MiniMax: Speech 02 HD

MiniMax Speech 02 HD chuyển văn bản được cung cấp thành âm thanh lời nói. ID mô hình Ailoot chính xác là minimax/speech-02-hd, còn bộ chọn tổng hợp được ghi trong tài liệu là speech-02-hd. Dùng phương thức audio_speech cho lời thuyết minh, bài học bằng giọng nói, phần giải thích sản phẩm hoặc bản nháp lời dẫn đã có sẵn câu chữ. Đầu vào là đoạn cần đọc và kết quả là giọng nói tổng hợp theo định dạng âm thanh đã chọn.

Chuẩn bị văn bản thành những lời dự định đọc, với dấu câu phản ánh cách ngắt ý. Với bản nháp lời dẫn, cung cấp thứ tự câu đã hoàn thiện và cách viết tên trước khi chọn thiết lập giọng nói. Tách chỉ dẫn biểu diễn khỏi đoạn cần đọc trừ khi những từ đó phải có trong bản ghi. Nghe những tên, con số và chỗ chuyển đoạn quan trọng trong kết quả rồi đối chiếu với văn bản nguồn.

Văn bản phải ngắn hơn 10.000 ký tự. Hợp đồng tổng hợp đã công bố yêu cầu model và text. Với tài liệu dài hơn, chuẩn bị các đoạn trong giới hạn đó và giữ thứ tự của chúng để biên tập. Cấu hình đồng bộ sử dụng phản hồi đầy đủ, với stream=false là mặc định được ghi trong tài liệu. API tổng quát cũng mô tả các lựa chọn truyền luồng, nhưng phương thức được chọn trên thẻ này là quy trình giọng nói đồng bộ.

voice_setting chọn voice_id khả dụng và điều khiển speed, vol và pitch. Khoảng speed được ghi trong tài liệu là 0,5–2, với mặc định là 1. vol phải lớn hơn 0 và tối đa là 10, mặc định là 1; pitch là số nguyên từ -12 đến 12, mặc định là 0. Điều chỉnh từng thiết lập cho phù hợp với đoạn đọc: so sánh nhịp đọc và độ nghe rõ của bản ghi thực tế thay vì cho rằng thay đổi con số sẽ tạo ra một cách thể hiện nhất định.

Các giá trị emotion được ghi trong tài liệu là happy, sad, angry, fearful, disgusted, surprised, calm và fluent. Văn bản cũng có thể định hướng cảm xúc của mô hình. text_normalization là tùy chọn boolean riêng cho việc chuẩn bị cách đọc số bằng tiếng Trung và tiếng Anh, còn latex_read điều khiển việc đọc công thức LaTeX; cả hai đều mặc định là false. pronunciation_dict.tone có thể chứa các quy tắc thay thế phát âm được ghi trong tài liệu. Kiểm tra tên hoặc cách diễn đạt chuyên ngành trong âm thanh kết quả trước khi dùng trong lời dẫn dài hơn.

audio_setting.format chấp nhận mp3, pcm, flac hoặc wav, với mặc định là mp3. sample_rate chấp nhận 8000, 16000, 22050, 24000, 32000 hoặc 44100 và mặc định là 32000. bitrate chấp nhận 32000, 64000, 128000 hoặc 256000, mặc định là 128000 và áp dụng cho MP3. channel chọn 1 cho đơn âm hoặc 2 cho âm thanh nổi, với mặc định là 1. Giữ các lựa chọn này cùng đoạn nguồn để có thể kiểm tra tệp trả về theo đích biên tập hoặc phát lại dự định.

Các tùy chọn bổ sung được ghi trong tài liệu gồm language_boost, có những lựa chọn tên chính xác như English, Russian, Chinese và Chinese,Yue; chọn một giá trị thực tế được liệt kê cho đoạn đọc. timber_weights có thể kết hợp các mục voice_id hiện có với giá trị weight nguyên từ 1 đến 100. Các giá trị sound_effects đã công bố là spacious_echo, auditorium_echo, lofi_telephone và robotic. Đây là các tùy chọn để định hình giọng nói đã chọn; ghi lại thiết lập thực tế của chúng khi so sánh các bản đọc.

Kết quả đồng bộ chứa giọng nói được tạo. output_format chọn url hoặc hex và mặc định là hex trong lược đồ tổng hợp. Tải tệp được tham chiếu bởi kết quả URL hoặc giải mã kết quả hex thành các byte âm thanh trước khi phát lại. Giữ siêu dữ liệu âm thanh được trả về, gồm định dạng, tần số lấy mẫu, số kênh và kích thước, cùng bản ghi. subtitle_enable mặc định là false và khi bật chỉ áp dụng cho đầu ra không truyền luồng; nguồn không xác lập định dạng tệp phụ đề cho cấu hình này.

Lưu đoạn nguồn, ID mô hình chính xác, lựa chọn giọng nói và bản ghi hoàn tất cùng nhau. Đánh giá toàn bộ bản đọc về câu chữ dự định, khoảng nghỉ và thiết lập thể hiện đã chọn trước khi đưa vào video, bài học hoặc hướng dẫn bằng giọng nói. Nếu phản hồi chưa đầy đủ, giữ thông tin định danh yêu cầu ban đầu và thông tin được trả về để đối soát trước khi yêu cầu bản ghi khác. Một lần chỉnh sửa sau có thể thay đổi cụm từ hoặc thiết lập giọng nói cụ thể trong khi giữ phần còn lại của kịch bản để so sánh rõ ràng.