MiniMax: Speech 01 Turbo

MiniMax Speech 01 Turbo omvandlar tillhandahållen text till talat ljud. Dess exakta Ailoot-modell-ID är minimax/speech-01-turbo, och dess dokumenterade syntesväljare är speech-01-turbo. Använd metoden audio_speech för en berättarröst, talad lektion, produktförklaring eller ett uppläsningsutkast där du redan har ordalydelsen. Indata är textavsnittet som ska läsas upp, och resultatet är syntetiskt tal i det valda ljudformatet.

Förbered texten som ord avsedda att uttalas, med skiljetecken som återspeglar fraseringen. För ett uppläsningsutkast anger du den slutliga meningsordningen och stavningen av namn innan du väljer röstinställningar. Håll scenanvisningar åtskilda från texten som ska läsas upp, om dessa ord inte ska ingå i inspelningen. Lyssna på viktiga namn, tal och övergångar i resultatet och jämför dem med källtexten.

Texten måste vara kortare än 10 000 tecken. Det publicerade synteskontraktet kräver model och text. För längre material förbereder du avsnitt inom denna gräns och bevarar deras ordning för redigering. Den synkrona profilen använder ett fullständigt svar med stream=false som dokumenterat standardvärde. Det allmänna API:et beskriver även strömningsalternativ, men denna kortbeskrivnings valda metod är det synkrona talarbetsflödet.

voice_setting väljer ett tillgängligt voice_id och styr speed, vol och pitch. Det dokumenterade intervallet för speed är 0,5–2, med 1 som standardvärde. vol måste vara större än 0 och högst 10, med 1 som standardvärde; pitch är ett heltal från -12 till 12, med 0 som standardvärde. Låt varje inställning tjäna textavsnittet: jämför uppläsningstempot och hörbarheten i den faktiska inspelningen i stället för att anta att en numerisk ändring ger ett visst framförande.

De dokumenterade emotion-värdena är happy, sad, angry, fearful, disgusted, surprised, calm och fluent. Texten kan också styra modellens känslouttryck. text_normalization är en separat boolesk inställning för förberedelse av taluppläsning på kinesiska och engelska, och latex_read styr uppläsning av LaTeX-formler; båda har standardvärdet false. pronunciation_dict.tone kan innehålla dokumenterade ersättningsregler för uttal. Kontrollera ett namn eller ett specialuttryck i det resulterande ljudet innan du använder det i en längre uppläsning.

audio_setting.format accepterar mp3, pcm, flac eller wav, med mp3 som standardvärde. sample_rate accepterar 8000, 16000, 22050, 24000, 32000 eller 44100 och har standardvärdet 32000. bitrate accepterar 32000, 64000, 128000 eller 256000, har standardvärdet 128000 och gäller MP3. channel väljer 1 för mono eller 2 för stereo, med 1 som standardvärde. Behåll dessa val tillsammans med källavsnittet så att den returnerade filen kan kontrolleras för den avsedda redigerings- eller uppspelningsplatsen.

Ytterligare dokumenterade inställningar omfattar language_boost, vars exakta namngivna val bland annat är English, Russian, Chinese och Chinese,Yue; välj ett faktiskt listat värde för textavsnittet. timber_weights kan kombinera befintliga voice_id-poster med heltalsvärden för weight från 1 till 100. De publicerade sound_effects-värdena är spacious_echo, auditorium_echo, lofi_telephone och robotic. Dessa är valfria inställningar för att forma en vald röst; dokumentera deras faktiska inställningar när du jämför uppläsningar.

Det synkrona resultatet innehåller genererat tal. output_format väljer url eller hex och har standardvärdet hex i syntesschemat. Hämta filen som en URL-utdata hänvisar till, eller avkoda ett hex-resultat till ljudbyte före uppspelning. Behåll returnerade ljudmetadata, inklusive format, samplingsfrekvens, kanalantal och storlek, tillsammans med inspelningen. subtitle_enable är false som standard och gäller endast icke-strömmade utdata när det aktiveras; källan fastställer inget undertextfilformat för denna profil.

Spara källavsnittet, det exakta modell-ID:t, röstvalet och den färdiga inspelningen tillsammans. Granska hela uppläsningen för avsedd ordalydelse, pauser och valda framförandeinställningar innan den placeras i en video, lektion eller talad guide. Om svaret är ofullständigt behåller du dess ursprungliga förfrågningsidentitet och returnerade information för avstämning innan du begär en ny inspelning. En senare revidering kan ändra en bestämd fras eller röstinställning och samtidigt bevara resten av manuset för en tydlig jämförelse.