{ "aboutHtml": "

MiniMax Speech 02 HD omvandlar tillhandahållen text till talat ljud. Dess exakta Ailoot-modell-ID är minimax/speech-02-hd, och dess dokumenterade syntesväljare är speech-02-hd. 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.

", "aboutText": "MiniMax Speech 02 HD omvandlar tillhandahållen text till talat ljud. Dess exakta Ailoot-modell-ID är minimax/speech-02-hd, och dess dokumenterade syntesväljare är speech-02-hd. 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.\n\nFörbered 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.\n\nTexten 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.\n\nvoice_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.\n\nDe 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.\n\naudio_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.\n\nYtterligare 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.\n\nDet 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.\n\nSpara 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "247985e731e45b4ec60ed75397e591eadea59d94576cd841b2608d80c5904eaa", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "sv", "methods": [ { "html": "
MM

MiniMax: Speech 02 HD

MiniMax /minimax/speech-02-hd

Start

MiniMax Speech 02 HD läser upp tillhandahållen text som genererat tal via en synkron audio_speech-förfrågan. Den accepterar text som är kortare än 10 000 tecken och erbjuder inställningar för röst, tempo och tonhöjd med MP3-, PCM-, FLAC- eller WAV-utdata.

Godkända indata
Text
Resultat
Ljud
Om modellen

Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.

MiniMax Speech 02 HD omvandlar tillhandahållen text till talat ljud. Dess exakta Ailoot-modell-ID är minimax/speech-02-hd, och dess dokumenterade syntesväljare är speech-02-hd. 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.

Tillgängligt i Ailoot · indata & metoder

Ailoot Ultra · Speech POST /v1/audio/speech
Indatatyper
text
Utdatatyper
audio
Utdataformat
mp3,pcm,flac,wav
FältTypKravVärden & gränserStandard
FältmodelTypstringKravObligatorisktVärden & gränser
minimax/speech-02-hd
Standard—
FälttextTypstringKravObligatorisktVärden & gränserStandard—
FältstreamTypbooleanKravValfrittVärden & gränser
false
Standardfalse
Fältvoice_settingTypobjectKravValfrittVärden & gränserStandard—
Fältvoice_setting.voice_idTypstringKravValfrittVärden & gränserStandard—
Fältvoice_setting.speedTypnumberKravValfrittVärden & gränser
Minimum: 0,5
Maximum: 2
Standard1
Fältvoice_setting.volTypnumberKravValfrittVärden & gränser
Minimum: 0
Maximum: 10
Standard1
Fältvoice_setting.pitchTypintegerKravValfrittVärden & gränser
Minimum: −12
Maximum: 12
Standard0
Fältvoice_setting.emotionTypstringKravValfrittVärden & gränser
happy, sad, angry, fearful, disgusted, surprised, calm, fluent
Standard—
Fältvoice_setting.text_normalizationTypbooleanKravValfrittVärden & gränserStandardfalse
Fältvoice_setting.latex_readTypbooleanKravValfrittVärden & gränserStandardfalse
Fältaudio_settingTypobjectKravValfrittVärden & gränserStandard—
Fältaudio_setting.sample_rateTypintegerKravValfrittVärden & gränser
8 000, 16 000, 22 050, 24 000, 32 000, 44 100
Standard32 000
Fältaudio_setting.bitrateTypintegerKravValfrittVärden & gränser
32 000, 64 000, 128 000, 256 000
Standard128 000
Fältaudio_setting.formatTypstringKravValfrittVärden & gränser
mp3, pcm, flac, wav
Standardmp3
Fältaudio_setting.channelTypintegerKravValfrittVärden & gränser
1, 2
Standard1
Fältaudio_setting.force_cbrTypbooleanKravValfrittVärden & gränserStandardfalse
Fältpronunciation_dictTypobjectKravValfrittVärden & gränserStandard—
Fältpronunciation_dict.toneTyparrayKravValfrittVärden & gränserStandard—
Fälttimber_weightsTyparrayKravValfrittVärden & gränserStandard—
Fältlanguage_boostTypstringKravValfrittVärden & gränser
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
Standard—
Fältvoice_modifyTypobjectKravValfrittVärden & gränserStandard—
Fältvoice_modify.pitchTypintegerKravValfrittVärden & gränser
−100, 100
Standard—
Fältvoice_modify.intensityTypintegerKravValfrittVärden & gränser
−100, 100
Standard—
Fältvoice_modify.timbreTypintegerKravValfrittVärden & gränser
−100, 100
Standard—
Fältvoice_modify.sound_effectsTypstringKravValfrittVärden & gränser
spacious_echo, auditorium_echo, lofi_telephone, robotic
Standard—
Fältsubtitle_enableTypbooleanKravValfrittVärden & gränserStandardfalse
Fältoutput_formatTypstringKravValfrittVärden & gränser
url, hex
Standardhex
Fältaigc_watermarkTypbooleanKravValfrittVärden & gränserStandardfalse
Metodparametrar och livscykel
ParameterAvtal
Parametercontent_typeAvtalapplication/json
ParameterrequiredAvtalmodel, text
ParameteroptionalAvtalstream, voice_setting, audio_setting, pronunciation_dict, timber_weights, language_boost, voice_modify, subtitle_enable, output_format, aigc_watermark
Parametermaterial_typesAvtaltext
ParameterconditionsAvtalUse 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.

Livscykel: synchronous_result_then_owned_library

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Priser

Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.

Snabbt läge
Ej angivet När snabbt läge är valt
Flex-läge
Ej angivet När läget flex är valt
Högsta resonemangsnivå
Ej angivet När den högsta resonemangsnivån använder standardjusteringen (default)

Ailoot-priser

Priser efter konfiguration

Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.

KonfigurationPrislistaDebiteringsenhetAvgift
KonfigurationGrundpriser för tokenPrislistaGrundprisDebiteringsenhet—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
KonfigurationindatateckenPrislista—Debiteringsenhetper indatateckenAvgift
Indata · indatatecken $0.0002 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 →

Exempelbegäranden

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-02-hd", "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

Ta emot och spara resultat

Ailoot Ultra · Speech

mp3,pcm,flac,wav

Behåll alla färdiga resultat

Behåll varje fullständigt returnerat svar, fil och innehållsdel.

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.

Om det ursprungliga svaret behöver kontrolleras

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

Svarsfält
FältTyp
Fältdata.audioTypstring
Fältextra_infoTypobject
Fälttrace_idTypstring

Alias

Modellalias

Ailoot Ultra minimax/speech-02-hd

Alias för metodsökvägar

Använd metodsökvägarna som visas ovan.

Relaterade anropar-ID:n

minimax/speech-02-hd

", "method_identity": { "effective_request_model_id": "minimax/speech-02-hd", "fmt": "speech", "http": "POST", "path": "/v1/audio/speech", "request_model_id": "minimax/speech-02-hd", "route_label": "Ultra" }, "method_key": "Ultra|speech|/v1/audio/speech|minimax%2Fspeech-02-hd", "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-02-hd", "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-02-hd" ], "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-02-hd" ], "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-02-hd", "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": "0.0002", "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": "0.0002", "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-02-hd\", \"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": "0.0002" } }, "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": "0.0002", "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": "0.0002", "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-02-hd", "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": "0.0002", "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": "0.0002", "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-02-hd", "nativeProvenance": { "input_facts_canonical_sha256": "b68a68d1c7813b443905a009baa126f609de267ca4aff4f518b7d4d0ed534e0e", "input_html_sha256": "bc88acb9153278ad49c1f11bffd10a9f2cbd17facd9aa8e2c2da9d0410e73db6", "private_audit_sha256": "b56a312beacd49baf00160604e1084ffbc0e60d1554b38c786e77dcff7baf414", "role": "historical-normalized-input-audit-hashes", "schema": "ailoot-native-model-provenance-v2" }, "page": { "canonical": "https://ailoot.ai/models/sv/minimax-speech-02-hd/", "description": "MiniMax Speech 02 HD läser upp tillhandahållen text som genererat tal via en synkron audio_speech-förfrågan. Den accepterar text som är kortare än 10 000 tecken och erbjuder inställningar för röst, tempo och tonhöjd med MP3-, PCM-, FLAC- eller WAV-utdata.", "locale": "sv", "md_url": "https://ailoot.ai/models/sv/minimax-speech-02-hd/index.md", "title": "MiniMax: Speech 02 HD — Ailoot", "url": "https://ailoot.ai/models/sv/minimax-speech-02-hd/" }, "rawModel": { "about": "MiniMax Speech 02 HD omvandlar tillhandahållen text till talat ljud. Dess exakta Ailoot-modell-ID är minimax/speech-02-hd, och dess dokumenterade syntesväljare är speech-02-hd. 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.\n\nFörbered 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.\n\nTexten 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.\n\nvoice_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.\n\nDe 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.\n\naudio_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.\n\nYtterligare 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.\n\nDet 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.\n\nSpara 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.", "alias_of": null, "aliases": [], "author": "MiniMax", "ctx": null, "formats": [ "speech" ], "id": "minimax/speech-02-hd", "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-02-hd", "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-02-hd" ], "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-02-hd" ], "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-02-hd", "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": "0.0002", "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": "0.0002", "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-02-hd\", \"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": "0.0002" } }, "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": "0.0002", "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": "0.0002", "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-02-hd", "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": "0.0002", "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": "0.0002", "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-02-hd", "request_model_id": "minimax/speech-02-hd", "route_label": "Ultra" } ], "name": "MiniMax: Speech 02 HD", "price": { "in": "0.0002", "in_label": "per input character", "out": null, "out_label": null, "sort_in": null, "sort_out": null, "varies": false }, "short": "MiniMax Speech 02 HD läser upp tillhandahållen text som genererat tal via en synkron audio_speech-förfrågan. Den accepterar text som är kortare än 10 000 tecken och erbjuder inställningar för röst, tempo och tonhöjd med MP3-, PCM-, FLAC- eller WAV-utdata." }, "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 02 HD läser upp tillhandahållen text som genererat tal via en synkron audio_speech-förfrågan. Den accepterar text som är kortare än 10 000 tecken och erbjuder inställningar för röst, tempo och tonhöjd med MP3-, PCM-, FLAC- eller WAV-utdata.", "source": { "audit_sha256": "2e00086bcbfc28e64d0cebe97aa47c17d8d5618963027f8ffb9dc6123d7d25b1", "bridge_map_sha256": "1125275768b9636fc8461bc7da5061239a81ddfe508e2557843ca42c58ab0036", "raw_model_json_sha256": "24988bb6ee6a990f6de4e5f86451464b7f43f0f8fcb8465cba7a2a88b5ec3d3b", "renderer_sha256": "8a45bb31b83d2551e6d975cf4683518c7cb445a54b9394a01947f4dd103f1051" }, "sourceRevision": "1fac6c47c1d201707fd45e5d968851046811f9e80a9a32c1da17f2283a06a979" }