MiniMax: Speech 02 HD
MiniMax Speech 02 HD berilgan matnni sinxron audio_speech so‘rovi orqali yaratilgan nutq sifatida o‘qiydi. U 10 000 belgidan qisqa matnni qabul qiladi va MP3, PCM, FLAC yoki WAV chiqishi bilan ovoz, sur’at va tovush balandligi sozlamalarini taklif qiladi.
Model haqida
Bu tavsif model imkoniyatlarini yoritadi. Ailoot da tanlangan usul uchun mavjud kirish, chiqish va parametrlar quyida keltirilgan.
MiniMax Speech 02 HD berilgan matnni nutq audiosiga aylantiradi. Uning aniq Ailoot model ID qiymati minimax/speech-02-hd, hujjatlashtirilgan sintez tanlash qiymati esa speech-02-hd. Matni allaqachon tayyor bo‘lgan ovozli sharh, og‘zaki dars, mahsulot tushuntirishi yoki ovozli matn qoralamasi uchun audio_speech usulidan foydalaning. Kirish o‘qiladigan parcha, natija esa tanlangan audio formatdagi sintezlangan nutqdir.
Matnni aytiladigan so‘zlar sifatida, iboralarga mos tinish belgilari bilan tayyorlang. Ovozli matn qoralamasi uchun ovoz sozlamalarini tanlashdan avval gaplarning yakuniy tartibi va ismlarning yozilishini bering. Agar sahna ko‘rsatmalari yozuvda aytilmasligi kerak bo‘lsa, ularni og‘zaki parchadan alohida saqlang. Natijadagi muhim ismlar, sonlar va o‘tishlarni tinglang va manba matni bilan solishtiring.
Matn 10 000 belgidan qisqa bo‘lishi kerak. E’lon qilingan sintez shartnomasi model va text ni talab qiladi. Uzunroq material uchun shu chegaradagi parchalarni tayyorlang va tahrir uchun ularning tartibini saqlang. Sinxron profil to‘liq javobdan foydalanadi, hujjatlashtirilgan standart qiymat stream=false. Umumiy API oqim variantlarini ham tavsiflaydi, ammo ushbu kartada tanlangan usul sinxron nutq jarayonidir.
voice_setting mavjud voice_id ni tanlaydi va speed, vol hamda pitch ni boshqaradi. Hujjatlashtirilgan speed oralig‘i 0.5–2, standart qiymati 1. vol 0 dan katta va ko‘pi bilan 10 bo‘lishi kerak, standart qiymati 1; pitch -12 dan 12 gacha bo‘lgan butun son, standart qiymati 0. Har bir sozlamani parchaga xizmat qildiring: sonni o‘zgartirish muayyan ijroni yaratadi deb taxmin qilish o‘rniga haqiqiy yozuvning o‘qish sur’ati va eshitilishini solishtiring.
Hujjatlashtirilgan emotion qiymatlari happy, sad, angry, fearful, disgusted, surprised, calm va fluent. Matn ham modelning hissiyotini yo‘naltirishi mumkin. text_normalization xitoycha va inglizcha sonlarni o‘qishga tayyorlash uchun alohida mantiqiy boshqaruv, latex_read esa LaTeX formulalarini o‘qishni boshqaradi; ikkalasining standart qiymati false. pronunciation_dict.tone hujjatlashtirilgan talaffuz almashtirish qoidalarini tashishi mumkin. Ism yoki maxsus iborani uzunroq ovozli matnda ishlatishdan avval natija audiosida tekshiring.
audio_setting.format mp3, pcm, flac yoki wav ni qabul qiladi, standart qiymati mp3. sample_rate 8000, 16000, 22050, 24000, 32000 yoki 44100 ni qabul qiladi va standart qiymati 32000. bitrate 32000, 64000, 128000 yoki 256000 ni qabul qiladi, standart qiymati 128000 va MP3 ga tegishli. channel mono uchun 1 yoki stereo uchun 2 ni tanlaydi, standart qiymati 1. Qaytarilgan faylning ko‘zlangan tahrir yoki eshittirish joyiga mosligini tekshirish uchun bu tanlovlarni manba parchasi bilan saqlang.
Qo‘shimcha hujjatlashtirilgan boshqaruvlar language_boost ni o‘z ichiga oladi, uning aniq nomlangan variantlari orasida English, Russian, Chinese va Chinese,Yue bor; parcha uchun ro‘yxatdagi haqiqiy qiymatni tanlang. timber_weights mavjud voice_id yozuvlarini 1 dan 100 gacha butun weight qiymatlari bilan birlashtirishi mumkin. E’lon qilingan sound_effects qiymatlari spacious_echo, auditorium_echo, lofi_telephone va robotic. Bular tanlangan ovozni shakllantirish uchun ixtiyoriy boshqaruvlardir; o‘qishlarni solishtirishda ularning haqiqiy sozlamalarini qayd eting.
Sinxron natija yaratilgan nutqni o‘z ichiga oladi. output_format url yoki hex ni tanlaydi va sintez sxemasida standart qiymati hex. URL natijasida ko‘rsatilgan faylni yuklab oling yoki eshittirishdan avval hex natijasini audio baytlariga dekodlang. Qaytarilgan audio metama’lumotlarini, jumladan format, namuna olish chastotasi, kanallar soni va hajmini yozuv bilan saqlang. subtitle_enable ning standart qiymati false va yoqilganda faqat oqimsiz chiqishga qo‘llanadi; manba ushbu profil uchun subtitr fayl formatini belgilamaydi.
Manba parchasi, aniq model ID qiymati, ovoz tanlovi va tayyor yozuvni birga saqlang. Video, dars yoki ovozli qo‘llanmaga joylashdan avval butun o‘qishni tekshirib, ko‘zlangan so‘zlar, pauzalar va tanlangan ijro sozlamalarini baholang. Javob to‘liq bo‘lmasa, yana yozuv so‘rashdan avval muvofiqlashtirish uchun dastlabki so‘rov identifikatori va qaytarilgan ma’lumotlarni saqlang. Keyingi tuzatishda aniq ibora yoki ovoz sozlamasi o‘zgartirilishi mumkin, ssenariyning qolgan qismi esa aniq solishtirish uchun saqlanadi.
Ailoot Ultra · Speech POST /v1/audio/speech minimax/speech-02-hd
minimax/speech-02-hdBoshlash
MiniMax Speech 02 HD berilgan matnni sinxron audio_speech so‘rovi orqali yaratilgan nutq sifatida o‘qiydi. U 10 000 belgidan qisqa matnni qabul qiladi va MP3, PCM, FLAC yoki WAV chiqishi bilan ovoz, sur’at va tovush balandligi sozlamalarini taklif qiladi.
- Qabul qilinadigan kirish ma’lumotlari
- Matn
- Natijalar
- Audio
Ailoot da mavjud · kirish ma’lumotlari va usullar
Ailoot Ultra · Speech POST /v1/audio/speech
- Kirish
text- Chiqish
audio- Chiqish formati
- mp3,pcm,flac,wav
| Maydon | Tur | Talab | Qiymatlar va cheklovlar | Standart |
|---|---|---|---|---|
Maydonmodel | Turstring | TalabMajburiy | Qiymatlar va cheklovlar minimax/speech-02-hd | Standart— |
Maydontext | Turstring | TalabMajburiy | Qiymatlar va cheklovlar | Standart— |
Maydonstream | Turboolean | TalabIxtiyoriy | Qiymatlar va cheklovlar false | Standartfalse |
Maydonvoice_setting | Turobject | TalabIxtiyoriy | Qiymatlar va cheklovlar | Standart— |
Maydonvoice_setting.voice_id | Turstring | TalabIxtiyoriy | Qiymatlar va cheklovlar | Standart— |
Maydonvoice_setting.speed | Turnumber | TalabIxtiyoriy | Qiymatlar va cheklovlar Eng kam: 0,5 Eng ko‘p: 2 | Standart1 |
Maydonvoice_setting.vol | Turnumber | TalabIxtiyoriy | Qiymatlar va cheklovlar Eng kam: 0 Eng ko‘p: 10 | Standart1 |
Maydonvoice_setting.pitch | Turinteger | TalabIxtiyoriy | Qiymatlar va cheklovlar Eng kam: -12 Eng ko‘p: 12 | Standart0 |
Maydonvoice_setting.emotion | Turstring | TalabIxtiyoriy | Qiymatlar va cheklovlar happy, sad, angry, fearful, disgusted, surprised, calm, fluent | Standart— |
Maydonvoice_setting.text_normalization | Turboolean | TalabIxtiyoriy | Qiymatlar va cheklovlar | Standartfalse |
Maydonvoice_setting.latex_read | Turboolean | TalabIxtiyoriy | Qiymatlar va cheklovlar | Standartfalse |
Maydonaudio_setting | Turobject | TalabIxtiyoriy | Qiymatlar va cheklovlar | Standart— |
Maydonaudio_setting.sample_rate | Turinteger | TalabIxtiyoriy | Qiymatlar va cheklovlar 8 000, 16 000, 22 050, 24 000, 32 000, 44 100 | Standart32 000 |
Maydonaudio_setting.bitrate | Turinteger | TalabIxtiyoriy | Qiymatlar va cheklovlar 32 000, 64 000, 128 000, 256 000 | Standart128 000 |
Maydonaudio_setting.format | Turstring | TalabIxtiyoriy | Qiymatlar va cheklovlar mp3, pcm, flac, wav | Standartmp3 |
Maydonaudio_setting.channel | Turinteger | TalabIxtiyoriy | Qiymatlar va cheklovlar 1, 2 | Standart1 |
Maydonaudio_setting.force_cbr | Turboolean | TalabIxtiyoriy | Qiymatlar va cheklovlar | Standartfalse |
Maydonpronunciation_dict | Turobject | TalabIxtiyoriy | Qiymatlar va cheklovlar | Standart— |
Maydonpronunciation_dict.tone | Turarray | TalabIxtiyoriy | Qiymatlar va cheklovlar | Standart— |
Maydontimber_weights | Turarray | TalabIxtiyoriy | Qiymatlar va cheklovlar | Standart— |
Maydonlanguage_boost | Turstring | TalabIxtiyoriy | Qiymatlar va cheklovlar Chinese, Chinese,Yue, English, Arabic, Russian, Spanish, French, Portuguese, German, Turkish, Dutch, Ukrainian, Vietnamese, Indonesian, Japanese, Italian, Korean, Thai, Polish, Romanian, Greek, Czech, Finnish, Hindi, Bulgarian, Danish, Hebrew, Malay, Persian, Slovak, Swedish, Croatian, Filipino, Hungarian, Norwegian, Slovenian, Catalan, Nynorsk, Tamil, Afrikaans, auto | Standart— |
Maydonvoice_modify | Turobject | TalabIxtiyoriy | Qiymatlar va cheklovlar | Standart— |
Maydonvoice_modify.pitch | Turinteger | TalabIxtiyoriy | Qiymatlar va cheklovlar -100, 100 | Standart— |
Maydonvoice_modify.intensity | Turinteger | TalabIxtiyoriy | Qiymatlar va cheklovlar -100, 100 | Standart— |
Maydonvoice_modify.timbre | Turinteger | TalabIxtiyoriy | Qiymatlar va cheklovlar -100, 100 | Standart— |
Maydonvoice_modify.sound_effects | Turstring | TalabIxtiyoriy | Qiymatlar va cheklovlar spacious_echo, auditorium_echo, lofi_telephone, robotic | Standart— |
Maydonsubtitle_enable | Turboolean | TalabIxtiyoriy | Qiymatlar va cheklovlar | Standartfalse |
Maydonoutput_format | Turstring | TalabIxtiyoriy | Qiymatlar va cheklovlar url, hex | Standarthex |
Maydonaigc_watermark | Turboolean | TalabIxtiyoriy | Qiymatlar va cheklovlar | Standartfalse |
Usul parametrlari va hayot sikli
| Parametr | Parametr talablari |
|---|---|
Parametrcontent_type | Parametr talablariapplication/json |
Parametrrequired | Parametr talablarimodel, text |
Parametroptional | Parametr talablaristream, voice_setting, audio_setting, pronunciation_dict, timber_weights, language_boost, voice_modify, subtitle_enable, output_format, aigc_watermark |
Parametrmaterial_types | Parametr talablaritext |
Parametrconditions | Parametr talablariUse text, not input or contents. Fewer than 10000 Unicode characters; stream is false or omitted., PCM is raw audio with its returned sample geometry; do not invent a WAV header or bit depth. |
Hayot sikli: synchronous_result_then_owned_library
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Tariflar
Tarif ma’lumotlari so‘rov imkoniyatlarini qo‘shmaydi. Qo‘llab-quvvatlanadigan parametrlar tanlangan usulda ko‘rsatilgan.
- Tezkor rejim
- Ko‘rsatilmagan Tezkor rejim tanlanganda
- Flex rejimi
- Ko‘rsatilmagan flex rejimi tanlanganda
- Maksimal fikrlash darajasi
- Ko‘rsatilmagan Maksimal fikrlash darajasi uchun standart (default) tuzatish qo‘llanganda
Ailoot tariflari
Sozlamalar bo‘yicha narxlar
Har bir to‘lovni ko‘rsatilgan shartlarga moslang. Har bir muqobil sozlamalar to‘plami uchun bitta tarifdan foydalaning.
| Sozlama | Tariflar jadvali | Hisob birligi | To‘lov |
|---|---|---|---|
| SozlamaTokenlar uchun bazaviy tariflar | Tariflar jadvaliAsosiy tarif | Hisob birligi— | To‘lov Kirish · Kirish tokenlari — / 1K token Chiqish · Chiqish tokenlari — / 1K token Kirish · Keshdan o‘qish — / 1K token Kirish · Keshga yozish — / 1K token Kirish · Keshga yozish, 1 soat — / 1K token |
| SozlamaKirish belgisi | Tariflar jadvali— | Hisob birligikirish belgisi uchun | To‘lov Kirish · Kirish belgisi $0.0002 kirish belgisi uchun |
Ailoot so‘rovdan oldin taxminiy summani band qiladi. Natijadan keyin o‘lchangan sarf asosidagi yakuniy to‘lovni yechadi. Oqimli javob bo‘yicha yakuniy hisob-kitob yakuniy sarf yozuviga asoslanadi. Summani band qilish va to‘lovni hisoblash tartibi →
So‘rov namunalari
Ailoot Ultra · Speech
set -eu
: "${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('{"model": "minimax/speech-02-hd", "text": "Hello, this is a short speech example.", "stream": false, "output_format": "hex", "audio_setting": {"format": "mp3", "sample_rate": 32000, "channel": 1}}')
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.
Natijalarni olish va saqlash
Ailoot Ultra · Speech
mp3,pcm,flac,wav
GET /v1/media/assetsGET /v1/media/assets/{asset_id}
Barcha tayyor natijalarni saqlash
Qaytarilgan har bir to‘liq javob, fayl va kontent qismini saqlang.
Retain the full JSON. Decode every hex audio byte or use the returned owned URL. Keep the actual format, sample rate, channel count and usage_characters.
Asl javobni tekshirish kerak bo‘lsa
Preserve the original response, headers and X-Client-Request-ID. An uncertain outcome does not authorize another creation.
Javob maydonlari
| Maydon | Tur |
|---|---|
Maydondata.audio | Turstring |
Maydonextra_info | Turobject |
Maydontrace_id | Turstring |
Taxalluslar
Model taxalluslari
Ailoot Ultra minimax/speech-02-hd
Usul yo‘llari taxalluslari
Yuqorida ko‘rsatilgan usul yo‘llaridan foydalaning.
Chaqirish uchun tegishli ID lar
FAQ · MiniMax: Speech 02 HD
- Qanday kirish ma’lumotlari va natijalar mavjud?
POST /v1/audio/speech·minimax/speech-02-hd:text→audio- So‘rov qaysi maydonlardan foydalanadi?
POST /v1/audio/speech·minimax/speech-02-hd:model,text,stream,voice_setting,audio_setting,pronunciation_dict,timber_weights,language_boost,voice_modify,subtitle_enable,output_format,aigc_watermark- Qanday cheklovlar amal qiladi?
POST /v1/audio/speech·minimax/speech-02-hd:voice_setting.speed.minimum:0.5;voice_setting.speed.maximum:2;voice_setting.vol.minimum:0;voice_setting.vol.maximum:10;voice_setting.pitch.minimum:-12;voice_setting.pitch.maximum:12