speech-2.6-hd
Speech 2.6 HD je model za kakovostno sintezo govora s poudarkom na naravnosti 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.
Naraven glas za interakcijo
Speech 2.6 HD je namenjen naravni sintezi govora in scenarijem, pri katerih je pomembno hitro začeti odgovor. Proizvajalec pozornost posveča intonaciji, tekočnosti govora in obdelavi besedila pred izgovarjavo. Različica HD poudarja kakovost zvoka; vhod te kartice je besedilo, izhod pa govorni zvok.
Branje nestandardnih zapisov
Generacija Speech 2.6 zna obdelovati zapise, ki se pogosto pojavljajo v delovnih sporočilih: naslove strani, elektronsko pošto, telefonske številke, datume in denarne zneske. Model jih pretvori v izgovorljivo obliko, da replika ostane razumljiva pri poslušanju. Proizvajalec takšne naloge opisuje v več jezikih.
Tekoč govor z ohranjanjem barve glasu
Pri Speech 2.6 je predviden način izboljševanja tekočnosti Fluent LoRA. Namenjen je sintezi na podlagi pripravljenega glasu: pomaga ohranjati barvo glasu in hkrati oblikovati bolj povezan govor, tudi če je bil izvirni vzorec neenakomeren ali je vseboval naglas. Priprava kloniranega glasu in njegova uporaba pri govorni izvedbi sta različni dejanji.
Podprtih je 40 jezikov, vključno z ruščino. Poleg sedmih osnovnih čustvenih stanj sta za Speech 2.6 predvideni možnosti tekočega govora fluent in šepeta whisper. Če čustva ne določite, ga model izbere glede na pomen besedila.
Nastavitve izgovarjave
MiniMax predvideva izbiro glasu ter upravljanje tempa, glasnosti in višine tona. Hitrost se določi v razponu 0,5–2, glasnost je večja od 0 in do 10, sprememba višine pa od −12 do 12. Izbiro čustva lahko glede na pomen besedila prepustite modelu ali ga določite ročno: veselje, žalost, jeza, strah, gnus, presenečenje ali umirjenost.
Izgovarjavo lahko natančneje določite s slovarjem zamenjav in fonetičnim zapisom; predvideni so mednarodna fonetična abeceda, kitajski pinjin in japonske različice branja. Premori se določijo med izgovorjenimi odseki v razponu 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. Takšne nastavitve omogočajo uskladitev zvena imen, kratic in dvoumnih besed z zamislijo govorne izvedbe.
Dolžina besedila in zvok
Sinteza sprejema besedilo z manj kot 10 000 znaki. Za dolgo besedilo z več kot 3000 znaki proizvajalec priporoča pretočni izhod; predvideno je tudi pridobivanje končnega zvoka v celoti. Splošne nastavitve sinteze vključujejo MP3, PCM, FLAC, WAV, Opus in različice G.711 μ-law, mono ali stereo; razpoložljivi nabor formatov konkretne zahteve določajo sredstva Ailoot.
Po podatkih družbe MiniMax je generacija usmerjena v kratek odzivni čas pri glasovnih scenarijih. To je opis modela; čas konkretnega odgovora in razpoložljivost razširjenih nastavitev sta odvisna od izbranega načina dostopa v 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-2.6-hd
speech-2.6-hdZačetek
Speech 2.6 HD je model za kakovostno sintezo govora s poudarkom na naravnosti 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-2.6-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-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
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-2.6-hd
Druga imena poti metod
Uporabite zgoraj navedene poti metod.
Povezani ID-ji za klic
FAQ · speech-2.6-hd
- Kateri vhodi in rezultati so na voljo?
POST /v1/audio/speech·speech-2.6-hd:text→speech- Katera polja uporablja zahteva?
POST /v1/audio/speech·speech-2.6-hd:model,input,voice,response_format