speech-2.6-turbo
Speech 2.6 Turbo ko‘p tilli nutq sintez qiladi va qisqa javob kechikishiga yo‘naltirilgan.
Model haqida
Bu tavsif model imkoniyatlarini yoritadi. Ailoot da tanlangan usul uchun mavjud kirish, chiqish va parametrlar quyida keltirilgan.
Ovozli jarayon uchun replikalar
Speech 2.6 Turbo — tezlikka yo‘naltirilgan nutq sintezi varianti. Ishlab chiqaruvchi uni matn javobga bosqichma-bosqich aylanadigan ovozli yordamchilar va interaktiv ssenariylar uchun tavsiflaydi. Model Speech 2.6 avlodining tabiiy intonatsiyalarini saqlaydi va maxsus yozuv shakllarini qayta ishlay oladi.
To‘g‘ri talaffuz qilinishi kerak bo‘lgan matn
Model sanalar, telefon raqamlari, pul summalari, sahifa manzillari va elektron pochtani har bir yozuvni oldindan qo‘lda qayta yozmasdan o‘qish uchun mo‘ljallangan. Bunday tahlil oddiy so‘zlar bilan birga sonlar va belgilar uchraydigan dinamik xabarlarda foydali. Ishlab chiqaruvchi bu formatlarni bir nechta tilda qayta ishlashni tavsiflaydi.
Ravonlik va hissiyotni boshqarish
Speech 2.6 Fluent LoRA’ni qo‘llab-quvvatlaydi: matnni ravonroq talaffuz qilishda tanib bo‘ladigan tembrni saqlash. Imkoniyat allaqachon tayyorlangan ovozdan foydalanishga tegishli; klonni alohida tayyorlash oddiy matnli so‘rovning bir qismi emas. Oilaga 40 til, jumladan, rus tili kiradi.
Turbo uchun yettita asosiy hissiyot va qo‘shimcha fluent hamda whisper rejimlari ko‘zda tutilgan. Model mazmunga qarab hissiy ohangni o‘zi tanlashi yoki berilgan holatdan foydalanishi mumkin. Jarang chuqurligi va sur’atini matndan mustaqil o‘zgartirish mumkin.
Ovoz, pauzalar va talaffuz
MiniMax ovoz tanlash hamda sur’at, balandlik va ovoz pardasini boshqarishni ko‘zda tutadi. Tezlik 0,5–2 oralig‘ida, balandlik 0 dan yuqori va 10gacha, ovoz pardasi o‘zgarishi esa −12 dan 12 gacha belgilanadi. Hissiyotni matn mazmuniga ko‘ra model tanloviga qoldirish yoki qo‘lda ko‘rsatish mumkin: quvonch, qayg‘u, g‘azab, qo‘rquv, jirkanish, hayrat yoki xotirjamlik.
Talaffuzni almashtirish lug‘ati va fonetik yozuv bilan aniqlashtirish mumkin; unda xalqaro fonetik alifbo, xitoy pinyini va yaponcha o‘qish variantlari ko‘zda tutilgan. Pauzalar aytiladigan parchalar orasida 0,01–99,99 soniya oralig‘ida belgilanadi. Pauza davomiyligi verguldan keyin ikki xonagacha aniqlikda belgilanadi; markerlar aytiladigan parchalar orasiga qo‘yiladi va ketma-ket joylashtirilmaydi. Bunday sozlamalar ismlar, qisqartmalar va bir nechta talqinga ega so‘zlarning jarangini ovozlashtirish g‘oyasiga moslashtirishga imkon beradi.
Ovozni olish
Sintez 10 000 belgidan kam matnni qabul qiladi. 3000 belgidan uzun matn uchun ishlab chiqaruvchi oqimli chiqishni tavsiya etadi; tayyor audioni to‘liq olish ham ko‘zda tutilgan. Umumiy sintez sozlamalari MP3, PCM, FLAC, WAV, Opus va G.711 μ-law variantlari, mono yoki stereo’ni o‘z ichiga oladi; aniq so‘rovning mavjud formatlar to‘plami Ailoot vositalari bilan belgilanadi.
Bu Ailoot kartasida matn nutq audiosiga aylantiriladi. Turbo vazifasi sintez tezligiga bog‘liq, biroq bu yerda qat’iy javob vaqti va’da qilinmaydi; sanab o‘tilgan sozlamalar ishlab chiqaruvchi imkoniyatlarini aks ettiradi va mavjud 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-2.6-turbo
speech-2.6-turboBoshlash
Speech 2.6 Turbo ko‘p tilli nutq sintez qiladi va qisqa javob kechikishiga yo‘naltirilgan.
- 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-2.6-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-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
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-2.6-turbo
Usul yo‘llari taxalluslari
Yuqorida ko‘rsatilgan usul yo‘llaridan foydalaning.
Chaqirish uchun tegishli ID lar
FAQ · speech-2.6-turbo
- Qanday kirish ma’lumotlari va natijalar mavjud?
POST /v1/audio/speech·speech-2.6-turbo:text→speech- So‘rov qaysi maydonlardan foydalanadi?
POST /v1/audio/speech·speech-2.6-turbo:model,input,voice,response_format