speech-02-hd
Speech-02 HD är en talsyntesmodell med fokus på ljudkvalitet och röstlikhet.
Om modellen
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Röst för uppläsning och lång läsning
Speech 02 HD skapar tal med fokus på kvalitet, rytm och ett stabilt ljud. Tillverkaren framhåller uppläsning av material och ljudböcker där rösten behöver behålla sin karaktär och följa långa texter jämnt. Det är en syntesmodell: den tar emot text och omvandlar den till talljud.
Så förenas text och klang
Speech 02-familjen bygger på en autoregressiv Transformer-arkitektur och en träningsbar talarencoder. Klangextrahering och talgenerering tränades gemensamt för att förena röstegenskaperna med innehållet. Familjens möjligheter omfattar användning av förberedda klonade röster och kombination av språk, accent och uttalsstil.
Känsla och flerspråkig läsning
Känslouttrycket kan bestämmas utifrån textens innebörd eller anges manuellt. Glädje, sorg, ilska, rädsla, avsky, förvåning och lugn finns. Modellen arbetar med ryska, engelska och andra språk. Tillverkaren beskriver olika engelska accenter, kinesiska och kantonesiska, japanska, koreanska, europeiska och andra språk.
I den aktuella Speech 02-beskrivningen utesluts persiska, filipino och tamil separat. Den allmänna språklistan från nyare Speech-generationer bör inte automatiskt överföras till denna version.
Röstinställningar
Syntesen erbjuder röstval, ändring av hastighet 0,5–2, ljudstyrka över 0 och upp till 10 samt tonhöjd från −12 till 12. I uttalsordlistan kan stavning ersättas med önskad läsning. Fonetiska notationer och japanska uttalsvarianter stöds. Det hjälper till att styra hur namn och mångtydiga ord låter.
Pauser och färdigt ljud
Tillverkaren tillåter pauser mellan uttalade avsnitt med längden 0,01–99,99 sekunder. Pauslängden anges med två decimalers precision. Markörer placeras mellan uttalade avsnitt och inte direkt efter varandra. Texten i ett synkront anrop måste innehålla färre än 10 000 tecken. Ljud kan tas emot i sin helhet eller gradvis. För texter över 3000 tecken rekommenderas strömmande utdata.
Modellens format omfattar MP3, WAV, FLAC och PCM. De allmänna syntesinställningarna beskriver även Opus och G.711 μ-law-varianter. Mono eller stereo kan användas. Detta modellkort erbjuder textuppläsning, medan separat röstförberedelse och avancerade inställningar bara används inom det anropssätt som stöds via Ailoot.
Ytterligare ljudinställningar omfattar samplingsfrekvenserna 8, 16, 22,05, 24, 32 och 44,1 kHz. För MP3 finns bithastighet 32, 64, 128 eller 256 kbit/s. Röstklangen kan också ändras och en effekt tillämpas: rymligt eko, salleko, telefonljud eller robotröst. Röstförändringseffekter stöds för MP3, WAV och FLAC när hela ljudet tas emot, och vid strömmande utdata bara för MP3. G.711 μ-law-format använder frekvensen 8 kHz. Möjligheterna gäller MiniMax talsyntesinställningar.
Tillverkaren erbjuder synkronisering av tal och text: tidsstämplar per mening, ord eller ord vid gradvis utdata. Resultatet hjälper till att förena uttal med textvisning. Denna extra funktion kräver stöd för motsvarande svarsformat.
Ailoot · Talproduktion POST /v1/audio/speech speech-02-hd
speech-02-hdStart
Speech-02 HD är en talsyntesmodell med fokus på ljudkvalitet och röstlikhet.
- Godkända indata
- Text
- Resultat
- speech
Tillgängligt i Ailoot · indata & metoder
Ailoot · Talproduktion POST /v1/audio/speech
- Indatatyper
text- Utdatatyper
speech- Utdataformat
- mp3
| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser speech-02-hd | Standard— |
Fältinput | Typstring | KravObligatoriskt | Värden & gränser Minsta längd: 1 Maximal längd (exklusive gränsvärdet): 10 000 Enhet: Unicode-tecken | Standard— |
Fältvoice | Typstring | KravObligatoriskt | Värden & gränser Mönster: ^[A-Za-z0-9_-]{1,128}$ | Standard— |
Fältresponse_format | Typstring | KravValfritt | Värden & gränser mp3 | Standard— |
Kombinationer av indatamaterial
text_to_speech · Krävs: input
Metodparametrar och livscykel
| Parameter | Avtal |
|---|---|
Parametermaterial_types | Avtaltext |
Parameterrequired | Avtalnull |
Parameteroptional_controls | Avtalnull |
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}
Metodernas strukturer och ID:n är exakta; leverantörens funktioner är åtskilda från att begäran tillåts.
Priser
Priser för Ailoot-metoder
POST /v1/audio/speech- Indata
- 100,00 US$ per 1 miljon tecken
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 · Talproduktion
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 narration script}"
export AILOOT_TEXT_FILE
: "${AILOOT_VOICE_ID:?Set the actual accepted voice ID for this model}"
export AILOOT_VOICE_ID
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "speech-02-hd", "input": ""}')
f=Path(os.environ["AILOOT_TEXT_FILE"])
if not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")
text=f.read_text(encoding="utf-8")
if not text.strip():raise SystemExit("Source material must contain text")
p["input"]=text
import re
voice=os.environ["AILOOT_VOICE_ID"]
if not re.fullmatch(r"[A-Za-z0-9_-]{1,128}",voice):raise SystemExit("Set an actual accepted voice ID")
p["voice"]=voice
Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \
-H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o speech.mp3
Ta emot och spara resultat
Ailoot · Talproduktion
mp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Behåll alla färdiga resultat
Behåll 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.
Om det ursprungliga svaret behöver kontrolleras
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.
Svarsfält
| Fält | Typ |
|---|---|
Fältbinary audio | Typbytes |
Fältresponse headers | Typheaders |
Fel och nästa steg
| 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. |
Alias
Modellalias
Ailoot speech-02-hd
Alias för metodsökvägar
Använd metodsökvägarna som visas ovan.
Relaterade anropar-ID:n
FAQ · speech-02-hd
- Vilka indata och resultat finns?
POST /v1/audio/speech·speech-02-hd:text→speech- Vilka fält använder begäran?
POST /v1/audio/speech·speech-02-hd:model,input,voice,response_format