the same existing asset." }, "status": [], "unknown": "Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.", "unknown_no_replay": true }, "method": { "http": "POST", "path": "/v1/audio/speech" }, "method_aliases": [], "output": { "all_results": "Retain the full JSON. Decode every hex audio byte or use the returned owned URL. Keep the actual format, sample rate, channel count and usage_characters.", "family": "audio", "fields": [ { "name": "data.audio", "type": "string" }, { "name": "extra_info", "type": "object" }, { "name": "trace_id", "type": "string" } ], "format": [ "mp3", "pcm", "flac", "wav" ] } }, "ctx": null, "declared_pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input character" }, "label": "input character", "units": [ { "amount": "0.00006", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.00006", "native_quantity": 1, "public_unit_label": "per input character", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_character" } ] } ], "examples": [ { "code": "set -eu\n: \"${AILOOT_API_KEY:?Set your Ailoot API key}\"\nexport AILOOT_API_KEY\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{\"model\": \"minimax/speech-01-turbo\", \"text\": \"Hello, this is a short speech example.\", \"stream\": false, \"output_format\": \"hex\", \"audio_setting\": {\"format\": \"mp3\", \"sample_rate\": 32000, \"channel\": 1}}')\n\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 result.json\n# Submit once. Retain the complete result, original identifiers and every response header.\n", "label": "curl · create once and retain the complete result", "language": "bash" } ], "family": "openai", "fast_multiplier": null, "flex_multiplier": null, "fmt": "speech", "http": "POST", "img_in": null, "img_out": null, "in": null, "input": [ "text" ], "label": "Speech", "max_out": null, "max_reasoning_effort_multiplier": null, "method_aliases": [], "out": null, "output": [ "audio" ], "path": "/v1/audio/speech", "price_conditions": [ { "label": "Fast mode", "value": "Not specified", "when": "When fast mode is selected" }, { "label": "Flex mode", "value": "Not specified", "when": "When flex mode is selected" }, { "label": "Maximum reasoning effort", "value": "Not specified", "when": "When maximum reasoning effort uses the default adjustment" } ], "pricing": { "billing_mode": "per_request", "cache_read_price": null, "cache_write_1h_price": null, "cache_write_price": null, "fast_multiplier": null, "flex_multiplier": null, "image_input_price": null, "image_output_price": null, "input_price": null, "intervals": null, "max_reasoning_effort_multiplier": null, "output_price": null, "per_request_price": null, "unit_prices": { "audio_input_character": "0.00006" } }, "pricing_profiles": [ { "dimensions": { "regime": "base" }, "label": "Base token rates", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" } ] }, { "dimensions": { "quoted_unit": "per input character" }, "label": "input character", "units": [ { "amount": "0.00006", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.00006", "native_quantity": 1, "public_unit_label": "per input character", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_character" } ] } ], "request_model_id": "minimax/speech-01-turbo", "route_label": "Ultra", "status_reads": [], "tiers": [], "unit": "per_request", "units": [ { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "input_price", "label": "Input tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "output_price", "label": "Output tokens", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "output_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "out", "unit": "output_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_read_price", "label": "Cache read", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "cached_input_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "cached_input_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_price", "label": "Cache write", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "generic_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "generic_cache_creation_token" }, { "amount": null, "amount_unit": "usd_per_thousand_tokens", "billing_input": true, "estimate_only": false, "key": "cache_write_1h_price", "label": "Cache write, 1 hour", "native_amount_usd_per_unit": null, "native_quantity": 1, "native_unit": "one_hour_cache_creation_token", "public_unit_label": "/ 1K tokens", "quantity": 1000, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "one_hour_cache_creation_token" }, { "amount": "0.00006", "amount_unit": "usd_per_exact_native_unit", "billing_input": true, "estimate_only": false, "key": "audio_input_character", "label": "input character", "native_amount_usd_per_unit": "0.00006", "native_quantity": 1, "public_unit_label": "per input character", "quantity": 1, "quantity_is_estimate": false, "rate_role": "typed_native_retail_rate", "side": "in", "unit": "audio_input_character" } ] } ], "model_aliases": [ { "canonical_model_id": "minimax/speech-01-turbo", "request_model_id": "minimax/speech-01-turbo", "route_label": "Ultra" } ], "name": "MiniMax: Speech 01 Turbo", "price": { "in": "0.00006", "in_label": "per input character", "out": null, "out_label": null, "sort_in": null, "sort_out": null, "varies": false }, "short": "MiniMax Speech 01 Turbo priloženo besedilo prebere kot ustvarjeni govor prek sinhrone zahteve audio_speech. Sprejema besedilo, krajše od 10 000 znakov, ter ponuja nastavitve glasu, tempa in višine tona z izhodom MP3, PCM, FLAC ali WAV." }, "renderer_schema": { "method_order": "Original DTO methods order; every exact route/format/path/caller survives.", "prices": "Original public DTO fields and original native display HTML; no flattened or normalized offers." }, "representation": "exact-public-dto-and-native-renderer-html", "representationNotes": { "current_reference": { "about_json_pointer": "/aboutHtml", "methods": [ { "contract_json_pointer": "/methods/0/rawMethod/contract", "html_json_pointer": "/methods/0/html", "method_ordinal": 0 } ], "role": "current-semantic-reference" }, "raw_input": { "examples_role": "historical-input-not-current-ready-examples", "json_pointers": [ "/rawModel", "/methods/0/rawMethod" ], "role": "historical-owner-input" }, "schema": "ailoot-native-model-representations-v1" }, "schema": "ailoot-static-model-facts-v1", "schema_version": 1, "shortText": "MiniMax Speech 01 Turbo priloženo besedilo prebere kot ustvarjeni govor prek sinhrone zahteve audio_speech. Sprejema besedilo, krajše od 10 000 znakov, ter ponuja nastavitve glasu, tempa in višine tona z izhodom MP3, PCM, FLAC ali WAV.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "87422916681df4620115c3e918fa2d24301865bbd3674bb8b07c9384edb15200", "renderer_sha256": "dcba2271c18b0f9570a8b166e8d1e3166f121e096a58609c3a46da31562a1bf2" }, "sourceRevision": "5e736c6fd26e74549e48a9dbe8ed7dafb284c2acb31f9751a8778e75f3ece75f" }