MiniMax: Speech 2.8 HD

Speech 2.8 HD สังเคราะห์เสียงพูดที่สื่ออารมณ์ โดยควบคุมอารมณ์และรายละเอียดเสียง เช่น การหายใจและหัวเราะ

Ailoot Ultra · การสังเคราะห์เสียงพูด POST /v1/audio/speech minimax/speech-2.8-hd

เกี่ยวกับโมเดล

คำอธิบายนี้ครอบคลุมความสามารถของโมเดล อินพุต เอาต์พุต และตัวเลือกที่ใช้ได้ใน Ailoot แสดงด้านล่างตามเมธอดที่เลือก

เสียงพูดมีชีวิตพร้อมรายละเอียดเสียงเล็กน้อย

Speech 2.8 HD เน้นเสียงธรรมชาติและสะอาด คุณสมบัติหลักของรุ่นนี้คือแท็กเสียงที่เพิ่มรายละเอียดการสนทนาได้ เช่น หัวเราะ หัวเราะเบา ๆ หายใจ สูดลม ผ่อนลม ถอนหายใจ ไอ กระแอม และเสียงสั้นอื่น ช่วยถ่ายทอดจังหวะและช่วงหยุดของคำพูดจริง โดยไม่ทำให้ทุกประโยคเป็นการอ่านของผู้ประกาศที่เรียบเสมอกัน

แทรกแท็กในข้อความตามรูปแบบที่โมเดลระบุ เช่น (chuckle), (breath) และ (sighs) เพื่อกำหนดการกระทำเสียงนั้น ความสามารถแท็กเสียงเป็นของ Speech 2.8 โดยเฉพาะ เป็นรายละเอียดเสียงภายในการสังเคราะห์คำพูด ไม่ใช่การสร้างบทเพลงหรือองค์ประกอบเสียงแยกต่างหาก

โทนเสียงและความสะอาด

ผู้ผลิตเน้นการถ่ายทอดลักษณะเฉพาะของเสียง ได้แก่ เนื้อเสียง การหายใจ และลีลาการออกเสียง ความสามารถของตระกูลนี้รวมถึงการสังเคราะห์ด้วยเสียงโคลนที่เตรียมไว้แล้ว การสร้างเสียงดังกล่าวเป็นกระบวนการแยก Speech 2.8 ยังปรับการประมวลผลเพื่อลดเสียงพื้นหลังและความผิดเพี้ยนดิจิทัล

ภาษาและการสื่ออารมณ์

Speech 2.8 รองรับ 40 ภาษา รวมถึงภาษารัสเซีย ผู้ผลิตอธิบายงานปรับการออกเสียงข้ามภาษาในกรณีผสมจีนกับญี่ปุ่นแยกไว้ สถานการณ์นี้เกี่ยวกับการรักษาเสียงธรรมชาติเมื่อใช้ต่างภาษา ไม่ใช่การแปลข้อความอัตโนมัติ

MiniMax รองรับการเลือกเสียงและควบคุมจังหวะ ความดัง และระดับเสียง กำหนดความเร็วในช่วง 0,5–2 ความดังมากกว่า 0 และไม่เกิน 10 และการปรับระดับเสียงตั้งแต่ −12 ถึง 12 ให้โมเดลเลือกอารมณ์ตามความหมายข้อความหรือกำหนดเองได้ ได้แก่ ดีใจ เศร้า โกรธ กลัว รังเกียจ ประหลาดใจ หรือสงบ

ปรับการออกเสียงให้ชัดด้วยพจนานุกรมคำแทนและการเขียนสัทอักษรได้ โดยรองรับสัทอักษรสากล พินอินจีน และรูปแบบการอ่านภาษาญี่ปุ่น กำหนดช่วงหยุดระหว่างส่วนที่จะพูดได้ในช่วง 0,01–99,99 วินาที ระยะเวลาช่วงหยุดกำหนดละเอียดถึงสองตำแหน่งทศนิยม วางเครื่องหมายระหว่างส่วนที่จะพูดและไม่วางติดกัน การตั้งค่าเหล่านี้ช่วยให้เสียงของชื่อ คำย่อ และคำที่อ่านได้หลายแบบตรงกับแนวทางการพากย์

ผลลัพธ์เสียง

การสังเคราะห์รับข้อความที่มีความยาวน้อยกว่า 10 000 อักขระ สำหรับข้อความยาวเกิน 3000 อักขระ ผู้ผลิตแนะนำเอาต์พุตแบบสตรีม และยังรองรับการรับเสียงสำเร็จทั้งหมดในครั้งเดียว การตั้งค่าการสังเคราะห์ทั่วไปรวมถึง MP3, PCM, FLAC, WAV, Opus และรูปแบบ G.711 μ-law ทั้งโมโนและสเตอริโอ ชุดรูปแบบที่ใช้ได้กับคำขอเฉพาะกำหนดด้วยเครื่องมือของ Ailoot

การ์ดนี้แปลงข้อความเป็นเสียงพูด ความสามารถตั้งค่าเสียงอธิบายโมเดล MiniMax การสร้างเสียงโคลน คำบรรยายแยก และวิธีเชื่อมต่อพิเศษไม่ได้รวมอยู่ในคำขอพากย์โดยอัตโนมัติ

การตั้งค่าเสียงเพิ่มเติมรวมถึงอัตราสุ่มสัญญาณ 8, 16, 22,05, 24, 32 และ 44,1 kHz สำหรับ MP3 มีบิตเรต 32, 64, 128 หรือ 256 kbit/s ยังปรับโทนเสียงและใช้เอฟเฟกต์หนึ่งแบบได้ ได้แก่ เสียงสะท้อนในพื้นที่กว้าง เสียงสะท้อนในห้องโถง เสียงโทรศัพท์ หรือเสียงหุ่นยนต์ เอฟเฟกต์ปรับเสียงรองรับ MP3, WAV และ FLAC เมื่อรับเสียงทั้งหมดในครั้งเดียว ส่วนเอาต์พุตแบบสตรีมรองรับเฉพาะ MP3 รูปแบบ G.711 μ-law ใช้อัตรา 8 kHz ความสามารถเหล่านี้เป็นการตั้งค่าการสังเคราะห์ของ MiniMax

ผู้ผลิตรองรับการซิงโครไนซ์เสียงพูดกับข้อความ โดยใช้เวลาระดับประโยค ระดับคำ หรือระดับคำระหว่างทยอยส่งผลลัพธ์ ช่วยให้การพูดตรงกับการแสดงข้อความ ความสามารถเพิ่มเติมนี้ต้องมีการรองรับรูปแบบคำตอบที่เกี่ยวข้อง

Ailoot Ultra · การสังเคราะห์เสียงพูด POST /v1/audio/speech minimax/speech-2.8-hd

minimax/speech-2.8-hd

MiniMax /minimax/speech-2.8-hd

เริ่มต้น

อินพุตที่รองรับ: ข้อความ
ผลลัพธ์: เสียง

ใช้งานได้ใน Ailoot · อินพุตและเมธอด

Ailoot Ultra · การสังเคราะห์เสียงพูด POST /v1/audio/speech

ขาเข้า: text
ขาออก: audio
รูปแบบเอาต์พุต: mp3

ฟิลด์	ประเภท	ข้อกำหนด	ค่าและข้อจำกัด	ค่าเริ่มต้น
ฟิลด์`model`	ประเภท`string`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด minimax/speech-2.8-hd	ค่าเริ่มต้น—
ฟิลด์`input`	ประเภท`string`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด ความยาวขั้นต่ำ: 1 หน่วย: อักขระ Unicode	ค่าเริ่มต้น—
ฟิลด์`voice`	ประเภท`string`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด English_expressive_narrator, English_radiant_girl, English_magnetic_voiced_man, English_compelling_lady1, English_Aussie_Bloke, English_captivating_female1, English_Upbeat_Woman, English_Trustworth_Man, English_CalmWoman, English_UpsetGirl, English_Gentle-voiced_man, English_Whispering_girl, English_Diligent_Man, English_Graceful_Lady, English_ReservedYoungMan, English_PlayfulGirl, English_ManWithDeepVoice, English_MaturePartner, English_FriendlyPerson, English_MatureBoss, English_Debator, English_LovelyGirl, English_Steadymentor, English_Deep-VoicedGentleman, English_Wiselady, English_CaptivatingStoryteller, English_DecentYoungMan, English_SentimentalLady, English_ImposingManner, English_SadTeen, English_PassionateWarrior, English_WiseScholar, English_Soft-spokenGirl, English_SereneWoman, English_ConfidentWoman, English_PatientMan, English_Comedian, English_BossyLeader, English_Strong-WilledBoy, English_StressedLady, English_AssertiveQueen, English_AnimeCharacter, English_Jovialman, English_WhimsicalGirl, English_Kind-heartedGirl	ค่าเริ่มต้น—
ฟิลด์`response_format`	ประเภท`string`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด mp3	ค่าเริ่มต้น—

ชุดผสมของสื่ออินพุต

text_to_speech · จำเป็น: input

พารามิเตอร์และวงจรการทำงานของเมธอด

พารามิเตอร์	ข้อกำหนด
พารามิเตอร์`content_type`	ข้อกำหนดapplication/json
พารามิเตอร์`required`	ข้อกำหนดmodel, input, voice, response_format
พารามิเตอร์`voice_ids`	ข้อกำหนดEnglish_expressive_narrator, English_radiant_girl, English_magnetic_voiced_man, English_compelling_lady1, English_Aussie_Bloke, English_captivating_female1, English_Upbeat_Woman, English_Trustworth_Man, English_CalmWoman, English_UpsetGirl, English_Gentle-voiced_man, English_Whispering_girl, English_Diligent_Man, English_Graceful_Lady, English_ReservedYoungMan, English_PlayfulGirl, English_ManWithDeepVoice, English_MaturePartner, English_FriendlyPerson, English_MatureBoss, English_Debator, English_LovelyGirl, English_Steadymentor, English_Deep-VoicedGentleman, English_Wiselady, English_CaptivatingStoryteller, English_DecentYoungMan, English_SentimentalLady, English_ImposingManner, English_SadTeen, English_PassionateWarrior, English_WiseScholar, English_Soft-spokenGirl, English_SereneWoman, English_ConfidentWoman, English_PatientMan, English_Comedian, English_BossyLeader, English_Strong-WilledBoy, English_StressedLady, English_AssertiveQueen, English_AnimeCharacter, English_Jovialman, English_WhimsicalGirl, English_Kind-heartedGirl
พารามิเตอร์`response_format`	ข้อกำหนดmp3
พารามิเตอร์`max_input_characters`	ข้อกำหนดnull
พารามิเตอร์`other_options`	ข้อกำหนดfalse
พารามิเตอร์`input`	ข้อกำหนดข้อความ UTF-8 ที่ตรงตามต้นฉบับ นับอักขระ Unicode โดยไม่ปรับรูปแบบมาตรฐาน
พารามิเตอร์`material_types`	ข้อกำหนดtext

วงจรการทำงาน: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · ค่า task_id ที่ส่งกลับมาจริง หรือระเบียนในคลังสื่อ

GET /v1/media/assets/{asset_id}/content

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

เลือกเสียงที่ตรงตามโปรไฟล์ของโมเดลนี้

อักขระขาเข้าและวินาทีเสียงเป็นหน่วยวัดคนละแบบ

ราคา

ข้อมูลอัตราราคาไม่ได้เพิ่มตัวเลือกคำขอ พารามิเตอร์ที่รองรับระบุไว้สำหรับเมธอดที่เลือก

โหมดรวดเร็ว: ไม่ได้ระบุ เมื่อเลือกโหมดรวดเร็ว
โหมดยืดหยุ่น: ไม่ได้ระบุ เมื่อเลือกโหมด flex
ระดับการใช้เหตุผลสูงสุด: ไม่ได้ระบุ เมื่อใช้การปรับตามค่าเริ่มต้น (default) สำหรับระดับการใช้เหตุผลสูงสุด

อัตราค่าบริการ Ailoot

ราคาตามการตั้งค่า

เทียบค่าบริการแต่ละรายการกับเงื่อนไขที่แสดง เลือกใช้อัตราเดียวสำหรับแต่ละชุดการตั้งค่าที่เป็นตัวเลือกทดแทนกัน

การตั้งค่า	ตารางอัตราค่าบริการ	ปริมาณที่ใช้คิดค่าบริการ	หน่วยคิดค่าบริการ	ค่าบริการ
การตั้งค่าอัตราค่าบริการโทเคนพื้นฐาน	ตารางอัตราค่าบริการอัตราพื้นฐาน	ปริมาณที่ใช้คิดค่าบริการ—	หน่วยคิดค่าบริการ—	ค่าบริการ ขาเข้า · โทเค็นอินพุต — / 1K โทเค็น ขาออก · โทเค็นเอาต์พุต — / 1K โทเค็น ขาเข้า · การอ่านแคช — / 1K โทเค็น ขาเข้า · การเขียนแคช — / 1K โทเค็น ขาเข้า · การเขียนแคช, 1 ชั่วโมง — / 1K โทเค็น
การตั้งค่าUltra	ตารางอัตราค่าบริการ—	ปริมาณที่ใช้คิดค่าบริการนับแต่ละโค้ดพอยต์ Unicode เป็นหนึ่งอักขระ รวมถึงอักษรฮั่น	หน่วยคิดค่าบริการต่ออักขระอินพุต 1K ตัว	ค่าบริการ ขาเข้า · อักขระขาเข้า $0.2 ต่ออักขระอินพุต 1K ตัว

รายละเอียดอัตราอ้างอิง

ตารางอัตราอ้างอิงระดับโมเดลไม่เปลี่ยนเมธอดที่เลือก ยอดประมาณการ หรือค่าบริการ การคิดค่าบริการจริงใช้อัตราของเมธอด Ailoot ที่เลือก

MiniMax: Speech 2.8 HD

ราคาตามการตั้งค่า

การตั้งค่า	เงื่อนไขคิดค่าบริการ	ค่าบริการ
การตั้งค่าMiniMax: Speech 2.8 HD · การตั้งค่าเริ่มต้น	เงื่อนไขคิดค่าบริการการตั้งค่าเริ่มต้น	ค่าบริการ ขาเข้า · อักขระอินพุต US$0.0002 ต่ออักขระอินพุต

Ailoot กันยอดเงินประมาณการไว้ก่อนส่งคำขอ หลังได้ผลลัพธ์ จะคิดค่าบริการสุดท้ายตามการใช้งานที่วัดได้ การคิดค่าบริการแบบสตรีมใช้บันทึกการใช้งานสุดท้าย วิธีกันยอดเงินและคิดค่าบริการสุดท้าย →

ตัวอย่างคำขอ

Ailoot Ultra · การสังเคราะห์เสียงพูด

curl

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_VOICE_ID:?Choose an accepted voice ID from this exact model profile}"
export AILOOT_VOICE_ID
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "minimax/speech-2.8-hd", "input": "Good afternoon! This is a short voice take."}')
voice=os.environ["AILOOT_VOICE_ID"]
allowed=json.loads('["English_expressive_narrator", "English_radiant_girl", "English_magnetic_voiced_man", "English_compelling_lady1", "English_Aussie_Bloke", "English_captivating_female1", "English_Upbeat_Woman", "English_Trustworth_Man", "English_CalmWoman", "English_UpsetGirl", "English_Gentle-voiced_man", "English_Whispering_girl", "English_Diligent_Man", "English_Graceful_Lady", "English_ReservedYoungMan", "English_PlayfulGirl", "English_ManWithDeepVoice", "English_MaturePartner", "English_FriendlyPerson", "English_MatureBoss", "English_Debator", "English_LovelyGirl", "English_Steadymentor", "English_Deep-VoicedGentleman", "English_Wiselady", "English_CaptivatingStoryteller", "English_DecentYoungMan", "English_SentimentalLady", "English_ImposingManner", "English_SadTeen", "English_PassionateWarrior", "English_WiseScholar", "English_Soft-spokenGirl", "English_SereneWoman", "English_ConfidentWoman", "English_PatientMan", "English_Comedian", "English_BossyLeader", "English_Strong-WilledBoy", "English_StressedLady", "English_AssertiveQueen", "English_AnimeCharacter", "English_Jovialman", "English_WhimsicalGirl", "English_Kind-heartedGirl"]')
if voice not in allowed: raise SystemExit("Choose an accepted voice ID from this exact model profile")
p["voice"]=voice
p["response_format"]="mp3"
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

รับและบันทึกผลลัพธ์

Ailoot Ultra · การสังเคราะห์เสียงพูด

mp3

GET /v1/media/tasks/{task_id}
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}

การอ่านเนื้อหาแบบอื่น

คลังสื่อสถานะงานรายละเอียดไฟล์สื่อ

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-assets.json

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_MEDIA_TASK_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_MEDIA_TASK_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_MEDIA_TASK_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/tasks/$resource_id" \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-task.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-task.json").read_text())))
PY_RESULT

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_ASSET_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_ASSET_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_ASSET_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/assets/$resource_id" \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-asset.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-asset.json").read_text())))
PY_RESULT

เก็บผลลัพธ์ที่เสร็จสมบูรณ์ทั้งหมด

เก็บทุกการตอบกลับ ไฟล์ และส่วนเนื้อหาที่ส่งกลับมาอย่างครบถ้วน

เก็บผลลัพธ์ไบนารีและส่วนหัวให้ครบถ้วน หากได้รับ JSON/ผลลัพธ์หลายรายการ ให้เก็บข้อมูลทุกรายการและดึงไฟล์สื่อจาก URL แบบลงนามทุกรายการที่ได้รับจริง

เมื่อต้องตรวจสอบการตอบกลับต้นฉบับ

เก็บ operation_id/X-Client-Request-ID เดิมไว้เพื่อกระทบยอดโดยไม่ส่งคำขอซ้ำ ไม่มีเส้นทางเฉพาะสำหรับตรวจสอบสถานะงานเสียงเป็นระยะ

ฟิลด์การตอบกลับ

ฟิลด์	ประเภท
ฟิลด์`binary audio`	ประเภทbytes
ฟิลด์`response headers`	ประเภทheaders

ข้อผิดพลาดและขั้นตอนถัดไป

การตอบกลับ	เงื่อนไข	ขั้นตอนถัดไป
การตอบกลับ400 · `invalid_request_error`	เงื่อนไขฟิลด์จำเป็น รูปแบบการแทนข้อมูล หรือค่าพารามิเตอร์ไม่ถูกต้อง	ขั้นตอนถัดไปแก้ฟิลด์ที่ระบุก่อนส่งคำขอสร้างครั้งใหม่
การตอบกลับ`server_error`	เงื่อนไขการตอบกลับที่ได้รับระบุว่าต้องตรวจสอบการดำเนินการหรือผลลัพธ์	ขั้นตอนถัดไปเก็บ ID การดำเนินการ/งานที่ส่งกลับมาแต่เดิม ส่วนหัวของคำขอ และการตอบกลับไว้ แล้วอ่านข้อมูลการดำเนินการเดิมนั้นต่อด้วยวิธีที่รองรับ ห้ามส่งคำขอสร้างซ้ำ

ชื่ออื่น

ชื่ออื่นของโมเดล

Ailoot Ultra minimax/speech-2.8-hd

ชื่อพาธเมธอดอื่น

ใช้พาธเมธอดที่แสดงด้านบน

ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล

minimax/speech-2.8-hd

FAQ · MiniMax: Speech 2.8 HD

มีอินพุตและผลลัพธ์ใดบ้าง?: POST /v1/audio/speech · minimax/speech-2.8-hd: text → audio
คำขอใช้ฟิลด์ใดบ้าง?: POST /v1/audio/speech · minimax/speech-2.8-hd: model, input, voice, response_format

MiniMax: Speech 2.8 HD