speech-02-hd
Speech-02 HD je model za sintezo govora s poudarkom na kakovosti zvoka in podobnosti glasu.
O modelu
Ta opis zajema zmožnosti modela. Vhodi, izhodi in možnosti, ki so na voljo v Ailoot, so spodaj navedeni za izbrano metodo.
Glas za govorno izvedbo in dolgo branje
Speech 02 HD ustvarja govor s poudarkom na kakovosti, ritmu in stalnosti zvena. Proizvajalec izpostavlja govorno izvedbo gradiva in zvočne knjige, pri katerih mora glas ohranjati značaj in enakomerno prehajati skozi dolgo besedilo. To je model za sintezo: sprejema besedilo in ga pretvori v govorni zvok.
Kako se povezujeta besedilo in barva glasu
Osnova družine Speech 02 sta avtoregresijska arhitektura Transformer in učljiv kodirnik govorca. Izluščanje barve glasu in ustvarjanje govora sta se učila skupaj, da bi značilnosti glasu uskladila z vsebino. Zmožnosti družine vključujejo uporabo pripravljenih kloniranih glasov ter kombiniranje jezika, naglasa in načina izgovarjave.
Čustvo in večjezično branje
Čustvena obarvanost se lahko določi glede na pomen besedila ali ročno. Na voljo so veselje, žalost, jeza, strah, gnus, presenečenje in umirjenost. Model dela z ruščino, angleščino in drugimi jeziki; proizvajalec opisuje različne naglase angleškega govora, kitajščino in kantonščino, japonščino, korejščino, evropske in druge jezike.
V trenutnem opisu Speech 02 so posebej izključene perzijščina, filipinščina in tamilščina. Splošnega jezikovnega seznama novejših generacij Speech ni mogoče samodejno prenesti na to različico.
Nastavitev glasu
Za sintezo so predvideni izbira glasu, spreminjanje hitrosti 0,5–2, glasnost nad 0 in do 10 ter višina od −12 do 12. V slovarju izgovarjave lahko zapis zamenjate z želenim branjem; podprti so fonetični zapisi in japonske različice izgovarjave. To pomaga usmerjati zven imen in dvoumnih besed.
Premori in končni zvok
Proizvajalec omogoča določanje premorov med izgovorjenimi odseki v dolžini 0,01–99,99 sekunde. Trajanje premora se določi na dve decimalni mesti natančno; oznake se postavijo med izgovorjene odseke in ne druga za drugo. Besedilo ene sinhrone zahteve mora vsebovati manj kot 10 000 znakov. Predvideno je pridobivanje zvoka v celoti in postopoma; za besedilo z več kot 3000 znaki je priporočen pretočni izhod.
Med formati modela so MP3, WAV, FLAC in PCM; splošne nastavitve sinteze opisujejo tudi Opus in različice G.711 μ-law. Uporabite lahko mono ali stereo. V tej kartici je na voljo pretvorba besedila v govor, ločena priprava glasu in razširjene nastavitve pa se uporabljajo samo v okviru podprtega načina dostopa prek Ailoot.
Dodatne nastavitve zvoka vključujejo frekvence vzorčenja 8, 16, 22,05, 24, 32 in 44,1 kHz. Za MP3 je predvidena bitna hitrost 32, 64, 128 ali 256 kbit/s. Spreminjate lahko tudi barvo glasu in uporabite en učinek: prostoren odmev, odmev dvorane, telefonski zven ali robotski glas. Učinki spreminjanja glasu so pri pridobivanju zvoka v celoti podprti za MP3, WAV in FLAC, pri pretočnem izhodu pa samo za MP3. Formati G.711 μ-law uporabljajo frekvenco 8 kHz. Te zmožnosti veljajo za nastavitve sinteze MiniMax.
Proizvajalec predvideva sinhronizacijo govora z besedilom: časovne oznake po povedih, besedah ali besedah pri postopnem izhodu. Takšen rezultat pomaga uskladiti izgovarjavo s prikazom besedila. Ta dodatna zmožnost zahteva podporo ustreznemu formatu odgovora.
Ailoot · Pretvorba v govor POST /v1/audio/speech speech-02-hd
speech-02-hdZačetek
Speech-02 HD je model za sintezo govora s poudarkom na kakovosti zvoka in podobnosti glasu.
- Dovoljeni vhodi
- Besedilo
- Rezultati
- speech
Na voljo v Ailoot · vhodi in metode
Ailoot · Pretvorba v govor POST /v1/audio/speech
- Vhod
text- Izhod
speech- Izhodni format
- mp3
| Polje | Vrsta | Zahteva | Vrednosti in omejitve | Privzeto |
|---|---|---|---|---|
Poljemodel | Vrstastring | ZahtevaObvezno | Vrednosti in omejitve speech-02-hd | Privzeto— |
Poljeinput | Vrstastring | ZahtevaObvezno | Vrednosti in omejitve Najmanjša dolžina: 1 Največja dolžina (izključno): 10.000 Enota: znaki Unicode | Privzeto— |
Poljevoice | Vrstastring | ZahtevaObvezno | Vrednosti in omejitve Vzorec: ^[A-Za-z0-9_-]{1,128}$ | Privzeto— |
Poljeresponse_format | Vrstastring | ZahtevaIzbirno | Vrednosti in omejitve mp3 | Privzeto— |
Kombinacije vhodnih gradiv
text_to_speech · Obvezno: input
Parametri in življenjski cikel metode
| Parameter | Specifikacija |
|---|---|
Parametermaterial_types | Specifikacijatext |
Parameterrequired | Specifikacijanull |
Parameteroptional_controls | Specifikacijanull |
Življenjski cikel: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · Dejansko vrnjeni task_id ali zapis v medijski knjižnici
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Strukture metod in ID so natančno določeni; zmožnost ponudnika je ločena od sprejema zahteve.
Cenik
Cene metod Ailoot
POST /v1/audio/speech- Vhod
- 100,00 $ na 1 milijon znakov
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 · Pretvorba v govor
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
Prejmi in shrani rezultate
Ailoot · Pretvorba v govor
mp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Ohrani vse dokončane rezultate
Shranite vsak v celoti vrnjen odgovor, datoteko in del vsebine.
Shranite celoten binarni rezultat in glave. Če so vrnjeni podatki JSON ali več izhodov, shranite vsak podatkovni element in pridobite vsebino z vsakega dejanskega podpisanega URL datoteke.
Če je treba preveriti izvirni odgovor
Shranite izvirni operation_id/X-Client-Request-ID za uskladitev evidenc brez ponovnega pošiljanja; namenska pot za periodično preverjanje zvoka ne obstaja.
Polja odgovora
| Polje | Vrsta |
|---|---|
Poljebinary audio | Vrstabytes |
Poljeresponse headers | Vrstaheaders |
Napake in naslednji koraki
| Odgovor | Pogoj | Naslednji korak |
|---|---|---|
Odgovor400 · invalid_request_error | PogojNeveljavna obvezna polja, predstavitev gradiva ali vrednost parametra | Naslednji korakPred novo zahtevo za ustvarjanje popravite navedena polja. |
Odgovorserver_error | PogojVrnjeni odgovor navaja, da je treba operacijo ali rezultat preveriti | Naslednji korakShranite izvirni vrnjeni ID operacije/opravila, glave zahteve in odgovor; nadaljujte s podprtimi branji te izvirne operacije. Zahteve za ustvarjanje ne pošiljajte znova. |
Druga imena
Druga imena modelov
Ailoot speech-02-hd
Druga imena poti metod
Uporabite zgoraj navedene poti metod.
Povezani ID-ji za klic
FAQ · speech-02-hd
- Kateri vhodi in rezultati so na voljo?
POST /v1/audio/speech·speech-02-hd:text→speech- Katera polja uporablja zahteva?
POST /v1/audio/speech·speech-02-hd:model,input,voice,response_format