MiniMax: Speech 01 HD
MiniMax Speech 01 HD อ่านข้อความที่ป้อนให้เป็นเสียงพูดที่สร้างขึ้นผ่านคำขอ audio_speech แบบซิงโครนัส รับข้อความสั้นกว่า 10,000 อักขระ และมีการตั้งค่าเสียง ความเร็ว และระดับเสียงสูงต่ำ พร้อมเอาต์พุต MP3, PCM, FLAC หรือ WAV
เกี่ยวกับโมเดล
คำอธิบายนี้ครอบคลุมความสามารถของโมเดล อินพุต เอาต์พุต และตัวเลือกที่ใช้ได้ใน Ailoot แสดงด้านล่างตามเมธอดที่เลือก
MiniMax Speech 01 HD แปลงข้อความที่ป้อนให้เป็นเสียงพูด ID โมเดล Ailoot ที่ตรงตามนี้คือ minimax/speech-01-hd และตัวเลือกการสังเคราะห์ตามเอกสารคือ speech-01-hd ใช้เมธอด audio_speech สำหรับเสียงพากย์ บทเรียนแบบเสียง คำอธิบายสินค้า หรือร่างเสียงบรรยายที่มีถ้อยคำอยู่แล้ว อินพุตคือข้อความที่จะอ่าน และผลลัพธ์คือเสียงพูดสังเคราะห์ในรูปแบบเสียงที่เลือก
เตรียมข้อความเป็นคำที่ตั้งใจให้พูด พร้อมเครื่องหมายวรรคตอนที่สะท้อนการแบ่งวลี สำหรับร่างเสียงบรรยาย ให้ใส่ลำดับประโยคและการสะกดชื่อฉบับที่ต้องการก่อนเลือกการตั้งค่าเสียง แยกคำกำกับการแสดงออกจากข้อความที่จะพูด เว้นแต่คำเหล่านั้นต้องอยู่ในเสียงบันทึก ฟังชื่อ ตัวเลข และการเชื่อมช่วงที่สำคัญในผลลัพธ์แล้วเปรียบเทียบกับข้อความต้นฉบับ
ข้อความต้องสั้นกว่า 10,000 อักขระ สัญญาการสังเคราะห์ที่เผยแพร่กำหนดให้มี model และ text สำหรับเนื้อหายาวกว่า ให้เตรียมข้อความแต่ละช่วงภายในขีดจำกัดนั้นและเก็บลำดับไว้สำหรับตัดต่อ โปรไฟล์ซิงโครนัสใช้การตอบกลับครบถ้วน โดยมี stream=false เป็นค่าเริ่มต้นตามเอกสาร API ทั่วไปอธิบายตัวเลือกสตรีมด้วย แต่เมธอดที่เลือกสำหรับการ์ดนี้คือกระบวนการเสียงพูดแบบซิงโครนัส
voice_setting เลือก voice_id ที่มีให้ใช้และควบคุม speed, vol และ pitch ช่วง speed ตามเอกสารคือ 0.5–2 โดยมีค่าเริ่มต้นเป็น 1 ค่า vol ต้องมากกว่า 0 และไม่เกิน 10 โดยมีค่าเริ่มต้นเป็น 1 ส่วน pitch เป็นจำนวนเต็มตั้งแต่ -12 ถึง 12 โดยมีค่าเริ่มต้นเป็น 0 ให้การตั้งค่าแต่ละอย่างเหมาะกับข้อความ เปรียบเทียบความเร็วการอ่านและความชัดเจนในการได้ยินของเสียงบันทึกจริง แทนการสมมติว่าการเปลี่ยนตัวเลขจะทำให้ได้การถ่ายทอดแบบใดแบบหนึ่ง
ค่า emotion ตามเอกสารคือ happy, sad, angry, fearful, disgusted, surprised, calm และ fluent ข้อความยังใช้ชี้นำอารมณ์ของโมเดลได้ text_normalization เป็นตัวควบคุมบูลีนแยกสำหรับเตรียมการอ่านตัวเลขภาษาจีนและอังกฤษ ส่วน latex_read ควบคุมการอ่านสูตร LaTeX ทั้งสองมีค่าเริ่มต้นเป็น false ค่า pronunciation_dict.tone ใช้ส่งกฎแทนที่การออกเสียงตามเอกสารได้ ตรวจชื่อหรือคำเฉพาะในเสียงผลลัพธ์ก่อนใช้ในเสียงบรรยายที่ยาวขึ้น
audio_setting.format รับ mp3, pcm, flac หรือ wav โดยมีค่าเริ่มต้นเป็น mp3 ส่วน sample_rate รับ 8000, 16000, 22050, 24000, 32000 หรือ 44100 และมีค่าเริ่มต้นเป็น 32000 ค่า bitrate รับ 32000, 64000, 128000 หรือ 256000 มีค่าเริ่มต้นเป็น 128000 และใช้กับ MP3 ค่า channel เลือก 1 สำหรับโมโนหรือ 2 สำหรับสเตอริโอ โดยมีค่าเริ่มต้นเป็น 1 เก็บตัวเลือกเหล่านี้ไว้พร้อมข้อความต้นฉบับ เพื่อให้ตรวจไฟล์ที่ส่งกลับมาได้ว่าเหมาะกับปลายทางตัดต่อหรือเล่นกลับที่ต้องการ
ตัวควบคุมเพิ่มเติมตามเอกสารมี language_boost ซึ่งตัวเลือกชื่อที่ตรงตามรายการมี English, Russian, Chinese และ Chinese,Yue ให้เลือกค่าที่มีอยู่จริงในรายการสำหรับข้อความนั้น timber_weights รวมรายการ voice_id ที่มีอยู่ด้วยค่า weight จำนวนเต็มตั้งแต่ 1 ถึง 100 ได้ ค่า sound_effects ที่เผยแพร่คือ spacious_echo, auditorium_echo, lofi_telephone และ robotic ตัวควบคุมเหล่านี้เลือกใส่ได้เพื่อปรับลักษณะเสียงที่เลือก บันทึกการตั้งค่าจริงเมื่อเปรียบเทียบการอ่าน
ผลลัพธ์ซิงโครนัสมีเสียงพูดที่สร้างขึ้น output_format เลือก url หรือ hex และมีค่าเริ่มต้นเป็น hex ในสคีมาการสังเคราะห์ ดาวน์โหลดไฟล์ที่ผลลัพธ์ URL อ้างถึง หรือถอดรหัสผลลัพธ์ hex เป็นไบต์เสียงก่อนเล่น เก็บเมทาดาทาเสียงที่ส่งกลับมา รวมถึงรูปแบบ อัตราสุ่มตัวอย่าง จำนวนช่องสัญญาณ และขนาด ไว้พร้อมเสียงบันทึก subtitle_enable มีค่าเริ่มต้นเป็น false และเมื่อเปิดใช้จะใช้ได้เฉพาะเอาต์พุตที่ไม่สตรีม ต้นฉบับไม่ได้ระบุรูปแบบไฟล์คำบรรยายสำหรับโปรไฟล์นี้
บันทึกข้อความต้นฉบับ ID โมเดลที่ตรงตามชื่อ การเลือกเสียง และเสียงบันทึกที่เสร็จแล้วไว้ด้วยกัน ตรวจทานการอ่านทั้งหมดเพื่อดูถ้อยคำ การเว้นจังหวะ และการตั้งค่าการถ่ายทอดที่เลือก ก่อนใส่ลงในวิดีโอ บทเรียน หรือคู่มือแบบเสียง หากการตอบกลับไม่ครบ ให้เก็บข้อมูลระบุตัวตนของคำขอเดิมและข้อมูลที่ส่งกลับมาเพื่อตรวจสอบให้ตรงกันก่อนขอเสียงบันทึกอีกครั้ง การแก้ไขภายหลังสามารถเปลี่ยนวลีหรือการตั้งค่าเสียงเฉพาะจุด โดยคงส่วนที่เหลือของสคริปต์ไว้เพื่อเปรียบเทียบอย่างชัดเจน
Ailoot Ultra · Speech POST /v1/audio/speech minimax/speech-01-hd
minimax/speech-01-hdเริ่มต้น
MiniMax Speech 01 HD อ่านข้อความที่ป้อนให้เป็นเสียงพูดที่สร้างขึ้นผ่านคำขอ audio_speech แบบซิงโครนัส รับข้อความสั้นกว่า 10,000 อักขระ และมีการตั้งค่าเสียง ความเร็ว และระดับเสียงสูงต่ำ พร้อมเอาต์พุต MP3, PCM, FLAC หรือ WAV
- อินพุตที่รองรับ
- ข้อความ
- ผลลัพธ์
- เสียง
ใช้งานได้ใน Ailoot · อินพุตและเมธอด
Ailoot Ultra · Speech POST /v1/audio/speech
- ขาเข้า
text- ขาออก
audio- รูปแบบเอาต์พุต
- mp3,pcm,flac,wav
| ฟิลด์ | ประเภท | ข้อกำหนด | ค่าและข้อจำกัด | ค่าเริ่มต้น |
|---|---|---|---|---|
ฟิลด์model | ประเภทstring | ข้อกำหนดจำเป็น | ค่าและข้อจำกัด minimax/speech-01-hd | ค่าเริ่มต้น— |
ฟิลด์text | ประเภทstring | ข้อกำหนดจำเป็น | ค่าและข้อจำกัด | ค่าเริ่มต้น— |
ฟิลด์stream | ประเภทboolean | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด false | ค่าเริ่มต้นfalse |
ฟิลด์voice_setting | ประเภทobject | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด | ค่าเริ่มต้น— |
ฟิลด์voice_setting.voice_id | ประเภทstring | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด | ค่าเริ่มต้น— |
ฟิลด์voice_setting.speed | ประเภทnumber | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด ขั้นต่ำ: 0.5 สูงสุด: 2 | ค่าเริ่มต้น1 |
ฟิลด์voice_setting.vol | ประเภทnumber | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด ขั้นต่ำ: 0 สูงสุด: 10 | ค่าเริ่มต้น1 |
ฟิลด์voice_setting.pitch | ประเภทinteger | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด ขั้นต่ำ: -12 สูงสุด: 12 | ค่าเริ่มต้น0 |
ฟิลด์voice_setting.emotion | ประเภทstring | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด happy, sad, angry, fearful, disgusted, surprised, calm, fluent | ค่าเริ่มต้น— |
ฟิลด์voice_setting.text_normalization | ประเภทboolean | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด | ค่าเริ่มต้นfalse |
ฟิลด์voice_setting.latex_read | ประเภทboolean | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด | ค่าเริ่มต้นfalse |
ฟิลด์audio_setting | ประเภทobject | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด | ค่าเริ่มต้น— |
ฟิลด์audio_setting.sample_rate | ประเภทinteger | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด 8,000, 16,000, 22,050, 24,000, 32,000, 44,100 | ค่าเริ่มต้น32,000 |
ฟิลด์audio_setting.bitrate | ประเภทinteger | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด 32,000, 64,000, 128,000, 256,000 | ค่าเริ่มต้น128,000 |
ฟิลด์audio_setting.format | ประเภทstring | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด mp3, pcm, flac, wav | ค่าเริ่มต้นmp3 |
ฟิลด์audio_setting.channel | ประเภทinteger | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด 1, 2 | ค่าเริ่มต้น1 |
ฟิลด์audio_setting.force_cbr | ประเภทboolean | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด | ค่าเริ่มต้นfalse |
ฟิลด์pronunciation_dict | ประเภทobject | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด | ค่าเริ่มต้น— |
ฟิลด์pronunciation_dict.tone | ประเภทarray | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด | ค่าเริ่มต้น— |
ฟิลด์timber_weights | ประเภทarray | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด | ค่าเริ่มต้น— |
ฟิลด์language_boost | ประเภทstring | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด 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, auto | ค่าเริ่มต้น— |
ฟิลด์voice_modify | ประเภทobject | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด | ค่าเริ่มต้น— |
ฟิลด์voice_modify.pitch | ประเภทinteger | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด -100, 100 | ค่าเริ่มต้น— |
ฟิลด์voice_modify.intensity | ประเภทinteger | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด -100, 100 | ค่าเริ่มต้น— |
ฟิลด์voice_modify.timbre | ประเภทinteger | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด -100, 100 | ค่าเริ่มต้น— |
ฟิลด์voice_modify.sound_effects | ประเภทstring | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด spacious_echo, auditorium_echo, lofi_telephone, robotic | ค่าเริ่มต้น— |
ฟิลด์subtitle_enable | ประเภทboolean | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด | ค่าเริ่มต้นfalse |
ฟิลด์output_format | ประเภทstring | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด url, hex | ค่าเริ่มต้นhex |
ฟิลด์aigc_watermark | ประเภทboolean | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด | ค่าเริ่มต้นfalse |
พารามิเตอร์และวงจรการทำงานของเมธอด
| พารามิเตอร์ | ข้อกำหนด |
|---|---|
พารามิเตอร์content_type | ข้อกำหนดapplication/json |
พารามิเตอร์required | ข้อกำหนดmodel, text |
พารามิเตอร์optional | ข้อกำหนดstream, voice_setting, audio_setting, pronunciation_dict, timber_weights, language_boost, voice_modify, subtitle_enable, output_format, aigc_watermark |
พารามิเตอร์material_types | ข้อกำหนดtext |
พารามิเตอร์conditions | ข้อกำหนดUse text, not input or contents. Fewer than 10000 Unicode characters; stream is false or omitted., PCM is raw audio with its returned sample geometry; do not invent a WAV header or bit depth. |
วงจรการทำงาน: synchronous_result_then_owned_library
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
ราคา
ข้อมูลอัตราราคาไม่ได้เพิ่มตัวเลือกคำขอ พารามิเตอร์ที่รองรับระบุไว้สำหรับเมธอดที่เลือก
- โหมดรวดเร็ว
- ไม่ได้ระบุ เมื่อเลือกโหมดรวดเร็ว
- โหมดยืดหยุ่น
- ไม่ได้ระบุ เมื่อเลือกโหมด flex
- ระดับการใช้เหตุผลสูงสุด
- ไม่ได้ระบุ เมื่อใช้การปรับตามค่าเริ่มต้น (default) สำหรับระดับการใช้เหตุผลสูงสุด
อัตราค่าบริการ Ailoot
ราคาตามการตั้งค่า
เทียบค่าบริการแต่ละรายการกับเงื่อนไขที่แสดง เลือกใช้อัตราเดียวสำหรับแต่ละชุดการตั้งค่าที่เป็นตัวเลือกทดแทนกัน
| การตั้งค่า | ตารางอัตราค่าบริการ | หน่วยคิดค่าบริการ | ค่าบริการ |
|---|---|---|---|
| การตั้งค่าอัตราค่าบริการโทเคนพื้นฐาน | ตารางอัตราค่าบริการอัตราพื้นฐาน | หน่วยคิดค่าบริการ— | ค่าบริการ ขาเข้า · โทเค็นอินพุต — / 1K โทเค็น ขาออก · โทเค็นเอาต์พุต — / 1K โทเค็น ขาเข้า · การอ่านแคช — / 1K โทเค็น ขาเข้า · การเขียนแคช — / 1K โทเค็น ขาเข้า · การเขียนแคช, 1 ชั่วโมง — / 1K โทเค็น |
| การตั้งค่าอักขระขาเข้า | ตารางอัตราค่าบริการ— | หน่วยคิดค่าบริการต่ออักขระอินพุต | ค่าบริการ ขาเข้า · อักขระขาเข้า $0.000105 ต่ออักขระอินพุต |
Ailoot กันยอดเงินประมาณการไว้ก่อนส่งคำขอ หลังได้ผลลัพธ์ จะคิดค่าบริการสุดท้ายตามการใช้งานที่วัดได้ การคิดค่าบริการแบบสตรีมใช้บันทึกการใช้งานสุดท้าย วิธีกันยอดเงินและคิดค่าบริการสุดท้าย →
ตัวอย่างคำขอ
Ailoot Ultra · Speech
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
export AILOOT_API_KEY
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "minimax/speech-01-hd", "text": "Hello, this is a short speech example.", "stream": false, "output_format": "hex", "audio_setting": {"format": "mp3", "sample_rate": 32000, "channel": 1}}')
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 result.json
# Submit once. Retain the complete result, original identifiers and every response header.
รับและบันทึกผลลัพธ์
Ailoot Ultra · Speech
mp3,pcm,flac,wav
GET /v1/media/assetsGET /v1/media/assets/{asset_id}
เก็บผลลัพธ์ที่เสร็จสมบูรณ์ทั้งหมด
เก็บทุกการตอบกลับ ไฟล์ และส่วนเนื้อหาที่ส่งกลับมาอย่างครบถ้วน
Retain the full JSON. Decode every hex audio byte or use the returned owned URL. Keep the actual format, sample rate, channel count and usage_characters.
เมื่อต้องตรวจสอบการตอบกลับต้นฉบับ
Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.
ฟิลด์การตอบกลับ
| ฟิลด์ | ประเภท |
|---|---|
ฟิลด์data.audio | ประเภทstring |
ฟิลด์extra_info | ประเภทobject |
ฟิลด์trace_id | ประเภทstring |
ชื่ออื่น
ชื่ออื่นของโมเดล
Ailoot Ultra minimax/speech-01-hd
ชื่อพาธเมธอดอื่น
ใช้พาธเมธอดที่แสดงด้านบน
ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล
FAQ · MiniMax: Speech 01 HD
- มีอินพุตและผลลัพธ์ใดบ้าง?
POST /v1/audio/speech·minimax/speech-01-hd:text→audio- คำขอใช้ฟิลด์ใดบ้าง?
POST /v1/audio/speech·minimax/speech-01-hd:model,text,stream,voice_setting,audio_setting,pronunciation_dict,timber_weights,language_boost,voice_modify,subtitle_enable,output_format,aigc_watermark- มีข้อจำกัดใดบ้าง?
POST /v1/audio/speech·minimax/speech-01-hd:voice_setting.speed.minimum:0.5;voice_setting.speed.maximum:2;voice_setting.vol.minimum:0;voice_setting.vol.maximum:10;voice_setting.pitch.minimum:-12;voice_setting.pitch.maximum:12