speech-2.6-hd
Speech 2.6 HD เป็นโมเดลสังเคราะห์เสียงพูดคุณภาพสูงที่เน้นความเป็นธรรมชาติและความใกล้เคียงของเสียง
เกี่ยวกับโมเดล
คำอธิบายนี้ครอบคลุมความสามารถของโมเดล อินพุต เอาต์พุต และตัวเลือกที่ใช้ได้ใน Ailoot แสดงด้านล่างตามเมธอดที่เลือก
เสียงธรรมชาติสำหรับการโต้ตอบ
Speech 2.6 HD ใช้สำหรับสังเคราะห์เสียงพูดธรรมชาติและสถานการณ์ที่ต้องเริ่มตอบอย่างรวดเร็ว ผู้ผลิตใส่ใจน้ำเสียง ความลื่นไหล และการประมวลผลข้อความก่อนออกเสียง รูปแบบ HD เน้นคุณภาพเสียง อินพุตของการ์ดนี้คือข้อความ เอาต์พุตคือเสียงพูด
การอ่านข้อมูลรูปแบบพิเศษ
รุ่น Speech 2.6 ประมวลผลข้อมูลที่พบบ่อยในข้อความทำงานได้ เช่น URL อีเมล หมายเลขโทรศัพท์ วันที่ และจำนวนเงิน โมเดลแปลงให้เป็นรูปที่ออกเสียงได้ เพื่อให้ฟังประโยคเข้าใจ ผู้ผลิตอธิบายงานเหล่านี้ในหลายภาษา
เสียงพูดลื่นไหลที่รักษาโทนเสียง
Speech 2.6 มีโหมดเพิ่มความลื่นไหล Fluent LoRA ใช้สำหรับสังเคราะห์จากเสียงที่เตรียมไว้แล้ว โดยช่วยรักษาโทนเสียงและสร้างเสียงพูดที่ต่อเนื่องขึ้น แม้ตัวอย่างต้นฉบับไม่ราบรื่นหรือมีสำเนียง การเตรียมเสียงโคลนกับการนำไปใช้พากย์เป็นคนละการกระทำ
รองรับ 40 ภาษา รวมถึงภาษารัสเซีย นอกจากอารมณ์พื้นฐานเจ็ดแบบ Speech 2.6 ยังมีตัวเลือกเสียงพูดลื่นไหล fluent และเสียงกระซิบ whisper หากไม่ระบุอารมณ์ โมเดลเลือกตามความหมายข้อความ
การตั้งค่าการออกเสียง
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
ความยาวข้อความและเสียง
การสังเคราะห์รับข้อความที่มีความยาวน้อยกว่า 10 000 อักขระ สำหรับข้อความยาวเกิน 3000 อักขระ ผู้ผลิตแนะนำเอาต์พุตแบบสตรีม และยังรองรับการรับเสียงสำเร็จทั้งหมดในครั้งเดียว การตั้งค่าการสังเคราะห์ทั่วไปรวมถึง MP3, PCM, FLAC, WAV, Opus และรูปแบบ G.711 μ-law ทั้งโมโนและสเตอริโอ ชุดรูปแบบที่ใช้ได้กับคำขอเฉพาะกำหนดด้วยเครื่องมือของ Ailoot
ตามข้อมูลของ MiniMax รุ่นนี้มุ่งรองรับความหน่วงต่ำในการใช้งานเสียง นี่เป็นคำอธิบายโมเดล ระยะเวลาตอบเฉพาะครั้งและความพร้อมของการตั้งค่าขั้นสูงขึ้นอยู่กับวิธีเรียกใน Ailoot ที่เลือก
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-2.6-hd
speech-2.6-hdเริ่มต้น
Speech 2.6 HD เป็นโมเดลสังเคราะห์เสียงพูดคุณภาพสูงที่เน้นความเป็นธรรมชาติและความใกล้เคียงของเสียง
- อินพุตที่รองรับ
- ข้อความ
- ผลลัพธ์
- speech
ใช้งานได้ใน Ailoot · อินพุตและเมธอด
Ailoot · การสังเคราะห์เสียงพูด POST /v1/audio/speech
- ขาเข้า
text- ขาออก
speech- รูปแบบเอาต์พุต
- mp3
| ฟิลด์ | ประเภท | ข้อกำหนด | ค่าและข้อจำกัด | ค่าเริ่มต้น |
|---|---|---|---|---|
ฟิลด์model | ประเภทstring | ข้อกำหนดจำเป็น | ค่าและข้อจำกัด speech-2.6-hd | ค่าเริ่มต้น— |
ฟิลด์input | ประเภทstring | ข้อกำหนดจำเป็น | ค่าและข้อจำกัด ความยาวขั้นต่ำ: 1 ความยาวสูงสุดแบบไม่รวมค่าสูงสุด: 10,000 หน่วย: อักขระ Unicode | ค่าเริ่มต้น— |
ฟิลด์voice | ประเภทstring | ข้อกำหนดจำเป็น | ค่าและข้อจำกัด แพตเทิร์น: ^[A-Za-z0-9_-]{1,128}$ | ค่าเริ่มต้น— |
ฟิลด์response_format | ประเภทstring | ข้อกำหนดไม่บังคับ | ค่าและข้อจำกัด mp3 | ค่าเริ่มต้น— |
ชุดผสมของสื่ออินพุต
text_to_speech · จำเป็น: input
พารามิเตอร์และวงจรการทำงานของเมธอด
| พารามิเตอร์ | ข้อกำหนด |
|---|---|
พารามิเตอร์material_types | ข้อกำหนดtext |
พารามิเตอร์required | ข้อกำหนดnull |
พารามิเตอร์optional_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
POST /v1/audio/speech- ขาเข้า
- US$100.00 ต่อ 1 ล้านอักขระ
Ailoot กันยอดเงินประมาณการไว้ก่อนส่งคำขอ หลังได้ผลลัพธ์ จะคิดค่าบริการสุดท้ายตามการใช้งานที่วัดได้ การคิดค่าบริการแบบสตรีมใช้บันทึกการใช้งานสุดท้าย วิธีกันยอดเงินและคิดค่าบริการสุดท้าย →
ตัวอย่างคำขอ
Ailoot · การสังเคราะห์เสียงพูด
set -eu
: "${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-2.6-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}/contentGET /v1/media/assetsGET /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 |
|---|---|
ฟิลด์binary audio | ประเภทbytes |
ฟิลด์response headers | ประเภทheaders |
ข้อผิดพลาดและขั้นตอนถัดไป
| การตอบกลับ | เงื่อนไข | ขั้นตอนถัดไป |
|---|---|---|
การตอบกลับ400 · invalid_request_error | เงื่อนไขฟิลด์จำเป็น รูปแบบการแทนข้อมูล หรือค่าพารามิเตอร์ไม่ถูกต้อง | ขั้นตอนถัดไปแก้ฟิลด์ที่ระบุก่อนส่งคำขอสร้างครั้งใหม่ |
การตอบกลับserver_error | เงื่อนไขการตอบกลับที่ได้รับระบุว่าต้องตรวจสอบการดำเนินการหรือผลลัพธ์ | ขั้นตอนถัดไปเก็บ ID การดำเนินการ/งานที่ส่งกลับมาแต่เดิม ส่วนหัวของคำขอ และการตอบกลับไว้ แล้วอ่านข้อมูลการดำเนินการเดิมนั้นต่อด้วยวิธีที่รองรับ ห้ามส่งคำขอสร้างซ้ำ |
ชื่ออื่น
ชื่ออื่นของโมเดล
Ailoot speech-2.6-hd
ชื่อพาธเมธอดอื่น
ใช้พาธเมธอดที่แสดงด้านบน
ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล
FAQ · speech-2.6-hd
- มีอินพุตและผลลัพธ์ใดบ้าง?
POST /v1/audio/speech·speech-2.6-hd:text→speech- คำขอใช้ฟิลด์ใดบ้าง?
POST /v1/audio/speech·speech-2.6-hd:model,input,voice,response_format