speech-02-hd
Speech-02 HD là mô hình tổng hợp giọng nói chú trọng chất lượng âm thanh và độ giống giọng.
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.
Giọng cho đọc nội dung và văn bản dài
Speech 02 HD tạo lời nói chú trọng chất lượng, nhịp điệu và độ ổn định của giọng. Nhà sản xuất nhấn mạnh đọc nội dung và sách nói, nơi giọng cần giữ đặc trưng và duy trì đều qua văn bản dài. Đây là mô hình tổng hợp: nhận văn bản và chuyển thành âm thanh lời nói.
Kết hợp văn bản và âm sắc
Dòng Speech 02 dựa trên kiến trúc Transformer tự hồi quy và bộ mã hóa người nói có thể học. Trích xuất âm sắc và tạo lời nói được huấn luyện cùng nhau để phối hợp đặc điểm giọng với nội dung. Khả năng của dòng mô hình gồm sử dụng giọng nhân bản đã chuẩn bị và kết hợp ngôn ngữ, giọng vùng miền, cách phát âm.
Cảm xúc và đọc đa ngôn ngữ
Sắc thái cảm xúc có thể được xác định từ ý nghĩa văn bản hoặc đặt thủ công. Các trạng thái gồm vui, buồn, giận dữ, sợ hãi, ghê tởm, ngạc nhiên và bình tĩnh. Mô hình xử lý tiếng Nga, Anh và các ngôn ngữ khác; nhà sản xuất mô tả nhiều giọng tiếng Anh, tiếng Trung và Quảng Đông, Nhật, Hàn, các ngôn ngữ châu Âu và những ngôn ngữ khác.
Mô tả hiện tại của Speech 02 loại trừ riêng tiếng Ba Tư, Filipino và Tamil. Không nên tự động áp dụng danh sách ngôn ngữ chung của các thế hệ Speech mới hơn cho phiên bản này.
Cài đặt giọng
Tổng hợp cung cấp chọn giọng, thay đổi tốc độ 0,5–2, âm lượng lớn hơn 0 và tối đa 10, cao độ từ −12 đến 12. Trong từ điển phát âm, có thể thay cách viết bằng cách đọc mong muốn; mô hình hỗ trợ ký hiệu phiên âm và các cách phát âm tiếng Nhật. Điều này giúp điều khiển cách đọc tên và từ có nhiều cách hiểu.
Khoảng dừng và âm thanh hoàn chỉnh
Nhà sản xuất cho phép đặt khoảng dừng giữa các đoạn lời với thời lượng 0,01–99,99 giây. Thời lượng khoảng dừng có độ chính xác đến hai chữ số sau dấu phẩy; dấu được đặt giữa các đoạn lời và không đặt liên tiếp. Văn bản của một yêu cầu đồng bộ phải ít hơn 10 000 ký tự. Có thể nhận toàn bộ âm thanh hoặc nhận dần; với văn bản dài hơn 3000 ký tự, đầu ra truyền luồng được khuyến nghị.
Các định dạng của mô hình gồm MP3, WAV, FLAC và PCM; cài đặt tổng hợp chung còn mô tả Opus và các biến thể G.711 μ-law. Có thể dùng mono hoặc stereo. Thẻ này cung cấp đọc văn bản thành tiếng, còn việc chuẩn bị giọng riêng và cài đặt mở rộng chỉ áp dụng trong phạm vi phương thức truy cập được hỗ trợ qua Ailoot.
Cài đặt âm thanh bổ sung gồm các tần số lấy mẫu 8, 16, 22,05, 24, 32 và 44,1 kHz. MP3 có các mức bitrate 32, 64, 128 hoặc 256 kbit/s. Có thể thay đổi màu giọng và áp dụng một hiệu ứng: tiếng vang không gian rộng, tiếng vang hội trường, âm thanh điện thoại hoặc giọng robot. Hiệu ứng thay đổi giọng được hỗ trợ cho MP3, WAV và FLAC khi nhận toàn bộ âm thanh, còn với đầu ra truyền luồng chỉ hỗ trợ MP3. Các định dạng G.711 μ-law sử dụng tần số 8 kHz. Những khả năng này thuộc cài đặt tổng hợp của MiniMax.
Nhà sản xuất cung cấp đồng bộ lời nói với văn bản: dấu thời gian theo câu, theo từ hoặc theo từ khi xuất dần. Kết quả này giúp kết hợp lời đọc với việc hiển thị văn bản. Khả năng bổ sung này cần hỗ trợ định dạng câu trả lời tương ứng.
Ailoot · Tổng hợp giọng nói POST /v1/audio/speech speech-02-hd
speech-02-hdBắt đầu
Speech-02 HD là mô hình tổng hợp giọng nói chú trọng chất lượng âm thanh và độ giống giọng.
- Đầu vào được chấp nhận
- Văn bản
- Kết quả
- speech
Có trên Ailoot · đầu vào & phương thức
Ailoot · Tổng hợp giọng nói POST /v1/audio/speech
- Đầu vào
text- Đầu ra
speech- Định dạng đầu ra
- mp3
| Trường | Loại | Yêu cầu | Giá trị & giới hạn | Mặc định |
|---|---|---|---|---|
Trườngmodel | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn speech-02-hd | Mặc định— |
Trườnginput | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn Độ dài tối thiểu: 1 Độ dài tối đa (không gồm ngưỡng): 10.000 Đơn vị: ký tự Unicode | Mặc định— |
Trườngvoice | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn Mẫu: ^[A-Za-z0-9_-]{1,128}$ | Mặc định— |
Trườngresponse_format | Loạistring | Yêu cầuKhông bắt 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 sốmaterial_types | Hợp đồngtext |
Tham sốrequired | Hợp đồngnull |
Tham sốoptional_controls | Hợp đồngnull |
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}
Cấu trúc phương thức và ID là chính xác; khả năng của nhà cung cấp tách biệt với việc cho phép tiếp nhận yêu cầu.
Bảng giá
Mức phí phương thức Ailoot
POST /v1/audio/speech- Đầu vào
- 100,00 US$ mỗi 1 triệu ký tự
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 · Tổng hợp giọng nói
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
Nhận và lưu kết quả
Ailoot · Tổng hợp giọng nói
mp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
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 |
|---|---|
Trườngbinary audio | Loạibytes |
Trườngresponse 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 hồiserver_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 speech-02-hd
Bí danh đường dẫn phương thức
Dùng các đường dẫn phương thức hiển thị ở trên.
ID gọi liên quan
FAQ · speech-02-hd
- Có những đầu vào và kết quả nào?
POST /v1/audio/speech·speech-02-hd:text→speech- Yêu cầu sử dụng những trường nào?
POST /v1/audio/speech·speech-02-hd:model,input,voice,response_format