speech-2.6-hd
Speech 2.6 HD är en talsyntesmodell med hög kvalitet och fokus på naturlighet och röstlikhet.
Om modellen
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Naturlig röst för samspel
Speech 2.6 HD är avsedd för naturlig talsyntes och scenarier där svaret behöver börja snabbt. Tillverkaren lägger vikt vid intonation, talflyt och textbearbetning före uttal. HD-varianten betonar ljudkvaliteten. Modellkortets indata är text och utdata talljud.
Läsa ovanliga skrivformer
Generation Speech 2.6 kan hantera skrivformer som ofta finns i arbetsmeddelanden: webbadresser, e-post, telefonnummer, datum och penningbelopp. Modellen omvandlar dem till uttalad form så att repliken förblir begriplig när den hörs. Tillverkaren beskriver sådana uppgifter på flera språk.
Flytande tal med bevarad klang
Speech 2.6 erbjuder läget Fluent LoRA för förbättrat talflyt. Det är avsett för syntes med en förberedd röst: hjälper till att bevara klangen och samtidigt skapa mer sammanhängande tal även om ursprungsprovet var ojämnt eller hade en accent. Förberedelse av en klonad röst och användning av den vid uppläsning är olika åtgärder.
40 språk stöds, inklusive ryska. Utöver sju grundläggande känslotillstånd finns alternativen för flytande tal fluent och viskning whisper för Speech 2.6. Om ingen känsla anges väljer modellen den utifrån textens innebörd.
Talinställningar
MiniMax erbjuder röstval och styrning av tempo, ljudstyrka och tonhöjd. Hastigheten anges inom 0,5–2, ljudstyrkan över 0 och upp till 10 och tonhöjdsändringen från −12 till 12. Känslan kan lämnas åt modellen utifrån textens innebörd eller anges manuellt: glädje, sorg, ilska, rädsla, avsky, förvåning eller lugn.
Uttalet kan preciseras med en ersättningsordlista och fonetisk notation. Den omfattar det internationella fonetiska alfabetet, kinesisk pinyin och japanska läsvarianter. Pauser anges mellan uttalade avsnitt inom 0,01–99,99 sekunder. Pauslängden anges med två decimalers precision. Markörer placeras mellan uttalade avsnitt och inte direkt efter varandra. Inställningarna gör det möjligt att anpassa namn, förkortningar och mångtydiga ord till avsikten med uppläsningen.
Textlängd och ljud
Syntesen tar emot text med färre än 10 000 tecken. För långa texter över 3000 tecken rekommenderar tillverkaren strömmande utdata. Det finns också möjlighet att ta emot hela det färdiga ljudet. De allmänna syntesinställningarna omfattar MP3, PCM, FLAC, WAV, Opus och G.711 μ-law-varianter samt mono eller stereo. Tillgängliga format för det specifika anropet bestäms av Ailoots funktioner.
Enligt MiniMax är generationen inriktad på låg fördröjning i röstscenarier. Det beskriver modellen. Tiden för ett specifikt svar och tillgången till avancerade inställningar beror på det valda anropssättet i 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-2.6-hd
speech-2.6-hdStart
Speech 2.6 HD är en talsyntesmodell med hög kvalitet och fokus på naturlighet 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-2.6-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-2.6-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-2.6-hd
Alias för metodsökvägar
Använd metodsökvägarna som visas ovan.
Relaterade anropar-ID:n
FAQ · speech-2.6-hd
- Vilka indata och resultat finns?
POST /v1/audio/speech·speech-2.6-hd:text→speech- Vilka fält använder begäran?
POST /v1/audio/speech·speech-2.6-hd:model,input,voice,response_format