speech-02-turbo
Speech-02 Turbo barqaror ritm va ko‘p tilli jarang bilan tez nutq sintezi uchun mo‘ljallangan.
Model haqida
Bu tavsif model imkoniyatlarini yoritadi. Ailoot da tanlangan usul uchun mavjud kirish, chiqish va parametrlar quyida keltirilgan.
Interaktiv javob uchun tez nutq
Speech 02 Turbo interaktiv nutq sintezi uchun mo‘ljallangan. Ishlab chiqaruvchi tezlikning barqaror ritm va tabiiy jarang bilan birikmasini tavsiflaydi; ssenariylar orasida ovozli javoblar, o‘yin replikalari va interaktiv kontent bor. Model matnni oladi va nutq audiosini shakllantiradi.
Jarang xususiyatini tanlash
Speech 02 oilasi ovoz, til, aksent va hissiy ohangni birlashtirishga imkon beradi. Birgalikda o‘qitiladigan avtoregressiv Transformer va so‘zlovchi enkoderi tembrni mazmun bilan bog‘laydi. Matnni tayyor ovoz bilan sintez qilish mumkin; yangi klonlangan ovoz yaratish alohida tayyorlashga tegishli.
Model matnga qarab hissiy intonatsiyani o‘zi tanlaydi yoki berilgan holatni qabul qiladi: quvonch, qayg‘u, g‘azab, qo‘rquv, jirkanish, hayrat yoki xotirjamlik. Replikani kerakli muloqot sur’atiga moslashtirish uchun tezlik, ovoz pardasi va balandlik qo‘shimcha boshqariladi.
Tillar va so‘zlarni o‘qish
Rus nutqi va boshqa tillar, jumladan, ingliz, xitoy, kanton, yapon, koreys, fransuz, nemis, ispan, portugal, turk, arab va ukrain tillari qo‘llab-quvvatlanadi. Speech 02 uchun joriy spetsifikatsiya fors, filippin va tamil tillarini alohida chiqarib tashlaydi.
Talaffuzni almashtirish lug‘ati, xalqaro fonetik yozuv, xitoy pinyini va yaponcha o‘qish variantlari bilan aniqlashtirish mumkin. Aytiladigan qismlar orasidagi pauzalar 0,01–99,99 soniya doirasida belgilanadi. Pauza davomiyligi verguldan keyin ikki xonagacha aniqlikda belgilanadi; markerlar aytiladigan parchalar orasiga qo‘yiladi va ketma-ket joylashtirilmaydi. Model 0,5–2 tezlik, 0 dan yuqori va 10gacha balandlik, ovoz pardasini −12 dan 12 gacha o‘zgartirishni ko‘zda tutadi.
Ijro etish uchun audio
Sinxron kirish 10 000 belgidan kam matn bilan cheklangan; 3000 belgidan katta hajm uchun ishlab chiqaruvchi bosqichma-bosqich chiqishni tavsiya etadi. Model imkoniyatlari MP3, WAV, FLAC va PCM’ni o‘z ichiga oladi; umumiy sozlamalarda Opus va G.711 μ-law, bitta yoki ikkita audiokanal ham tavsiflangan.
Bu Ailoot kartasi matnni qabul qiladi va nutq qaytaradi. Turbo tezligi model variantining vazifasiga tegishli; aniq javob davomiyligi va kengaytirilgan formatlar mavjudligi tanlangan murojaat usuliga bog‘liq.
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-turbo
speech-02-turboBoshlash
Speech-02 Turbo barqaror ritm va ko‘p tilli jarang bilan tez nutq sintezi uchun mo‘ljallangan.
- 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-turbo | 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
- 60,00 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-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
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-turbo
Usul yo‘llari taxalluslari
Yuqorida ko‘rsatilgan usul yo‘llaridan foydalaning.
Chaqirish uchun tegishli ID lar
FAQ · speech-02-turbo
- Qanday kirish ma’lumotlari va natijalar mavjud?
POST /v1/audio/speech·speech-02-turbo:text→speech- So‘rov qaysi maydonlardan foydalanadi?
POST /v1/audio/speech·speech-02-turbo:model,input,voice,response_format