speech-2.6-turbo
Speech 2.6 Turbo สังเคราะห์เสียงพูดหลายภาษาและมุ่งให้คำตอบด้วยความหน่วงต่ำ
เกี่ยวกับโมเดล
คำอธิบายนี้ครอบคลุมความสามารถของโมเดล อินพุต เอาต์พุต และตัวเลือกที่ใช้ได้ใน Ailoot แสดงด้านล่างตามเมธอดที่เลือก
ประโยคสำหรับกระบวนการเสียง
Speech 2.6 Turbo เป็นรูปแบบสังเคราะห์เสียงพูดที่เน้นความเร็ว ผู้ผลิตอธิบายการใช้กับผู้ช่วยเสียงและสถานการณ์โต้ตอบที่แปลงข้อความเป็นคำตอบอย่างทยอยต่อเนื่อง โมเดลรักษาน้ำเสียงธรรมชาติของรุ่น Speech 2.6 และประมวลผลข้อมูลรูปแบบพิเศษได้
ข้อความที่ต้องออกเสียงให้ถูกต้อง
โมเดลออกแบบสำหรับอ่านวันที่ หมายเลขโทรศัพท์ จำนวนเงิน URL และอีเมล โดยไม่ต้องเขียนข้อมูลแต่ละรายการใหม่ด้วยมือก่อน มีประโยชน์กับข้อความที่เปลี่ยนแปลงตลอดเวลาและมีตัวเลขกับสัญลักษณ์ปะปนคำทั่วไป ผู้ผลิตอธิบายการประมวลผลรูปแบบเหล่านี้ในหลายภาษา
ความลื่นไหลและการควบคุมอารมณ์
Speech 2.6 รองรับ Fluent LoRA เพื่อรักษาโทนเสียงที่จดจำได้พร้อมออกเสียงข้อความอย่างลื่นไหลขึ้น ความสามารถนี้ใช้กับเสียงที่เตรียมไว้แล้ว การเตรียมเสียงโคลนแยกไม่ใช่ส่วนหนึ่งของคำขอข้อความทั่วไป ตระกูลนี้ครอบคลุม 40 ภาษา รวมถึงภาษารัสเซีย
Turbo มีอารมณ์พื้นฐานเจ็ดแบบและโหมดเพิ่มเติม fluent กับ whisper โมเดลเลือกอารมณ์จากเนื้อหาเองหรือใช้อารมณ์ที่กำหนดได้ ปรับความทุ้มลึกและจังหวะเสียงแยกจากข้อความได้
เสียง ช่วงหยุด และการออกเสียง
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
การรับเสียง
การสังเคราะห์รับข้อความที่มีความยาวน้อยกว่า 10 000 อักขระ สำหรับข้อความยาวเกิน 3000 อักขระ ผู้ผลิตแนะนำเอาต์พุตแบบสตรีม และยังรองรับการรับเสียงสำเร็จทั้งหมดในครั้งเดียว การตั้งค่าการสังเคราะห์ทั่วไปรวมถึง MP3, PCM, FLAC, WAV, Opus และรูปแบบ G.711 μ-law ทั้งโมโนและสเตอริโอ ชุดรูปแบบที่ใช้ได้กับคำขอเฉพาะกำหนดด้วยเครื่องมือของ Ailoot
การ์ด Ailoot นี้แปลงข้อความเป็นเสียงพูด วัตถุประสงค์ของ Turbo เชื่อมกับความเร็วสังเคราะห์ แต่ไม่ได้รับประกันเวลาตอบคงที่ การตั้งค่าที่ระบุสะท้อนความสามารถของผู้ผลิต และใช้ได้ภายในวิธีเรียกที่รองรับ
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-turbo
speech-2.6-turboเริ่มต้น
Speech 2.6 Turbo สังเคราะห์เสียงพูดหลายภาษาและมุ่งให้คำตอบด้วยความหน่วงต่ำ
- 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-turbo | 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$60.00 ต่อ 1 ล้านอักขระ
Ailoot กันยอดเงินประมาณการไว้ก่อนส่งคำขอ หลังได้ผลลัพธ์ จะคิดค่าบริการสุดท้ายตามการใช้งานที่วัดได้ การคิดค่าบริการแบบสตรีมใช้บันทึกการใช้งานสุดท้าย วิธีกันยอดเงินและคิดค่าบริการสุดท้าย →
ตัวอย่างคำขอ
Ailoot · การสังเคราะห์เสียงพูด
set -eu
: "${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-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}/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-turbo
ชื่อพาธเมธอดอื่น
ใช้พาธเมธอดที่แสดงด้านบน
ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล
FAQ · speech-2.6-turbo
- มีอินพุตและผลลัพธ์ใดบ้าง?
POST /v1/audio/speech·speech-2.6-turbo:text→speech- คำขอใช้ฟิลด์ใดบ้าง?
POST /v1/audio/speech·speech-2.6-turbo:model,input,voice,response_format