MiniMax: Speech 02 Turbo

Speech 02 Turbo — model: "minimax/speech-02-turbo" orqali tanlanadigan aniq MiniMax nutq nashri. model va aytiladigan text ni o‘z ichiga olgan application/json tanasi bilan POST /v1/audio/speech dan foydalaning. Uning kirishi yozma ssenariy, natijasi esa sintezlangan audio. E’lon uchun text ichiga faqat aytilishi kerak bo‘lgan so‘zlarni, masalan qisqa olib ketish xabarnomasini joylang. Mahsulot tushuntirishi uchun ssenariyni to‘liq gaplarga bo‘ling va audio yaratishdan avval mahsulot nomlari hamda sonlarni aniqlashtiring. Aytilmasligi kerak bo‘lgan ishlab chiqarish qaydlari, fayl nomlari va ko‘rsatmalarni og‘zaki ssenariydan tashqarida saqlang.

text maydoni bo‘sh bo‘lmasligi va 10 000 tadan kam Unicode belgisini o‘z ichiga olishi kerak. To‘liq aytiladigan ssenariyni stream:false bilan yuboring yoki stream ni kiritmang. Uzunroq materialni har bir bo‘lakni yuborishdan oldin alohida to‘liq ssenariy bo‘laklariga ajrating. Hujjatning haqiqiy mazmunini o‘qib, tegishli parchani text ichiga joylash orqali undan foydalanish mumkin; hujjat URL manzili ssenariyning o‘rnini bosmaydi.

voice_setting.voice_id orqali ovoz tanlang. Hujjatlashtirilgan ovoz toifalari tizim ovozlari hamda avval yaratilgan klonlangan yoki matn asosida loyihalangan ovozlarni o‘z ichiga oladi; tanlangan toifa uchun yaroqli ovoz ID qiymatidan foydalaning. Misoldagi ovoz audiobook_male_1. Shu obyekt speed ni 0.5 dan 2 gacha, vol ni 0 dan yuqori va 10 gacha hamda pitch ni -12 dan 12 gacha bo‘lgan butun son sifatida boshqaradi. Ularning standart qiymatlari 1, 1 va 0. Bu boshqaruvlar nutq ijrosining turli jihatlarini sozlaydi, shuning uchun nomlarini ssenariyga joylash o‘rniga ularni alohida tanlang.

voice_setting.emotion happy, sad, angry, fearful, disgusted, surprised, calm va fluent ni qabul qiladi. Hujjatlar matndan hissiyotni avtomatik moslashni ham tavsiflaydi. Raqamlari ko‘p ssenariylar uchun voice_setting.text_normalization xitoycha va inglizcha matnni me’yorlashtirishni yoqadi va standart qiymati false. voice_setting.latex_read LaTeX ifodalarini o‘qishni boshqaradi va uning ham standart qiymati false. pronunciation_dict.tone talaffuz qoidalari satrlari massividir. E’lon qilingan misol ["草地/(cao3)(di1)"]; qoida berishda so‘z, qiya chiziq va qavs ichidagi talaffuz tuzilmasini saqlang.

audio_setting.format mp3, pcm, flac va wav ni qabul qiladi, standart qiymati mp3. sample_rate 8000, 16000, 22050, 24000, 32000 va 44100 Hz ni qabul qiladi; standart qiymati 32000. channel mono uchun 1 yoki ikki kanal uchun 2, standart qiymati 1. bitrate qiymatlari soniyasiga 32000, 64000, 128000 va 256000 bit, standart qiymati 128000 va ular mp3 ga qo‘llanadi. Natijadan foydalanadigan pleyer yoki tahrir vositasiga kerakli kodlashni tanlang.

language_boost ixtiyoriy satr va standart qiymati null. Uning ruxsat etilgan qiymatlari 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 va auto. "Chinese,Yue" bitta qiymat. U ssenariy va ovoz ID qiymatidan alohida boshqaruvdir. Sxema voice_id va butun weight juftliklari ro‘yxati uchun timber_weights ni ham taqdim etadi, har bir weight 1 dan 100 gacha. So‘rov tayyorlashda timber_weights parametrining yozilishini saqlang. voice_modify.sound_effects — spacious_echo, auditorium_echo, lofi_telephone va robotic qiymatlariga ega ixtiyoriy satr.

stream ning standart qiymati false. To‘liq javob uchun output_format url yoki hex ni tanlaydi, standart qiymati hex. Hujjatlashtirilgan JSON natijada data.audio tanlangan ko‘rinishni tashiydi: so‘rov satri bilan birga to‘liq imzolangan Ailoot URL manzilidan faylni yuklab oling yoki to‘liq o‘n oltilik audioni baytlarga dekodlang. Dastlabki natijani data.status, base_resp, trace_id va haqiqiy audio format, namuna olish chastotasi, kanallar soni, hajm hamda usage_characters ni o‘z ichiga oluvchi extra_info bilan birga saqlang.

subtitle_enable — standart qiymati false bo‘lgan va oqimsiz chiqishga qo‘llanadigan mantiqiy qiymat. aigc_watermark — standart qiymati false bo‘lgan va yaratilgan audio oxiridagi eshitiladigan ritmik belgini boshqaradigan mantiqiy qiymat. Har bir qaytarilgan audio yoki subtitr natijasini saqlang, ilovaga joylashdan avval talaffuz, sonlar va tayyor faylni tekshiring. Yetkazish noaniq bo‘lsa, mavjud urinishni tekshirish uchun dastlabki so‘rov identifikatori va javobni saqlang. Ailoot tayyor audioni media kutubxonangizga ham saqlaydi. output_format:"url" bilan data.audio shu saqlangan obyektning imzolangan havolasini o‘z ichiga oladi; obyekt ID qiymati uning /v1/media/assets/{asset_id}/content yo‘lida ko‘rinadi. Ailoot imzolangan fayl havolalari berilganidan boshlab 24 soat amal qiladi. Audio obyekt yozuvlarini topish uchun ayni API kaliti bilan GET /v1/media/assets?family=audio dan foydalaning va har bir next_cursor bo‘yicha davom eting. Har bir tanlangan yozuv uchun GET /v1/media/assets/{asset_id} ni o‘qing va so‘rov satri bilan birga uning aniq content_url manzilidan faylni yuklab oling. Fayl so‘rovi link_expired kodi bilan 404 qaytarsa, yangilangan content_url uchun ayni obyektni qayta o‘qing. Muddati tugagan havolani almashtirish uchun yana audio yaratish o‘rniga saqlangan natijani yangilang.