speech-02-hd
Speech-02 HD — ovoz sifati va ovoz o‘xshashligiga urg‘u beruvchi nutq sintezi modeli.
Model haqida
Bu tavsif model imkoniyatlarini yoritadi. Ailoot da tanlangan usul uchun mavjud kirish, chiqish va parametrlar quyida keltirilgan.
Ovozlashtirish va uzun matnlarni o‘qish uchun ovoz
Speech 02 HD sifat, ritm va ovoz barqarorligiga urg‘u bergan holda nutq yaratadi. Ishlab chiqaruvchi ovoz o‘z xususiyatini saqlashi va uzun matnni ravon o‘qishi kerak bo‘lgan materiallarni ovozlashtirish va audiokitoblarni ta’kidlaydi. Bu sintez modeli: u matnni qabul qiladi va uni nutq audiosiga aylantiradi.
Matn va tembr qanday birlashadi
Speech 02 oilasi asosida avtoregressiv Transformer arxitekturasi va o‘qitiladigan so‘zlovchi enkoderi turadi. Ovoz xususiyatlarini mazmun bilan moslashtirish uchun tembrni ajratib olish va nutq yaratish birgalikda o‘qitilgan. Oila imkoniyatlari tayyorlangan klonlangan ovozlardan foydalanish hamda til, aksent va talaffuz uslubini birlashtirishni o‘z ichiga oladi.
Hissiyot va ko‘p tilli o‘qish
Hissiy ohang matn mazmunidan aniqlanishi yoki qo‘lda belgilanishi mumkin. Quvonch, qayg‘u, g‘azab, qo‘rquv, jirkanish, hayrat va xotirjamlik mavjud. Model rus, ingliz va boshqa tillar bilan ishlaydi; ishlab chiqaruvchi ingliz nutqining turli aksentlari, xitoy va kanton, yapon, koreys, Yevropa va boshqa tillarni tavsiflaydi.
Speech 02’ning joriy tavsifida fors, filippin va tamil tillari alohida chiqarib tashlangan. Yangi Speech avlodlarining umumiy tillar ro‘yxatini bu versiyaga avtomatik tatbiq etish kerak emas.
Ovozni sozlash
Sintez uchun ovoz tanlash, tezlikni 0,5–2, balandlikni 0 dan yuqori va 10gacha, ovoz pardasini −12 dan 12 gacha o‘zgartirish ko‘zda tutilgan. Talaffuz lug‘atida yozuvni kerakli o‘qishga almashtirishni belgilash mumkin; fonetik yozuvlar va yaponcha talaffuz variantlari qo‘llab-quvvatlanadi. Bu ismlar va bir nechta talqinga ega so‘zlar qanday jaranglashini boshqarishga yordam beradi.
Pauzalar va tayyor audio
Ishlab chiqaruvchi aytiladigan parchalar orasida 0,01–99,99 soniya davomiylikdagi pauzalarni belgilashga imkon beradi. Pauza davomiyligi verguldan keyin ikki xonagacha aniqlikda belgilanadi; markerlar aytiladigan parchalar orasiga qo‘yiladi va ketma-ket joylashtirilmaydi. Bitta sinxron so‘rov matni 10 000 belgidan kam bo‘lishi kerak. Ovozni to‘liq va bosqichma-bosqich olish ko‘zda tutilgan; 3000 belgidan uzun matn uchun oqimli chiqish tavsiya etiladi.
Model formatlari orasida MP3, WAV, FLAC va PCM bor; umumiy sintez sozlamalari Opus va G.711 μ-law variantlarini ham tavsiflaydi. Mono yoki stereo ishlatish mumkin. Bu kartada matnni ovozlashtirish mavjud, alohida ovoz tayyorlash va kengaytirilgan sozlamalar esa faqat Ailoot orqali qo‘llab-quvvatlanadigan murojaat usuli doirasida qo‘llanadi.
Qo‘shimcha ovoz sozlamalari 8, 16, 22,05, 24, 32 va 44,1 kHz diskretlash chastotalarini o‘z ichiga oladi. MP3 uchun 32, 64, 128 yoki 256 kbit/s bitreyt ko‘zda tutilgan. Ovoz tusini o‘zgartirish va bitta effekt qo‘llash ham mumkin: keng makon aks-sadosi, zal aks-sadosi, telefon ovozi yoki robotlashtirilgan ovoz. Ovozni o‘zgartirish effektlari audioni to‘liq olishda MP3, WAV va FLAC uchun, oqimli chiqishda esa faqat MP3 uchun qo‘llab-quvvatlanadi. G.711 μ-law formatlari 8 kHz chastotadan foydalanadi. Bu imkoniyatlar MiniMax sintez sozlamalariga tegishli.
Ishlab chiqaruvchi nutqni matn bilan sinxronlashtirishni ko‘zda tutadi: gaplar, so‘zlar yoki bosqichma-bosqich chiqishda so‘zlar bo‘yicha vaqt belgilari. Bunday natija talaffuzni matn ko‘rsatilishi bilan moslashtirishga yordam beradi. Bu qo‘shimcha imkoniyat tegishli javob formatini qo‘llab-quvvatlashni talab qiladi.
Ailoot · Ovozlashtirish POST /v1/audio/speech speech-02-hd
speech-02-hdBoshlash
Speech-02 HD — ovoz sifati va ovoz o‘xshashligiga urg‘u beruvchi nutq sintezi modeli.
- Qabul qilinadigan kirish ma’lumotlari
- Matn
- Natijalar
- speech
Ailoot da mavjud · kirish ma’lumotlari va usullar
Ailoot · Ovozlashtirish POST /v1/audio/speech
- Kirish
text- Chiqish
speech- Chiqish formati
- mp3
| Maydon | Tur | Talab | Qiymatlar va cheklovlar | Standart |
|---|---|---|---|---|
Maydonmodel | Turstring | TalabMajburiy | Qiymatlar va cheklovlar speech-02-hd | Standart— |
Maydoninput | Turstring | TalabMajburiy | Qiymatlar va cheklovlar Eng kam uzunlik: 1 Eng ko‘p uzunlik (chegara kirmaydi): 10 000 Birlik: Unicode belgilari | Standart— |
Maydonvoice | Turstring | TalabMajburiy | Qiymatlar va cheklovlar Andoza: ^[A-Za-z0-9_-]{1,128}$ | Standart— |
Maydonresponse_format | Turstring | TalabIxtiyoriy | Qiymatlar va cheklovlar mp3 | Standart— |
Kirish materiallari birikmalari
text_to_speech · Majburiy: input
Usul parametrlari va hayot sikli
| Parametr | Parametr talablari |
|---|---|
Parametrmaterial_types | Parametr talablaritext |
Parametrrequired | Parametr talablarinull |
Parametroptional_controls | Parametr talablarinull |
Hayot sikli: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · Amalda qaytarilgan task_id yoki media kutubxonasidagi yozuv
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Metod tuzilishlari va IDlari aniq; yetkazib beruvchining imkoniyati so‘rovni qabul qilishga ruxsatdan alohida.
Tariflar
Ailoot usullari tariflari
POST /v1/audio/speech- Kirish
- 100,00 US$ 1 million belgi 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 · Ovozlashtirish
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-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
Natijalarni olish va saqlash
Ailoot · Ovozlashtirish
mp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Barcha tayyor natijalarni saqlash
Qaytarilgan har bir to‘liq javob, fayl va kontent qismini saqlang.
To‘liq ikkilik natija va sarlavhalarni saqlang. JSON yoki bir nechta natija qaytarilsa, har bir ma’lumot elementini saqlang va qaytarilgan har bir haqiqiy imzolangan resurs URL manzilidan faylni yuklab oling.
Asl javobni tekshirish kerak bo‘lsa
Ma’lumotlarni solishtirib tekshirish uchun dastlabki operation_id/X-Client-Request-ID ni saqlang va so‘rovni qayta yubormang; audio holatini davriy tekshirish uchun alohida yo‘nalish yo‘q.
Javob maydonlari
| Maydon | Tur |
|---|---|
Maydonbinary audio | Turbytes |
Maydonresponse headers | Turheaders |
Xatolar va keyingi qadamlar
| Javob | Shart | Keyingi qadam |
|---|---|---|
Javob400 · invalid_request_error | ShartMajburiy maydonlar, material ifodasi yoki parametr qiymati noto‘g‘ri | Keyingi qadamYangi yaratish so‘rovidan oldin ko‘rsatilgan maydonlarni tuzating. |
Javobserver_error | ShartQaytarilgan javob operatsiya yoki natijani tekshirish kerakligini bildiradi | Keyingi qadamDastlab qaytarilgan operatsiya/vazifa ID sini, so‘rov sarlavhalarini va javobni saqlang; aynan shu operatsiya uchun qo‘llab-quvvatlanadigan o‘qish so‘rovlarini davom ettiring. Yaratish so‘rovini qayta yubormang. |
Taxalluslar
Model taxalluslari
Ailoot speech-02-hd
Usul yo‘llari taxalluslari
Yuqorida ko‘rsatilgan usul yo‘llaridan foydalaning.
Chaqirish uchun tegishli ID lar
FAQ · speech-02-hd
- Qanday kirish ma’lumotlari va natijalar mavjud?
POST /v1/audio/speech·speech-02-hd:text→speech- So‘rov qaysi maydonlardan foydalanadi?
POST /v1/audio/speech·speech-02-hd:model,input,voice,response_format