Sesame: CSM 1B
Sesame CSM 1B แปลงข้อความที่ป้อนให้เป็นเสียงพูดผ่าน POST /v1/audio/speech ใช้ sesame/csm-1b พร้อมสคริปต์จริง เลือกหนึ่งในเสียงที่มีชื่อกำหนดไว้ และร้องขอเสียง MP3 หรือ PCM เหมาะกับกระบวนการที่เปลี่ยนข้อความ คำอธิบาย หรือช่วงเสียงบรรยายที่เตรียมไว้เป็นไฟล์เสียงเพื่อเล่นกลับหรือตัดต่อ
เกี่ยวกับโมเดล
คำอธิบายนี้ครอบคลุมความสามารถของโมเดล อินพุต เอาต์พุต และตัวเลือกที่ใช้ได้ใน Ailoot แสดงด้านล่างตามเมธอดที่เลือก
Sesame CSM 1B เป็นโมเดลข้อความเป็นเสียงพูดที่ใช้งานได้ด้วย ID ที่ตรงตามนี้คือ sesame/csm-1b ป้อนคำที่จะพูดและเก็บเสียงผลลัพธ์เป็นไฟล์ บรีฟที่ใช้งานได้จริงอาจเป็นคำอธิบายสินค้าที่เตรียมไว้ ข้อความแอปพลิเคชันแบบเสียง หรือช่วงเสียงบรรยายที่จะใส่ในงานตัดต่อ เตรียมสคริปต์เป็นข้อความที่ต้องการให้พูด รวมชื่อ ตัวเลข และถ้อยคำที่ผู้ฟังต้องได้ยิน
ส่ง POST /v1/audio/speech พร้อม application/json ฟิลด์ที่จำเป็นคือ model ซึ่งตั้งเป็น sesame/csm-1b และ input ซึ่งมีสคริปต์เป็นสตริง อ่านไฟล์สคริปต์เป็นข้อความ UTF-8 และใส่เนื้อหาลงใน input แทนการระบุชื่อไฟล์ภายในเครื่อง การเก็บเนื้อหาที่จะพูดไว้ในฟิลด์นั้นทำให้การสร้างมีสคริปต์เป็นรูปธรรมให้ทำตาม และให้แอปพลิเคชันเก็บถ้อยคำตรงตามเดิมไว้คู่กับไฟล์ผลลัพธ์ได้
ตัวเลือกเสียงตามชื่อคือ conversational_a, conversational_b, read_speech_a, read_speech_b, read_speech_c, read_speech_d และ none คงตัวระบุเหล่านั้นในฟิลด์ voice ให้ตรงตามเดิม เลือกเสียงอย่างชัดเจนเมื่อกระบวนการต้องการการกำหนดค่าคำขอที่ทำซ้ำได้ และเก็บการตั้งค่าที่เลือกไว้พร้อมสคริปต์และเอาต์พุต ฟังช่วงเสียงตัวอย่างเพื่อตัดสินว่าเสียงใดที่มีอยู่เหมาะกับการใช้งานที่ต้องการ
ใช้ response_format เลือก mp3 หรือ pcm โดย MP3 ส่งในรูปแบบ audio/mpeg และให้ไฟล์ที่ส่งต่อไปยังเครื่องเล่นหรือกระบวนการตัดต่อที่รับ MP3 ได้ ส่วน PCM ส่งในรูปแบบ audio/pcm พร้อมแซมเปิลเสียงขนาด 16 บิตแบบ little-endian ให้เก็บเมทาดาทาเสียงจริงสำหรับแอปพลิเคชันที่จะตีความไบต์ ตั้งรูปแบบอย่างชัดเจนเพื่อให้ไฟล์และตัวถอดรหัสปลายทางตรงกัน ตัวอย่างคำขอตามเอกสารใช้ speed:1 ให้คงค่าฐานนั้นเมื่อเตรียมคำขอด้วยตัวควบคุมที่กำหนดไว้
การตอบกลับที่สำเร็จมีไบต์เสียงดิบ บันทึกเนื้อหาการตอบกลับเป็นเสียง และเก็บเฮดเดอร์การตอบกลับกับข้อมูลระบุตัวตนของคำขอเดิมไว้พร้อมสคริปต์ เสียงที่เลือก และรูปแบบที่ร้องขอ เมื่อการตอบกลับนั้นเสร็จสมบูรณ์ จึงถือว่าเสียงที่ส่งกลับมาพร้อมให้เก็บและตรวจทานได้ ตรวจชื่อ ตัวเลข และขอบเขตประโยคที่พูดเทียบกับสคริปต์ต้นฉบับก่อนเพิ่มผลลัพธ์ลงในงานผลิตที่ยาวขึ้น หากคำขอถูกขัดจังหวะหลังส่ง ให้เก็บข้อมูลระบุตัวตนเดิมและข้อมูลการตอบกลับไว้ขณะตรวจผลลัพธ์ที่มีอยู่
Ailoot Ultra · Speech POST /v1/audio/speech sesame/csm-1b
sesame/csm-1bเริ่มต้น
Sesame CSM 1B แปลงข้อความที่ป้อนให้เป็นเสียงพูดผ่าน POST /v1/audio/speech ใช้ sesame/csm-1b พร้อมสคริปต์จริง เลือกหนึ่งในเสียงที่มีชื่อกำหนดไว้ และร้องขอเสียง MP3 หรือ PCM เหมาะกับกระบวนการที่เปลี่ยนข้อความ คำอธิบาย หรือช่วงเสียงบรรยายที่เตรียมไว้เป็นไฟล์เสียงเพื่อเล่นกลับหรือตัดต่อ
- อินพุตที่รองรับ
- ข้อความ
- ผลลัพธ์
- เสียง
ใช้งานได้ใน Ailoot · อินพุตและเมธอด
Ailoot Ultra · Speech POST /v1/audio/speech
- ขาเข้า
text- ขาออก
audio- รูปแบบเอาต์พุต
- mp3,pcm
| ฟิลด์ | ประเภท | ข้อกำหนด | ค่าและข้อจำกัด | ค่าเริ่มต้น |
|---|---|---|---|---|
ฟิลด์model | ประเภทstring | ข้อกำหนดจำเป็น | ค่าและข้อจำกัด sesame/csm-1b | ค่าเริ่มต้น— |
ฟิลด์input | ประเภทstring | ข้อกำหนดจำเป็น | ค่าและข้อจำกัด | ค่าเริ่มต้น— |
ฟิลด์voice | ประเภทstring | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด conversational_a, conversational_b, read_speech_a, read_speech_b, read_speech_c, read_speech_d, none | ค่าเริ่มต้น— |
ฟิลด์response_format | ประเภทstring | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด mp3, pcm | ค่าเริ่มต้น— |
ฟิลด์speed | ประเภทnumber | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด | ค่าเริ่มต้น— |
พารามิเตอร์และวงจรการทำงานของเมธอด
| พารามิเตอร์ | ข้อกำหนด |
|---|---|
พารามิเตอร์content_type | ข้อกำหนดapplication/json |
พารามิเตอร์required | ข้อกำหนดmodel, input |
พารามิเตอร์optional | ข้อกำหนดvoice, response_format, speed |
พารามิเตอร์material_types | ข้อกำหนดtext |
พารามิเตอร์conditions | ข้อกำหนด |
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 | ปริมาณที่คิดค่าบริการ | หน่วยคิดค่าบริการ | ค่าบริการ |
|---|---|---|---|---|
| การตั้งค่าอัตราค่าบริการโทเคนพื้นฐาน | ตารางอัตราค่าบริการอัตราพื้นฐาน | ปริมาณที่คิดค่าบริการ— | 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— | ปริมาณที่คิดค่าบริการ— | หน่วยคิดค่าบริการต่ออักขระอินพุต | ค่าบริการ ขาเข้า · อักขระขาเข้า $0.000014 ต่ออักขระอินพุต |
| การตั้งค่าต่อคำขอ | ตารางอัตราค่าบริการ— | ปริมาณที่คิดค่าบริการหนึ่งคำขอ | หน่วยคิดค่าบริการ— | ค่าบริการ ขาเข้า $0 ต่อคำขอ |
Ailoot กันยอดเงินประมาณการไว้ก่อนส่งคำขอ หลังได้ผลลัพธ์ จะคิดค่าบริการสุดท้ายตามการใช้งานที่วัดได้ การคิดค่าบริการแบบสตรีมใช้บันทึกการใช้งานสุดท้าย วิธีกันยอดเงินและคิดค่าบริการสุดท้าย →
ตัวอย่างคำขอ
Ailoot Ultra · Speech
set -eu
: "${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('{"input": "Hello world", "model": "sesame/csm-1b", "response_format": "mp3", "speed": 1, "voice": "conversational_a"}')
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
GET /v1/media/assetsGET /v1/media/assets/{asset_id}
เก็บผลลัพธ์ที่เสร็จสมบูรณ์ทั้งหมด
เก็บทุกการตอบกลับ ไฟล์ และส่วนเนื้อหาที่ส่งกลับมาอย่างครบถ้วน
Retain the complete binary audio and response headers. Use the actual output Content-Type; no extra container or bit depth is inferred.
เมื่อต้องตรวจสอบการตอบกลับต้นฉบับ
Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.
ชื่ออื่น
ชื่ออื่นของโมเดล
Ailoot Ultra sesame/csm-1b
ชื่อพาธเมธอดอื่น
ใช้พาธเมธอดที่แสดงด้านบน
ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล
FAQ · Sesame: CSM 1B
- มีอินพุตและผลลัพธ์ใดบ้าง?
POST /v1/audio/speech·sesame/csm-1b:text→audio- คำขอใช้ฟิลด์ใดบ้าง?
POST /v1/audio/speech·sesame/csm-1b:model,input,voice,response_format,speed