Orpheus 3B 0.1 Fine-Tuned är Canopy Labs engelska text-till-tal-modell för vardaglig syntes. Den tillhör Orpheus-familjen, som bygger på en Llama 3B-bas, och fokuserar på naturlig intonation, rytm och uttrycksfullt framförande. Indata är texten som ska läsas upp, med en vald talare; utdata är talljud. Tillverkaren anger också röstkloning utan exempelträning, zero-shot, för just denna finjusterade modell. Det publicerade exemplet på finjusterad syntes använder förinställda talare, medan referensstyrda text–tal-promptar dokumenteras separat för den förtränade versionen. Den finjusterade versionen skiljer sig från den förtränade modellen och de separat släppta flerspråkiga forskningsmodellerna.
Tillverkaren listar åtta engelska förinställda röster: tara, leah, jess, leo, dan, mia, zac och zoe. Promptkonventionen placerar talarens namn före den talade texten, avskilt med kolon. Referensarbetsflödet för talgenerering kan lägga till denna formatering när rösten anges separat. Välj en talare för det avsedda innehållet och håll valet konsekvent över sammanhängande avsnitt.
Skriv den slutliga berättartexten för en kort förklaringsfilm i stället för en instruktion som ber modellen hitta på förklaringen. En användbar talad replik är: ”Välj mappen du vill dela, kontrollera vem som kan öppna den och spara ändringarna.” För dialog förbereder du varje talares replik uttryckligen och behåller interpunktionen som hjälper framförandet. En förkortning, ett datum eller ett produktnamn ska skrivas i den form som du vill att lyssnaren ska höra, särskilt när den skrivna kortformen skulle vara tvetydig.
Orpheus dokumenterar taggarna <laugh>, <chuckle>, <sigh>, <cough>, <sniffle>, <groan>, <yawn> och <gasp>. De ger texten en uttrycklig icke-verbal händelse vid den relevanta punkten. Ett kort samtalsavsnitt kan lägga ett småskratt före en lättsam kommentar eller en suck före en eftertänksam mening. Använd signalen där den hör hemma i framförandet och håll replikens faktiska ord tydliga.
Det här är signaler för talgenerering, inte ett allmänt instruktionsspråk för redigering av en befintlig inspelning. Börja med läsbar text för en voice-over och lägg bara till de uttryckshändelser som scenen behöver. Lyssna på hela repliken för att bedöma om händelsen, betoningen och tempot stödjer innebörden. En berättarröstuppgift kan kräva en jämn röst, medan en karaktärsreplik kan vinna på en specifik icke-verbal signal.
Tillverkaren tillhandahåller både en notebook utan strömning och ett exempel på strömmande tal. Strömning returnerar successiva ljuddelar medan avsnittet genereras. I det publicerade exemplet skrivs dessa delar till en mono-WAV-fil vid 24 000 Hz med 16-bitars sampel. Filinställningarna beskriver referensarbetsflödet; det användbara resultatet är en spelbar inspelning vars ord, talare och framförande kan jämföras med manuset.
För en längre berättarröst förbereder du sammanhängande avsnitt med tydliga meningsgränser och sparar en kopia av slutmanuset bredvid ljudet. Granska början och slutet av varje avsnitt, uttalet av viktiga namn och övergången mellan intilliggande inspelningar. Tillverkarens samplingsguide anger ett repetitionsstraff på minst 1.1 för stabil generering i referensimplementationen och påpekar att samplingsval kan påverka talhastigheten. Exemplets konfigurerade modellängd är en inferensinställning, inte en fastställd maximal längd för berättarröst.
Den här profilen gäller den finjusterade engelska modellen med dess dokumenterade förinställda talare. Den förtränade modellen har ett eget arbetsflöde för text- och talstyrning; flerspråkiga utgåvor har språkspecifika talare och taggar. Att välja den engelska versionen kombinerar inte dessa separata profiler. En praktisk leverans är ett talmanus, en avsiktligt vald förinställd röst och ljud som granskats avseende den ordalydelse och det framförande som innehållet kräver.
", "aboutText": "Orpheus 3B 0.1 Fine-Tuned är Canopy Labs engelska text-till-tal-modell för vardaglig syntes. Den tillhör Orpheus-familjen, som bygger på en Llama 3B-bas, och fokuserar på naturlig intonation, rytm och uttrycksfullt framförande. Indata är texten som ska läsas upp, med en vald talare; utdata är talljud. Tillverkaren anger också röstkloning utan exempelträning, zero-shot, för just denna finjusterade modell. Det publicerade exemplet på finjusterad syntes använder förinställda talare, medan referensstyrda text–tal-promptar dokumenteras separat för den förtränade versionen. Den finjusterade versionen skiljer sig från den förtränade modellen och de separat släppta flerspråkiga forskningsmodellerna.\n\n### Välj en talare och förbered repliken\n\nTillverkaren listar åtta engelska förinställda röster: tara, leah, jess, leo, dan, mia, zac och zoe. Promptkonventionen placerar talarens namn före den talade texten, avskilt med kolon. Referensarbetsflödet för talgenerering kan lägga till denna formatering när rösten anges separat. Välj en talare för det avsedda innehållet och håll valet konsekvent över sammanhängande avsnitt.\n\nSkriv den slutliga berättartexten för en kort förklaringsfilm i stället för en instruktion som ber modellen hitta på förklaringen. En användbar talad replik är: ”Välj mappen du vill dela, kontrollera vem som kan öppna den och spara ändringarna.” För dialog förbereder du varje talares replik uttryckligen och behåller interpunktionen som hjälper framförandet. En förkortning, ett datum eller ett produktnamn ska skrivas i den form som du vill att lyssnaren ska höra, särskilt när den skrivna kortformen skulle vara tvetydig.\n\n### Uttrycksfulla och icke-verbala signaler\n\nOrpheus dokumenterar taggarnacanopylabs/orpheus-3b-0.1-ftCanopy Labs finjusterade engelska talmodell Orpheus 3B omvandlar skrivna repliker till uttrycksfullt ljud. Åtta förinställda röster och icke-verbala taggar stöder berättarröst, dialog och talade applikationssvar.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Orpheus 3B 0.1 Fine-Tuned är Canopy Labs engelska text-till-tal-modell för vardaglig syntes. Den tillhör Orpheus-familjen, som bygger på en Llama 3B-bas, och fokuserar på naturlig intonation, rytm och uttrycksfullt framförande. Indata är texten som ska läsas upp, med en vald talare; utdata är talljud. Tillverkaren anger också röstkloning utan exempelträning, zero-shot, för just denna finjusterade modell. Det publicerade exemplet på finjusterad syntes använder förinställda talare, medan referensstyrda text–tal-promptar dokumenteras separat för den förtränade versionen. Den finjusterade versionen skiljer sig från den förtränade modellen och de separat släppta flerspråkiga forskningsmodellerna.
Tillverkaren listar åtta engelska förinställda röster: tara, leah, jess, leo, dan, mia, zac och zoe. Promptkonventionen placerar talarens namn före den talade texten, avskilt med kolon. Referensarbetsflödet för talgenerering kan lägga till denna formatering när rösten anges separat. Välj en talare för det avsedda innehållet och håll valet konsekvent över sammanhängande avsnitt.
Skriv den slutliga berättartexten för en kort förklaringsfilm i stället för en instruktion som ber modellen hitta på förklaringen. En användbar talad replik är: ”Välj mappen du vill dela, kontrollera vem som kan öppna den och spara ändringarna.” För dialog förbereder du varje talares replik uttryckligen och behåller interpunktionen som hjälper framförandet. En förkortning, ett datum eller ett produktnamn ska skrivas i den form som du vill att lyssnaren ska höra, särskilt när den skrivna kortformen skulle vara tvetydig.
Orpheus dokumenterar taggarna <laugh>, <chuckle>, <sigh>, <cough>, <sniffle>, <groan>, <yawn> och <gasp>. De ger texten en uttrycklig icke-verbal händelse vid den relevanta punkten. Ett kort samtalsavsnitt kan lägga ett småskratt före en lättsam kommentar eller en suck före en eftertänksam mening. Använd signalen där den hör hemma i framförandet och håll replikens faktiska ord tydliga.
Det här är signaler för talgenerering, inte ett allmänt instruktionsspråk för redigering av en befintlig inspelning. Börja med läsbar text för en voice-over och lägg bara till de uttryckshändelser som scenen behöver. Lyssna på hela repliken för att bedöma om händelsen, betoningen och tempot stödjer innebörden. En berättarröstuppgift kan kräva en jämn röst, medan en karaktärsreplik kan vinna på en specifik icke-verbal signal.
Tillverkaren tillhandahåller både en notebook utan strömning och ett exempel på strömmande tal. Strömning returnerar successiva ljuddelar medan avsnittet genereras. I det publicerade exemplet skrivs dessa delar till en mono-WAV-fil vid 24 000 Hz med 16-bitars sampel. Filinställningarna beskriver referensarbetsflödet; det användbara resultatet är en spelbar inspelning vars ord, talare och framförande kan jämföras med manuset.
För en längre berättarröst förbereder du sammanhängande avsnitt med tydliga meningsgränser och sparar en kopia av slutmanuset bredvid ljudet. Granska början och slutet av varje avsnitt, uttalet av viktiga namn och övergången mellan intilliggande inspelningar. Tillverkarens samplingsguide anger ett repetitionsstraff på minst 1.1 för stabil generering i referensimplementationen och påpekar att samplingsval kan påverka talhastigheten. Exemplets konfigurerade modellängd är en inferensinställning, inte en fastställd maximal längd för berättarröst.
Den här profilen gäller den finjusterade engelska modellen med dess dokumenterade förinställda talare. Den förtränade modellen har ett eget arbetsflöde för text- och talstyrning; flerspråkiga utgåvor har språkspecifika talare och taggar. Att välja den engelska versionen kombinerar inte dessa separata profiler. En praktisk leverans är ett talmanus, en avsiktligt vald förinställd röst och ljud som granskats avseende den ordalydelse och det framförande som innehållet kräver.
POST /v1/audio/speechtextaudio| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser canopylabs/orpheus-3b-0.1-ft | Standard— |
Fältinput | Typstring | KravObligatoriskt | Värden & gränser Minsta längd: 1 Enhet: Unicode-tecken | Standard— |
Fältvoice | Typstring | KravObligatoriskt | Värden & gränser tara, leah, jess, leo, dan, mia, zac | Standard— |
Fältresponse_format | Typstring | KravObligatoriskt | Värden & gränser mp3 | Standard— |
text_to_speech · Krävs: input
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, input, voice, response_format |
Parametervoice_ids | Avtaltara, leah, jess, leo, dan, mia, zac |
Parameterresponse_format | Avtalmp3 |
Parametermax_input_characters | Avtalnull |
Parameterother_options | Avtalfalse |
Parameterinput | Avtalexakt UTF-8-text; antal Unicode-tecken utan normalisering |
Parametermaterial_types | Avtaltext |
Livscykel: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · Det task_id som faktiskt returnerades eller en post i mediebiblioteket
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Välj den exakta rösten från denna modellprofil.
Indatatecken och ljudsekunder är olika mätenheter.
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Debiterbar mängd | Debiteringsenhet | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Debiterbar mängd— | Debiteringsenhet— | Avgift Indata · Indatatoken — / 1K token Utdata · Utdatatoken — / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationUltra | Prislista— | Debiterbar mängdVarje Unicode-kodpunkt räknas som ett tecken, även Han-tecken. | Debiteringsenhetper 1K indatatecken | Avgift Indata · indatatecken $0.03 per 1K indatatecken |
Referensprislistor på modellnivå ändrar inte metodval, prisuppgifter eller avgifter. Aktiva avgifter använder priserna för den valda Ailoot-metoden.
| Konfiguration | Debiteringsvillkor | Avgift |
|---|---|---|
| KonfigurationCanopy Labs: Orpheus 3B · Standardkonfiguration | DebiteringsvillkorStandardkonfiguration | Avgift Indata · Indatatecken 0,000014 US$ per indatatecken |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_VOICE_ID:?Choose an accepted voice ID from this exact model profile}"\nexport AILOOT_VOICE_ID\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "canopylabs/orpheus-3b-0.1-ft", "input": "Good afternoon! This is a short voice take."}')\nvoice=os.environ["AILOOT_VOICE_ID"]\nallowed=json.loads('["tara", "leah", "jess", "leo", "dan", "mia", "zac"]')\nif voice not in allowed: raise SystemExit("Choose an accepted voice ID from this exact model profile")\np["voice"]=voice\np["response_format"]="mp3"\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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o speech.mp3\nmp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o media-assets.json\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_MEDIA_TASK_ID:?Set the actual ID returned by the response or media-library metadata}"\nexport AILOOT_MEDIA_TASK_ID\nresource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_MEDIA_TASK_ID"],safe=""))')\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/tasks/$resource_id" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o media-task.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("media-task.json").read_text())))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_ASSET_ID:?Set the actual ID returned by the response or media-library metadata}"\nexport AILOOT_ASSET_ID\nresource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_ASSET_ID"],safe=""))')\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/assets/$resource_id" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o media-asset.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("media-asset.json").read_text())))\nPY_RESULT\nBehåll varje fullständigt returnerat svar, fil och innehållsdel.
Spara hela det binära resultatet och dess headers. Om JSON eller flera resultat returneras ska du behålla varje dataobjekt och hämta innehållet via varje faktisk signerad URL till en resurs.
Behåll de ursprungliga värdena för operation_id/X-Client-Request-ID för avstämning utan att skicka förfrågan igen; det finns ingen särskild rutt för statusavläsning av ljud.
| Fält | Typ |
|---|---|
Fältbinary audio | Typbytes |
Fältresponse headers | Typheaders |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Svarserver_error | VillkorDet returnerade svaret anger att operationen eller resultatet behöver kontrolleras | Nästa stegSpara det ursprungliga operations- eller uppgifts-ID som returnerades, förfrågans headers och svaret. Fortsätt att läsa den ursprungliga operationen med de läsmetoder som stöds. Skicka inte skapandeförfrågan igen. |
Ailoot Ultra canopylabs/orpheus-3b-0.1-ft
Använd metodsökvägarna som visas ovan.