MiniMax: Speech 2.6 Turbo
Speech 2.6 Turbo เป็นโมเดลข้อความเป็นเสียงพูดของ MiniMax สำหรับเปลี่ยนสคริปต์ที่เสร็จแล้วเป็นเสียง รุ่น minimax/speech-2.6-turbo มีตัวควบคุมเสียง การถ่ายทอด และรูปแบบเสียง พร้อมการตอบกลับ JSON ครบถ้วนและตัวเลือกเอาต์พุตเสียง URL หรือเลขฐานสิบหก ใช้สร้างฉบับเสียงพูดจากข้อความ บทเรียนสั้น หรือสคริปต์แอปพลิเคชันที่ป้อนให้
เกี่ยวกับโมเดล
คำอธิบายนี้ครอบคลุมความสามารถของโมเดล อินพุต เอาต์พุต และตัวเลือกที่ใช้ได้ใน Ailoot แสดงด้านล่างตามเมธอดที่เลือก
Speech 2.6 Turbo คือรุ่นเสียงพูด MiniMax ที่เลือกด้วย model: "minimax/speech-2.6-turbo" โดยตรง ใช้ POST /v1/audio/speech พร้อมเนื้อหา application/json ที่มี model และ text ที่จะพูด อินพุตคือสคริปต์เป็นข้อความและผลลัพธ์คือเสียงสังเคราะห์ สำหรับข้อความแอปพลิเคชัน ให้ป้อนถ้อยคำที่ผู้ฟังต้องได้ยินอย่างตรงตามต้องการ และเขียนคำย่อที่กำกวมให้เต็ม สำหรับบทเรียนสั้น ให้แยกคำอธิบายจากตัวอย่างในตัวสคริปต์ สำหรับลำดับใช้งานอินเทอร์เฟซที่มีเสียงบรรยาย ให้เชื่อมแต่ละช่วงคำพูดกับการกระทำของผู้ใช้ที่เป็นรูปธรรมและเก็บสคริปต์ไว้คู่เสียง
ฟิลด์ text ต้องไม่ว่างและมีอักขระ Unicode น้อยกว่า 10,000 ตัว ส่งสคริปต์ที่จะพูดทั้งหมดพร้อม stream:false หรือไม่ระบุ stream แบ่งเนื้อหายาวเป็นส่วนสคริปต์ที่สมบูรณ์แยกกันก่อนส่งแต่ละส่วน ใช้เอกสารได้โดยอ่านเนื้อหาจริงแล้วใส่ข้อความช่วงที่เกี่ยวข้องลงใน text โดย URL เอกสารใช้แทนสคริปต์ไม่ได้
เลือกเสียงผ่าน voice_setting.voice_id ประเภทเสียงตามเอกสารมีเสียงระบบและเสียงโคลนหรือเสียงที่ออกแบบจากข้อความซึ่งสร้างไว้แล้ว ใช้ ID เสียงที่ถูกต้องสำหรับประเภทที่เลือก เสียงตัวอย่างคือ audiobook_male_1 ออบเจ็กต์เดียวกันควบคุม speed ตั้งแต่ 0.5 ถึง 2 ค่า vol มากกว่า 0 และไม่เกิน 10 และ pitch จำนวนเต็มตั้งแต่ -12 ถึง 12 ค่าเริ่มต้นคือ 1, 1 และ 0 ตามลำดับ ตัวควบคุมเหล่านี้ปรับการถ่ายทอดเสียงคนละด้าน จึงควรเลือกแยกกันแทนการใส่ชื่อของมันในสคริปต์
voice_setting.emotion รับ happy, sad, angry, fearful, disgusted, surprised, calm และ fluent เอกสารยังอธิบายการจับคู่อารมณ์จากข้อความโดยอัตโนมัติ สำหรับสคริปต์ที่มีตัวเลขมาก voice_setting.text_normalization เปิดการปรับข้อความภาษาจีนและอังกฤษให้เป็นมาตรฐาน และมีค่าเริ่มต้นเป็น false ส่วน voice_setting.latex_read ควบคุมการอ่านนิพจน์ LaTeX และมีค่าเริ่มต้นเป็น false เช่นกัน pronunciation_dict.tone เป็นอาร์เรย์สตริงกฎการออกเสียง ตัวอย่างที่เผยแพร่คือ ["草地/(cao3)(di1)"] เมื่อส่งกฎ ให้คงคำ เครื่องหมายทับ และโครงสร้างการออกเสียงในวงเล็บไว้
audio_setting.format รับ mp3, pcm, flac และ wav โดยมีค่าเริ่มต้นเป็น mp3 ส่วน sample_rate รับ 8000, 16000, 22050, 24000, 32000 และ 44100 Hz โดยมีค่าเริ่มต้นเป็น 32000 ค่า channel เป็น 1 สำหรับโมโนหรือ 2 สำหรับสองช่องสัญญาณ โดยมีค่าเริ่มต้นเป็น 1 ค่า bitrate คือ 32000, 64000, 128000 และ 256000 บิตต่อวินาที มีค่าเริ่มต้นเป็น 128000 และใช้กับ mp3 เลือกการเข้ารหัสที่เครื่องเล่นหรือเครื่องมือตัดต่อซึ่งจะใช้ผลลัพธ์ต้องการ
language_boost เป็นสตริงที่เลือกใส่ได้และมีค่าเริ่มต้นเป็น null ค่าที่อนุญาตคือ 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 และ auto โดย "Chinese,Yue" เป็นหนึ่งค่า นี่คือตัวควบคุมแยกจากสคริปต์และ ID เสียง สคีมายังมี timber_weights สำหรับรายการคู่ voice_id และ weight จำนวนเต็ม โดยแต่ละ weight อยู่ระหว่าง 1 ถึง 100 คงการสะกดพารามิเตอร์ timber_weights เมื่อเตรียมคำขอ voice_modify.sound_effects เป็นสตริงที่เลือกใส่ได้ มีค่า spacious_echo, auditorium_echo, lofi_telephone และ robotic
stream มีค่าเริ่มต้นเป็น false สำหรับการตอบกลับครบถ้วน output_format เลือก url หรือ hex และมีค่าเริ่มต้นเป็น hex ในผลลัพธ์ JSON ตามเอกสาร data.audio มีรูปแบบที่เลือก ให้ดาวน์โหลดไฟล์โดยใช้ URL ของ Ailoot ที่ลงนามแล้วทั้งลิงก์ รวมสตริงคิวรี หรือถอดรหัสเสียงเลขฐานสิบหกทั้งหมดเป็นไบต์ เก็บผลลัพธ์เดิมพร้อม data.status, base_resp, trace_id และ extra_info ซึ่งมีรูปแบบเสียง อัตราสุ่มตัวอย่าง จำนวนช่องสัญญาณ ขนาด และ usage_characters จริง
subtitle_enable เป็นค่าบูลีนที่มีค่าเริ่มต้นเป็น false และใช้กับเอาต์พุตที่ไม่สตรีม aigc_watermark เป็นค่าบูลีนที่มีค่าเริ่มต้นเป็น false และควบคุมเครื่องหมายจังหวะที่ได้ยินได้ท้ายเสียงที่สร้าง เก็บผลลัพธ์เสียงหรือคำบรรยายทุกชิ้นที่ส่งกลับมา และตรวจการออกเสียง ตัวเลข และไฟล์ที่เสร็จแล้วก่อนใส่ในแอปพลิเคชัน หากการส่งมอบยังไม่แน่ชัด ให้เก็บตัวระบุคำขอเดิมและการตอบกลับไว้ตรวจสอบการดำเนินการเดิม Ailoot ยังบันทึกเสียงที่เสร็จแล้วในคลังสื่อของคุณด้วย เมื่อใช้ output_format:"url" ค่า data.audio มีลิงก์ที่ลงนามแล้วไปยังสื่อที่บันทึกนั้น โดย ID สื่อปรากฏในพาธ /v1/media/assets/{asset_id}/content ลิงก์ไฟล์ที่ลงนามของ Ailoot มีอายุ 24 ชั่วโมงนับจากออกลิงก์ ใช้คีย์ API เดิมกับ GET /v1/media/assets?family=audio และตาม next_cursor ทุกค่าเพื่อค้นหาระเบียนสื่อเสียง อ่าน GET /v1/media/assets/{asset_id} สำหรับระเบียนที่เลือกแต่ละรายการ และดาวน์โหลด content_url ที่ตรงตามนั้นรวมสตริงคิวรี หากคำขอไฟล์ตอบกลับ 404 พร้อม code link_expired ให้อ่านสื่อรายการเดิมอีกครั้งเพื่อรับ content_url ที่ต่ออายุแล้ว ต่ออายุผลลัพธ์ที่บันทึกไว้ แทนการสร้างเสียงอีกครั้งเพื่อแทนลิงก์ที่หมดอายุ
Ailoot Ultra · Speech POST /v1/audio/speech minimax/speech-2.6-turbo
minimax/speech-2.6-turboเริ่มต้น
Speech 2.6 Turbo เป็นโมเดลข้อความเป็นเสียงพูดของ MiniMax สำหรับเปลี่ยนสคริปต์ที่เสร็จแล้วเป็นเสียง รุ่น minimax/speech-2.6-turbo มีตัวควบคุมเสียง การถ่ายทอด และรูปแบบเสียง พร้อมการตอบกลับ JSON ครบถ้วนและตัวเลือกเอาต์พุตเสียง URL หรือเลขฐานสิบหก ใช้สร้างฉบับเสียงพูดจากข้อความ บทเรียนสั้น หรือสคริปต์แอปพลิเคชันที่ป้อนให้
- 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-2.6-turbo | 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 $0.00012 ต่ออักขระอินพุต |
Ailoot กันยอดเงินประมาณการไว้ก่อนส่งคำขอ หลังได้ผลลัพธ์ จะคิดค่าบริการสุดท้ายตามการใช้งานที่วัดได้ การคิดค่าบริการแบบสตรีมใช้บันทึกการใช้งานสุดท้าย วิธีกันยอดเงินและคิดค่าบริการสุดท้าย →
ตัวอย่างคำขอ
Ailoot Ultra · Speech
set -eu
: "${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-2.6-turbo", "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-2.6-turbo
ชื่อพาธเมธอดอื่น
ใช้พาธเมธอดที่แสดงด้านบน
ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล
FAQ · MiniMax: Speech 2.6 Turbo
- มีอินพุตและผลลัพธ์ใดบ้าง?
POST /v1/audio/speech·minimax/speech-2.6-turbo:text→audio- คำขอใช้ฟิลด์ใดบ้าง?
POST /v1/audio/speech·minimax/speech-2.6-turbo: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-2.6-turbo: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