speech-02-turbo
Speech-02 Turbo är avsedd för snabb talsyntes med stabil rytm och flerspråkigt ljud.
Om modellen
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Snabbt tal för interaktiva svar
Speech 02 Turbo är avsedd för interaktiv talsyntes. Tillverkaren beskriver kombinationen av hastighet, stabil rytm och naturligt ljud. Scenarierna omfattar röstsvar, spelrepliker och interaktivt innehåll. Modellen tar emot text och skapar talljud.
Välja ljudets karaktär
Speech 02-familjen gör det möjligt att kombinera röst, språk, accent och känslouttryck. En gemensamt tränad autoregressiv Transformer och talarencoder kopplar klangen till innehållet. Text kan syntetiseras med en färdig röst. Skapande av en ny klonad röst hör till separat förberedelse.
Modellen väljer själv känslointonation utifrån texten eller tar emot ett angivet tillstånd: glädje, sorg, ilska, rädsla, avsky, förvåning eller lugn. Hastighet, tonhöjd och ljudstyrka styrs dessutom för att anpassa repliken till önskat samspelstempo.
Språk och ordläsning
Ryskt tal och andra språk stöds, inklusive engelska, kinesiska, kantonesiska, japanska, koreanska, franska, tyska, spanska, portugisiska, turkiska, arabiska och ukrainska. För Speech 02 utesluter den aktuella specifikationen persiska, filipino och tamil separat.
Uttalet kan preciseras med en ersättningsordlista, internationell fonetisk notation, kinesisk pinyin och japanska läsvarianter. Pauser mellan uttalade delar anges inom 0,01–99,99 sekunder. Pauslängden anges med två decimalers precision. Markörer placeras mellan uttalade avsnitt och inte direkt efter varandra. Modellen erbjuder hastighet 0,5–2, ljudstyrka över 0 och upp till 10 samt tonhöjdsändring från −12 till 12.
Ljud för uppspelning
Synkron indata begränsas till text med färre än 10 000 tecken. För mer än 3000 tecken rekommenderar tillverkaren gradvis utdata. Modellmöjligheterna omfattar MP3, WAV, FLAC och PCM. De allmänna inställningarna beskriver även Opus och G.711 μ-law samt en eller två ljudkanaler.
Detta Ailoot-modellkort tar emot text och returnerar tal. Turbos hastighet gäller modellvariantens syfte. Den faktiska svarstiden och tillgången till avancerade format bestäms av det valda anropssättet.
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-turbo
speech-02-turboStart
Speech-02 Turbo är avsedd för snabb talsyntes med stabil rytm och flerspråkigt ljud.
- 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-turbo | 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
- 60,00 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-turbo", "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-turbo
Alias för metodsökvägar
Använd metodsökvägarna som visas ovan.
Relaterade anropar-ID:n
FAQ · speech-02-turbo
- Vilka indata och resultat finns?
POST /v1/audio/speech·speech-02-turbo:text→speech- Vilka fält använder begäran?
POST /v1/audio/speech·speech-02-turbo:model,input,voice,response_format