Deepgram: Flux TTS

Deepgram Flux TTS chuyển văn bản tiếng Anh thành giọng nói hội thoại, giữ sắc thái qua các lượt trao đổi. Chế độ truyền luồng xử lý ngắt lời; tổng hợp theo lô tạo âm thanh có thể tái sử dụng với cùng danh mục giọng.

Ailoot Ultra · Tổng hợp giọng nói POST /v1/audio/speech deepgram/flux-tts

Về mô hình

Mô tả này trình bày khả năng của mô hình. Đầu vào, đầu ra và tùy chọn có trên Ailoot được liệt kê bên dưới cho phương thức đã chọn.

Flux TTS là họ mô hình chuyển văn bản thành giọng nói của Deepgram cho hội thoại trực tiếp và nội dung lời nói cố định. Đặc điểm nổi bật là tính liên tục của hội thoại: mô hình truyền luồng duy trì ngữ điệu qua các lượt, để cách thể hiện có thể giữ sắc thái nhất quán khi tương tác tiếp diễn. Mô hình nhận văn bản viết sẵn và trả về âm thanh lời nói. Flux TTS và mô hình nhận dạng giọng nói có tên riêng Flux thực hiện các phần khác nhau của hội thoại bằng giọng nói.

Chọn giọng tiếng Anh

Danh mục Flux được công bố nói tiếng Anh, với chất giọng Mỹ, Anh, Ireland, Úc, Ấn Độ, Singapore và Philippines. Mô tả giọng giúp chọn người nói cho dịch vụ khách hàng, menu điện thoại, lời dẫn hoặc trò chuyện thân mật. Ví dụ, nhà sản xuất liệt kê Haley là giọng Mỹ điềm tĩnh và Jack là giọng Anh chuyên nghiệp. Chọn giọng dựa trên người nghe và kiểu câu chữ sẽ được đọc, rồi giữ ổn định suốt tác phẩm hoặc hội thoại. Lời nói bằng ngôn ngữ khác thuộc lựa chọn mô hình được công bố riêng.

Lượt trao đổi trực tiếp và ngắt lời

Trong quy trình truyền luồng của nhà sản xuất, văn bản có thể đến khi ứng dụng đang soạn phản hồi và âm thanh được trả về dần dần. Mỗi lượt có sự kiện bắt đầu và hoàn tất riêng; kết thúc lượt sẽ hoàn thành phần tổng hợp còn lại. Ngữ cảnh xuyên lượt giữ ngữ điệu trong phiên đó. Điều này hữu ích cho trợ lý bằng giọng nói khi ban đầu giải thích một lựa chọn, sau đó trả lời yêu cầu làm rõ mà không thay đổi đặc trưng giọng.

Việc ngắt lời hủy lượt đang hoạt động và trả về phần đã nói cùng văn bản còn lại. Sự phân biệt đó giúp ứng dụng tiếp tục từ những gì người nghe thực sự đã nghe. Với tương tác thực tế, soạn câu trả lời ngắn có chỉ dẫn quan trọng trước, tiếp theo là lời giải thích. Nếu người nghe ngắt lời sau chỉ dẫn đầu tiên, phản hồi tiếp theo có thể giải đáp câu hỏi mới thay vì cho rằng toàn bộ lời giải thích đã được truyền đạt.

Âm thanh cố định và định dạng đầu ra

Tổng hợp theo lô nhận một khối văn bản hoàn chỉnh và trả về âm thanh trong một phản hồi. Nó dùng cùng danh mục giọng với truyền luồng và phù hợp với lời hướng dẫn điện thoại được ghi sẵn, thông báo hoặc lời dẫn chuẩn bị trước. Các yêu cầu theo lô độc lập với nhau; trạng thái lượt truyền luồng và sự kiện ngắt lời không áp dụng cho một đoạn âm thanh cố định.

Đầu ra truyền luồng là âm thanh thô không có bộ chứa tệp: PCM 16 bit, mu-law hoặc A-law. Nhà sản xuất công bố tần số lấy mẫu PCM là 8, 16, 24, 32, 44.1 và 48 kHz; mu-law và A-law dùng 8 hoặc 16 kHz. Đầu ra theo lô còn hỗ trợ MP3, Opus, FLAC và AAC. Chọn mã hóa và bộ chứa mà trình phát hoặc đường truyền điện thoại dự kiến có thể hiểu, thay vì xem luồng mẫu thô là tệp âm thanh thông thường.

Điều khiển cách thể hiện và giới hạn

Nhà sản xuất công bố phạm vi tốc độ nói từ 0.5 đến 1.5 theo bước 0.05. Thay đổi tốc độ truyền luồng áp dụng tại ranh giới đoạn. Một điều khiển mức biểu cảm beta riêng thay đổi cách thể hiện từ điềm tĩnh đến sôi nổi. SSML thông thường và thẻ của đối thủ được nhận diện sẽ bị loại bỏ thay vì được dùng làm chỉ dẫn biểu cảm; các điều khiển gốc của Flux có ý nghĩa riêng.

Khoảng nghỉ chèn trong văn bản thuộc tổng hợp theo lô, với thời lượng 500–3.000 ms theo bước 100 ms và tối đa tám dấu đánh dấu mỗi yêu cầu. Phải có văn bản giữa các khoảng nghỉ liền kề, và tốc độ bị giới hạn ở 1.15 khi có khoảng nghỉ. Thiết lập ghi đè phát âm dùng IPA và đang ở giai đoạn Early Access; nhà sản xuất lưu ý cách phát âm yêu cầu có thể khác nhau giữa các lần tạo. Phát âm không thể kết hợp với tốc độ khác mặc định hoặc điều khiển khoảng nghỉ. Với kịch bản có tên chuyên môn, nghe các từ đó bằng giọng đã chọn và thể hiện rõ câu chữ cần đọc.

Phiên truyền luồng được Deepgram công bố kéo dài tối đa một giờ và đóng sau sáu mươi giây không có thông điệp đi vào, trừ khi được giữ hoạt động bằng cơ chế kết nối được hỗ trợ. Các giới hạn phiên đó liên quan đến quy trình tổng hợp trực tiếp. Sản phẩm hữu ích là giọng được chọn có chủ đích, văn bản dễ nghe và âm thanh phù hợp với nơi sử dụng, trong đó ứng dụng trực tiếp theo dõi phần thực sự đã nói khi một lượt bị ngắt lời.

Ailoot Ultra · Tổng hợp giọng nói POST /v1/audio/speech deepgram/flux-tts

deepgram/flux-tts

Deepgram /deepgram/flux-tts

Bắt đầu

Đầu vào được chấp nhận: Văn bản
Kết quả: Âm thanh

Có trên Ailoot · đầu vào & phương thức

Ailoot Ultra · Tổng hợp giọng nói POST /v1/audio/speech

Đầu vào: text
Đầu ra: audio
Định dạng đầu ra: mp3

Trường	Loại	Yêu cầu	Giá trị & giới hạn	Mặc định
Trường`model`	Loại`string`	Yêu cầuBắt buộc	Giá trị & giới hạn deepgram/flux-tts	Mặc định—
Trường`input`	Loại`string`	Yêu cầuBắt buộc	Giá trị & giới hạn Độ dài tối thiểu: 1 Đơn vị: ký tự Unicode	Mặc định—
Trường`voice`	Loại`string`	Yêu cầuBắt buộc	Giá trị & giới hạn flux-alexis-en, flux-bree-en, flux-brittany-en, flux-brooke-en, flux-bruce-en, flux-cliff-en, flux-cole-en, flux-colin-en, flux-conor-en, flux-donovan-en, flux-drew-en, flux-elise-en, flux-gemma-en, flux-haley-en, flux-hannah-en, flux-heather-en, flux-jack-en, flux-kai-en, flux-kelsey-en, flux-kit-en, flux-maeve-en, flux-marcelo-en, flux-marcus-en, flux-meena-en, flux-meghan-en, flux-miles-en, flux-naveen-en, flux-paige-en, flux-priya-en, flux-rufus-en, flux-sean-en, flux-sharon-en, flux-sienna-en, flux-tanner-en, flux-wade-en, flux-wes-en	Mặc định—
Trường`response_format`	Loại`string`	Yêu cầuBắt buộc	Giá trị & giới hạn mp3	Mặc định—

Tổ hợp tư liệu đầu vào

text_to_speech · Bắt buộc: input

Tham số phương thức và vòng đời

Tham số	Hợp đồng
Tham số`content_type`	Hợp đồngapplication/json
Tham số`required`	Hợp đồngmodel, input, voice, response_format
Tham số`voice_ids`	Hợp đồngflux-alexis-en, flux-bree-en, flux-brittany-en, flux-brooke-en, flux-bruce-en, flux-cliff-en, flux-cole-en, flux-colin-en, flux-conor-en, flux-donovan-en, flux-drew-en, flux-elise-en, flux-gemma-en, flux-haley-en, flux-hannah-en, flux-heather-en, flux-jack-en, flux-kai-en, flux-kelsey-en, flux-kit-en, flux-maeve-en, flux-marcelo-en, flux-marcus-en, flux-meena-en, flux-meghan-en, flux-miles-en, flux-naveen-en, flux-paige-en, flux-priya-en, flux-rufus-en, flux-sean-en, flux-sharon-en, flux-sienna-en, flux-tanner-en, flux-wade-en, flux-wes-en
Tham số`response_format`	Hợp đồngmp3
Tham số`max_input_characters`	Hợp đồngnull
Tham số`other_options`	Hợp đồngfalse
Tham số`input`	Hợp đồngvăn bản UTF-8 nguyên dạng; đếm ký tự Unicode mà không chuẩn hóa
Tham số`material_types`	Hợp đồngtext

Vòng đời: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · Giá trị task_id thực tế đã trả về hoặc bản ghi trong thư viện nội dung đa phương tiện

GET /v1/media/assets/{asset_id}/content

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Chọn giọng nói chính xác từ hồ sơ mô hình này.

Ký tự đầu vào và giây âm thanh là các đơn vị đo tính phí khác nhau.

Bảng giá

Thông tin biểu giá không bổ sung tùy chọn yêu cầu. Các tham số được hỗ trợ nằm trong phương thức đã chọn.

Chế độ nhanh: Chưa chỉ định Khi chọn chế độ nhanh
Chế độ Flex: Chưa chỉ định Khi chọn chế độ flex
Mức độ suy luận tối đa: Chưa chỉ định Khi áp dụng mức điều chỉnh mặc định (default) cho mức độ suy luận tối đa

Mức phí Ailoot

Giá theo cấu hình

Đối chiếu từng khoản phí với điều kiện hiển thị. Dùng một mức phí cho mỗi nhóm cấu hình thay thế.

Cấu hình	Biểu mức phí	Đơn vị tính phí	Phí
Cấu hìnhGiá cơ sở cho token	Biểu mức phíMức phí cơ bản	Đơn vị tính phí—	Phí Đầu vào · Token đầu vào — / 1K token Đầu ra · Token đầu ra — / 1K token Đầu vào · Đọc bộ nhớ đệm — / 1K token Đầu vào · Ghi bộ nhớ đệm — / 1K token Đầu vào · Ghi bộ nhớ đệm, 1 giờ — / 1K token
Cấu hìnhKý tự đầu vào	Biểu mức phí—	Đơn vị tính phímỗi ký tự đầu vào	Phí Đầu vào · Ký tự đầu vào $0.00009 mỗi ký tự đầu vào

Chi tiết giá cước tham chiếu

Biểu tham chiếu cấp mô hình không thay đổi việc chọn phương thức, báo giá hoặc khoản phí. Khoản phí đang áp dụng dùng mức phí phương thức Ailoot đã chọn.

Deepgram: Flux TTS

Giá theo cấu hình

Cấu hình	Điều kiện tính phí	Phí
Cấu hìnhDeepgram: Flux TTS · Cấu hình mặc định	Điều kiện tính phíCấu hình mặc định	Phí Đầu vào · Ký tự đầu vào 0,00009 US$ mỗi ký tự đầu vào

Ailoot tạm giữ một khoản ước tính trước yêu cầu. Sau khi có kết quả, phí cuối cùng được quyết toán theo mức sử dụng đo được. Việc quyết toán khi truyền luồng dùng bản ghi mức sử dụng cuối cùng. Cách hoạt động của cơ chế tạm giữ và quyết toán →

Ví dụ yêu cầu

Ailoot Ultra · Tổng hợp giọng nói

curl

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_VOICE_ID:?Choose an accepted voice ID from this exact model profile}"
export AILOOT_VOICE_ID
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "deepgram/flux-tts", "input": "Good afternoon! This is a short voice take."}')
voice=os.environ["AILOOT_VOICE_ID"]
allowed=json.loads('["flux-alexis-en", "flux-bree-en", "flux-brittany-en", "flux-brooke-en", "flux-bruce-en", "flux-cliff-en", "flux-cole-en", "flux-colin-en", "flux-conor-en", "flux-donovan-en", "flux-drew-en", "flux-elise-en", "flux-gemma-en", "flux-haley-en", "flux-hannah-en", "flux-heather-en", "flux-jack-en", "flux-kai-en", "flux-kelsey-en", "flux-kit-en", "flux-maeve-en", "flux-marcelo-en", "flux-marcus-en", "flux-meena-en", "flux-meghan-en", "flux-miles-en", "flux-naveen-en", "flux-paige-en", "flux-priya-en", "flux-rufus-en", "flux-sean-en", "flux-sharon-en", "flux-sienna-en", "flux-tanner-en", "flux-wade-en", "flux-wes-en"]')
if voice not in allowed: raise SystemExit("Choose an accepted voice ID from this exact model profile")
p["voice"]=voice
p["response_format"]="mp3"
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

Nhận và lưu kết quả

Ailoot Ultra · Tổng hợp giọng nói

mp3

GET /v1/media/tasks/{task_id}
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}

Lượt đọc nội dung khác

Thư viện phương tiệnTrạng thái tác vụChi tiết tài nguyên

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-assets.json

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_MEDIA_TASK_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_MEDIA_TASK_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_MEDIA_TASK_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/tasks/$resource_id" \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-task.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-task.json").read_text())))
PY_RESULT

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_ASSET_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_ASSET_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_ASSET_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/assets/$resource_id" \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-asset.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-asset.json").read_text())))
PY_RESULT

Lưu tất cả kết quả đã hoàn tất

Lưu mọi phản hồi hoàn chỉnh, tệp và phần nội dung được trả về.

Giữ lại toàn bộ kết quả nhị phân và các header. Nếu phản hồi ở dạng JSON hoặc chứa nhiều đầu ra, giữ lại mọi phần tử dữ liệu và tải từng tài nguyên từ URL có chữ ký thực tế.

Nếu cần kiểm tra phản hồi gốc

Giữ lại operation_id/X-Client-Request-ID gốc để đối soát mà không gửi lại yêu cầu; không có tuyến truy vấn trạng thái riêng cho âm thanh.

Trường phản hồi

Trường	Loại
Trường`binary audio`	Loạibytes
Trường`response headers`	Loạiheaders

Lỗi và bước tiếp theo

Phản hồi	Điều kiện	Bước tiếp theo
Phản hồi400 · `invalid_request_error`	Điều kiệnTrường bắt buộc, cách biểu diễn tài liệu hoặc giá trị tham số không hợp lệ	Bước tiếp theoSửa các trường được chỉ ra trước khi gửi yêu cầu tạo mới.
Phản hồi`server_error`	Điều kiệnPhản hồi trả về cho biết thao tác hoặc kết quả cần được kiểm tra	Bước tiếp theoGiữ lại ID thao tác/tác vụ gốc đã trả về, các header của yêu cầu và toàn bộ phản hồi; tiếp tục truy xuất thao tác gốc đó bằng các phương thức được hỗ trợ. Không gửi lại yêu cầu tạo.

Bí danh

Bí danh mô hình

Ailoot Ultra deepgram/flux-tts

Bí danh đường dẫn phương thức

Dùng các đường dẫn phương thức hiển thị ở trên.

ID gọi liên quan

deepgram/flux-tts

FAQ · Deepgram: Flux TTS

Có những đầu vào và kết quả nào?: POST /v1/audio/speech · deepgram/flux-tts: text → audio
Yêu cầu sử dụng những trường nào?: POST /v1/audio/speech · deepgram/flux-tts: model, input, voice, response_format

Deepgram: Flux TTS