MiniMax: Speech 2.6 Turbo

Speech 2.6 Turbo är den exakta MiniMax-talutgåva som väljs med model: "minimax/speech-2.6-turbo". Använd POST /v1/audio/speech med en application/json-kropp som innehåller model och texten som ska läsas upp. Dess indata är ett skriftligt manus och dess resultat är syntetiskt ljud. För ett applikationsmeddelande tillhandahåller du exakt de ord lyssnaren behöver höra och skriver ut eventuella tvetydiga förkortningar. För en kort lektion skiljer du förklaringen från exemplet i själva manuset. För ett gränssnittsflöde med berättarröst håller du varje talat avsnitt kopplat till en konkret användaråtgärd och behåller manuset tillsammans med ljudet.

Fältet text får inte vara tomt eller bestå enbart av blanktecken; det måste innehålla färre än 10 000 Unicode-tecken. Skicka hela manuset som ska läsas upp med stream:false, eller utelämna stream. Dela längre material i separata, fullständiga manusavsnitt innan varje avsnitt skickas in. Ett dokument kan användas genom att läsa dess faktiska innehåll och placera relevant avsnitt i text; en dokument-URL ersätter inte manuset.

Välj en röst via voice_setting.voice_id. De dokumenterade röstkategorierna omfattar systemröster och redan skapade klonade eller textdesignade röster; använd ett giltigt röst-ID för den valda kategorin. Exempelrösten är audiobook_male_1. Samma objekt styr speed från 0,5 till 2, vol över 0 och upp till 10 samt pitch som heltal från -12 till 12. Deras standardvärden är 1, 1 och 0. Dessa inställningar justerar olika aspekter av talframförandet, så välj dem separat i stället för att placera deras namn i manuset.

voice_setting.emotion accepterar happy, sad, angry, fearful, disgusted, surprised, calm och fluent. Dokumentationen beskriver även automatisk anpassning av känslouttrycket utifrån texten. För manus med många tal aktiverar voice_setting.text_normalization kinesisk och engelsk textnormalisering och har standardvärdet false. voice_setting.latex_read styr uppläsning av LaTeX-uttryck och har också standardvärdet false. pronunciation_dict.tone är en array med strängar för uttalsregler. Det publicerade exemplet är ["草地/(cao3)(di1)"]; behåll ordet, snedstrecket och uttalsstrukturen med parenteser när du anger en regel.

audio_setting.format accepterar mp3, pcm, flac och wav, med mp3 som standardvärde. sample_rate accepterar 8000, 16000, 22050, 24000, 32000 och 44100 Hz; standardvärdet är 32000. channel är 1 för mono eller 2 för två kanaler, med standardvärdet 1. Värdena för bitrate är 32000, 64000, 128000 och 256000 bitar per sekund, med standardvärdet 128000, och gäller mp3. Välj den kodning som behövs av spelaren eller redigeringsverktyget som ska använda resultatet.

language_boost är en valfri sträng med standardvärdet null. Dess tillåtna värden är 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 och auto. "Chinese,Yue" är ett enda värde. Det är en separat inställning från manuset och röst-ID:t. Schemat erbjuder även timber_weights för en lista med par av voice_id och heltalsvärdet weight, där varje weight ligger från 1 till 100. Bevara parameterstavningen timber_weights när du förbereder en förfrågan. voice_modify.sound_effects är en valfri sträng med värdena spacious_echo, auditorium_echo, lofi_telephone och robotic.

stream har standardvärdet false. För ett fullständigt svar väljer output_format url eller hex och har standardvärdet hex. I det dokumenterade JSON-resultatet innehåller data.audio den valda representationen: hämta hela den signerade Ailoot-URL:en, inklusive frågesträngen, eller avkoda hela det hexadecimala ljudet till byte. Behåll det ursprungliga resultatet tillsammans med data.status, base_resp, trace_id och extra_info, som innehåller faktiskt ljudformat, samplingsfrekvens, kanalantal, storlek och usage_characters.

subtitle_enable är ett booleskt värde med standardvärdet false och gäller icke-strömmade utdata. aigc_watermark är ett booleskt värde med standardvärdet false som styr en hörbar rytmmarkör i slutet av det genererade ljudet. Behåll varje returnerat ljud- eller undertextresultat och kontrollera uttal, tal och den färdiga filen innan den placeras i applikationen. Om leveransen är osäker behåller du den ursprungliga förfrågningsidentifieraren och svaret för kontroll av det befintliga försöket. Ailoot sparar också det färdiga ljudet i ditt mediebibliotek. Med output_format:"url" innehåller data.audio en signerad länk till den sparade tillgången; tillgångens ID visas i dess sökväg /v1/media/assets/{asset_id}/content. Ailoots signerade fillänkar gäller i 24 timmar från utfärdandet. Använd samma API-nyckel för GET /v1/media/assets?family=audio och följ varje next_cursor för att hitta ljudtillgångsposterna. Läs GET /v1/media/assets/{asset_id} för varje vald post och hämta dess exakta content_url, inklusive frågesträngen. Om en filförfrågan returnerar 404 med koden link_expired läser du samma tillgång igen för att få en uppdaterad content_url. Uppdatera det sparade resultatet i stället för att generera ljud igen för att ersätta en utgången länk.