speech-02-hd

Speech-02 HD เป็นโมเดลสังเคราะห์เสียงพูดที่เน้นคุณภาพเสียงและความใกล้เคียงของเสียง

Ailoot · การสังเคราะห์เสียงพูด POST /v1/audio/speech speech-02-hd

เกี่ยวกับโมเดล

คำอธิบายนี้ครอบคลุมความสามารถของโมเดล อินพุต เอาต์พุต และตัวเลือกที่ใช้ได้ใน Ailoot แสดงด้านล่างตามเมธอดที่เลือก

เสียงสำหรับการพากย์และการอ่านยาว

Speech 02 HD สร้างเสียงพูดโดยเน้นคุณภาพ จังหวะ และความสม่ำเสมอ ผู้ผลิตเน้นการพากย์เนื้อหาและหนังสือเสียงที่ต้องรักษาเอกลักษณ์เสียงและอ่านเนื้อหายาวได้อย่างราบรื่น นี่เป็นโมเดลสังเคราะห์ รับข้อความและแปลงเป็นเสียงพูด

การเชื่อมข้อความกับโทนเสียง

ตระกูล Speech 02 มีพื้นฐานเป็นสถาปัตยกรรม Transformer แบบ autoregressive และตัวเข้ารหัสผู้พูดที่เรียนรู้ได้ การสกัดโทนเสียงและสร้างเสียงพูดฝึกร่วมกันเพื่อให้ลักษณะเสียงสอดคล้องกับเนื้อหา ความสามารถของตระกูลนี้รวมถึงการใช้เสียงโคลนที่เตรียมไว้แล้ว และการผสานภาษา สำเนียง กับลีลาการออกเสียง

อารมณ์และการอ่านหลายภาษา

เลือกอารมณ์จากความหมายข้อความหรือกำหนดเองได้ มีดีใจ เศร้า โกรธ กลัว รังเกียจ ประหลาดใจ และสงบ โมเดลทำงานกับภาษารัสเซีย อังกฤษ และภาษาอื่น ๆ ผู้ผลิตอธิบายสำเนียงภาษาอังกฤษหลายแบบ ภาษาจีนและกวางตุ้ง ญี่ปุ่น เกาหลี ภาษายุโรป และภาษาอื่น

คำอธิบายปัจจุบันของ Speech 02 ระบุแยกว่าไม่รองรับเปอร์เซีย ฟิลิปปินส์ และทมิฬ ไม่ควรนำรายการภาษารวมของ Speech รุ่นใหม่กว่ามาใช้กับเวอร์ชันนี้โดยอัตโนมัติ

การตั้งค่าเสียง

การสังเคราะห์รองรับการเลือกเสียง ปรับความเร็ว 0,5–2 ความดังมากกว่า 0 และไม่เกิน 10 และระดับเสียงตั้งแต่ −12 ถึง 12 ในพจนานุกรมการออกเสียง กำหนดคำเขียนที่จะเปลี่ยนเป็นคำอ่านที่ต้องการได้ รองรับการเขียนสัทอักษรและรูปแบบการออกเสียงภาษาญี่ปุ่น ช่วยควบคุมการออกเสียงชื่อและคำที่อ่านได้หลายแบบ

ช่วงหยุดและเสียงสำเร็จ

ผู้ผลิตเปิดให้กำหนดช่วงหยุดระหว่างส่วนที่จะพูดได้ยาว 0,01–99,99 วินาที ระยะเวลาช่วงหยุดกำหนดละเอียดถึงสองตำแหน่งทศนิยม วางเครื่องหมายระหว่างส่วนที่จะพูดและไม่วางติดกัน ข้อความของคำขอแบบซิงโครนัสหนึ่งครั้งต้องมีความยาวน้อยกว่า 10 000 อักขระ รองรับการรับเสียงทั้งหมดในครั้งเดียวและการทยอยรับ สำหรับข้อความเกิน 3000 อักขระ แนะนำเอาต์พุตแบบสตรีม

รูปแบบของโมเดลรวมถึง MP3, WAV, FLAC และ PCM การตั้งค่าการสังเคราะห์ทั่วไปยังอธิบาย Opus และรูปแบบ G.711 μ-law ใช้โมโนหรือสเตอริโอได้ การ์ดนี้รองรับการพากย์ข้อความ ส่วนการเตรียมเสียงแยกต่างหากและการตั้งค่าขั้นสูงใช้ได้ภายในขอบเขตวิธีเรียกผ่าน Ailoot ที่รองรับเท่านั้น

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 · การสังเคราะห์เสียงพูด POST /v1/audio/speech speech-02-hd

speech-02-hd

MiniMax /speech-02-hd

เริ่มต้น

อินพุตที่รองรับ: ข้อความ
ผลลัพธ์: speech

ใช้งานได้ใน Ailoot · อินพุตและเมธอด

Ailoot · การสังเคราะห์เสียงพูด POST /v1/audio/speech

ขาเข้า: text
ขาออก: speech
รูปแบบเอาต์พุต: mp3

ฟิลด์	ประเภท	ข้อกำหนด	ค่าและข้อจำกัด	ค่าเริ่มต้น
ฟิลด์`model`	ประเภท`string`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด speech-02-hd	ค่าเริ่มต้น—
ฟิลด์`input`	ประเภท`string`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด ความยาวขั้นต่ำ: 1 ความยาวสูงสุดแบบไม่รวมค่าสูงสุด: 10,000 หน่วย: อักขระ Unicode	ค่าเริ่มต้น—
ฟิลด์`voice`	ประเภท`string`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด แพตเทิร์น: ^[A-Za-z0-9_-]{1,128}$	ค่าเริ่มต้น—
ฟิลด์`response_format`	ประเภท`string`	ข้อกำหนดไม่บังคับ	ค่าและข้อจำกัด mp3	ค่าเริ่มต้น—

ชุดผสมของสื่ออินพุต

text_to_speech · จำเป็น: input

พารามิเตอร์และวงจรการทำงานของเมธอด

พารามิเตอร์	ข้อกำหนด
พารามิเตอร์`material_types`	ข้อกำหนดtext
พารามิเตอร์`required`	ข้อกำหนดnull
พารามิเตอร์`optional_controls`	ข้อกำหนดnull

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}

รูปแบบเมธอดและ ID ระบุอย่างแม่นยำ ความสามารถของผู้ให้บริการแยกจากการอนุญาตให้รับคำขอ

ราคา

อัตราค่าบริการเมธอด Ailoot

Ailoot การสังเคราะห์เสียงพูดPOST /v1/audio/speech

ขาเข้า: US$100.00 ต่อ 1 ล้านอักขระ

Ailoot กันยอดเงินประมาณการไว้ก่อนส่งคำขอ หลังได้ผลลัพธ์ จะคิดค่าบริการสุดท้ายตามการใช้งานที่วัดได้ การคิดค่าบริการแบบสตรีมใช้บันทึกการใช้งานสุดท้าย วิธีกันยอดเงินและคิดค่าบริการสุดท้าย →

ตัวอย่างคำขอ

Ailoot · การสังเคราะห์เสียงพูด

ตัวอย่างเสียงพูด

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-02-hd", "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

รับและบันทึกผลลัพธ์

Ailoot · 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}

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 speech-02-hd

ชื่อพาธเมธอดอื่น

ใช้พาธเมธอดที่แสดงด้านบน

ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล

speech-02-hd

FAQ · speech-02-hd

มีอินพุตและผลลัพธ์ใดบ้าง?: POST /v1/audio/speech · speech-02-hd: text → speech
คำขอใช้ฟิลด์ใดบ้าง?: POST /v1/audio/speech · speech-02-hd: model, input, voice, response_format

speech-02-hd

speech-02-hd

เสียงสำหรับการพากย์และการอ่านยาว

การเชื่อมข้อความกับโทนเสียง

อารมณ์และการอ่านหลายภาษา

การตั้งค่าเสียง

ช่วงหยุดและเสียงสำเร็จ

เริ่มต้น

ใช้งานได้ใน Ailoot · อินพุตและเมธอด

ราคา

อัตราค่าบริการเมธอด Ailoot

ตัวอย่างคำขอ

Ailoot · การสังเคราะห์เสียงพูด

รับและบันทึกผลลัพธ์

Ailoot · การสังเคราะห์เสียงพูด

เก็บผลลัพธ์ที่เสร็จสมบูรณ์ทั้งหมด

เมื่อต้องตรวจสอบการตอบกลับต้นฉบับ

ชื่ออื่น

ชื่ออื่นของโมเดล

ชื่อพาธเมธอดอื่น

ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล

บริษัทและพอร์ตโฟลิโอโครงการของบริษัท

ซื้อโทเคนพร้อมส่วนลด

เชื่อม API กับผลิตภัณฑ์ ที่คุณขาย