speech-2.6-turbo
Speech 2.6 Turbo syntetiserar flerspråkigt tal och är inriktad på låg svarsfördröjning.
Om modellen
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Repliker för ett röstflöde
Speech 2.6 Turbo är en hastighetsinriktad talsyntesvariant. Tillverkaren beskriver den för röstassistenter och interaktiva scenarier där text gradvis blir ett svar. Modellen behåller den naturliga intonationen i Speech 2.6-generationen och kan hantera särskilda skrivformer.
Text som behöver uttalas korrekt
Modellen är utformad för att läsa datum, telefonnummer, penningbelopp, webbadresser och e-post utan att varje post först skrivs om manuellt. Bearbetningen är användbar i dynamiska meddelanden där tal och beteckningar finns tillsammans med vanliga ord. Tillverkaren beskriver hantering av formaten på flera språk.
Talflyt och känslostyrning
Speech 2.6 stöder Fluent LoRA: bevarande av en igenkännbar klang vid ett mer flytande textuttal. Funktionen gäller användning av en redan förberedd röst. Separat förberedelse av klonen ingår inte i en vanlig textförfrågan. Familjen omfattar 40 språk, inklusive ryska.
För Turbo finns sju grundläggande känslor och extra lägen fluent och whisper. Modellen kan själv välja känslouttrycket utifrån innehållet eller använda ett angivet tillstånd. Ljudets djup och tempo kan ändras oberoende av texten.
Röst, pauser och uttal
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.
Ta emot 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.
I detta Ailoot-modellkort omvandlas text till talljud. Turbos syfte hänger samman med synteshastighet, men ingen fast svarstid utlovas här. De angivna inställningarna återger tillverkarens möjligheter och används inom det tillgängliga 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-2.6-turbo
speech-2.6-turboStart
Speech 2.6 Turbo syntetiserar flerspråkigt tal och är inriktad på låg svarsfördröjning.
- 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-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-2.6-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-2.6-turbo
Alias för metodsökvägar
Använd metodsökvägarna som visas ovan.
Relaterade anropar-ID:n
FAQ · speech-2.6-turbo
- Vilka indata och resultat finns?
POST /v1/audio/speech·speech-2.6-turbo:text→speech- Vilka fält använder begäran?
POST /v1/audio/speech·speech-2.6-turbo:model,input,voice,response_format