speech-02-turbo

Speech-02 Turbo ใช้สำหรับสังเคราะห์เสียงพูดอย่างรวดเร็ว ด้วยจังหวะสม่ำเสมอและการออกเสียงหลายภาษา

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

เกี่ยวกับโมเดล

คำอธิบายนี้ครอบคลุมความสามารถของโมเดล อินพุต เอาต์พุต และตัวเลือกที่ใช้ได้ใน Ailoot แสดงด้านล่างตามเมธอดที่เลือก

เสียงพูดรวดเร็วสำหรับคำตอบเชิงโต้ตอบ

Speech 02 Turbo ใช้สำหรับสังเคราะห์เสียงพูดแบบโต้ตอบ ผู้ผลิตอธิบายการผสานความเร็วกับจังหวะสม่ำเสมอและเสียงธรรมชาติ ตัวอย่างการใช้งานรวมถึงคำตอบเสียง ประโยคในเกม และเนื้อหาเชิงโต้ตอบ โมเดลรับข้อความและสร้างเสียงพูด

การเลือกลักษณะเสียง

ตระกูล Speech 02 เปิดให้ผสานเสียง ภาษา สำเนียง และอารมณ์ ทรานส์ฟอร์เมอร์แบบออโตรีเกรสซีฟและตัวเข้ารหัสผู้พูดที่ได้รับการฝึกร่วมกันเชื่อมโทนเสียงกับเนื้อหา สังเคราะห์ข้อความด้วยเสียงสำเร็จรูปได้ ส่วนการสร้างเสียงโคลนใหม่เป็นขั้นตอนเตรียมแยกต่างหาก

โมเดลเลือกน้ำเสียงตามอารมณ์จากข้อความเอง หรือรับอารมณ์ที่กำหนด ได้แก่ ดีใจ เศร้า โกรธ กลัว รังเกียจ ประหลาดใจ หรือสงบ ยังควบคุมความเร็ว ระดับเสียง และความดังได้ เพื่อให้ประโยคสอดคล้องกับจังหวะการโต้ตอบที่ต้องการ

ภาษาและการอ่านคำ

รองรับเสียงพูดภาษารัสเซียและภาษาอื่น รวมถึงอังกฤษ จีน กวางตุ้ง ญี่ปุ่น เกาหลี ฝรั่งเศส เยอรมัน สเปน โปรตุเกส ตุรกี อาหรับ และยูเครน ข้อกำหนดปัจจุบันของ Speech 02 ระบุแยกว่าไม่รองรับเปอร์เซีย ฟิลิปปินส์ และทมิฬ

ปรับการออกเสียงได้ด้วยพจนานุกรมคำแทน สัทอักษรสากล พินอินจีน และรูปแบบการอ่านภาษาญี่ปุ่น กำหนดช่วงหยุดระหว่างส่วนที่จะพูดได้ในช่วง 0,01–99,99 วินาที ระยะเวลาช่วงหยุดกำหนดละเอียดถึงสองตำแหน่งทศนิยม วางเครื่องหมายระหว่างส่วนที่จะพูดและไม่วางติดกัน โมเดลรองรับความเร็ว 0,5–2 ความดังมากกว่า 0 และไม่เกิน 10 และการปรับระดับเสียงตั้งแต่ −12 ถึง 12

เสียงสำหรับเล่นกลับ

อินพุตแบบซิงโครนัสจำกัดที่ข้อความน้อยกว่า 10 000 อักขระ สำหรับข้อความเกิน 3000 อักขระ ผู้ผลิตแนะนำการทยอยส่งผลลัพธ์ ความสามารถของโมเดลรวมถึง MP3, WAV, FLAC และ PCM การตั้งค่าทั่วไปยังอธิบาย Opus และ G.711 μ-law โดยใช้หนึ่งหรือสองช่องสัญญาณเสียง

การ์ด Ailoot นี้รับข้อความและส่งกลับเสียงพูด ความเร็วของ Turbo เป็นวัตถุประสงค์ของรูปแบบโมเดล ส่วนระยะเวลาของคำตอบเฉพาะและความพร้อมของรูปแบบขั้นสูงขึ้นอยู่กับวิธีเรียกที่เลือก

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-turbo

speech-02-turbo

MiniMax /speech-02-turbo

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-turbo	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$60.00 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-turbo", "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-turbo

ชื่อพาธเมธอดอื่น

ใช้พาธเมธอดที่แสดงด้านบน

ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล

speech-02-turbo

FAQ · speech-02-turbo

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

speech-02-turbo

speech-02-turbo

เสียงพูดรวดเร็วสำหรับคำตอบเชิงโต้ตอบ

การเลือกลักษณะเสียง

ภาษาและการอ่านคำ

เสียงสำหรับเล่นกลับ

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