speech-02-turbo
Speech-02 Turbo dành cho tổng hợp giọng nói nhanh với nhịp điệu ổn định và giọng đọc đa ngôn ngữ.
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.
Lời nói nhanh cho câu trả lời tương tác
Speech 02 Turbo dành cho tổng hợp giọng nói tương tác. Nhà sản xuất mô tả sự kết hợp tốc độ với nhịp điệu ổn định và âm thanh tự nhiên; các kịch bản gồm câu trả lời bằng giọng nói, lời thoại trò chơi và nội dung tương tác. Mô hình nhận văn bản và tạo âm thanh lời nói.
Chọn đặc trưng âm thanh
Dòng Speech 02 cho phép kết hợp giọng, ngôn ngữ, giọng vùng miền và sắc thái cảm xúc. Transformer tự hồi quy cùng bộ mã hóa người nói được huấn luyện chung để liên kết âm sắc với nội dung. Có thể tổng hợp văn bản bằng giọng có sẵn; tạo giọng nhân bản mới thuộc bước chuẩn bị riêng.
Mô hình tự chọn ngữ điệu cảm xúc theo văn bản hoặc nhận trạng thái đã đặt: vui, buồn, giận dữ, sợ hãi, ghê tởm, ngạc nhiên hoặc bình tĩnh. Có thể điều khiển thêm tốc độ, cao độ và âm lượng để lượt lời phù hợp với nhịp tương tác mong muốn.
Ngôn ngữ và cách đọc từ
Mô hình hỗ trợ lời nói tiếng Nga và các ngôn ngữ khác, gồm tiếng Anh, Trung, Quảng Đông, Nhật, Hàn, Pháp, Đức, Tây Ban Nha, Bồ Đào Nha, Thổ Nhĩ Kỳ, Ả Rập và Ukraine. Với Speech 02, đặc tả hiện tại loại trừ riêng tiếng Ba Tư, Filipino và Tamil.
Có thể làm rõ phát âm bằng từ điển thay thế, ký hiệu phiên âm quốc tế, bính âm tiếng Trung và các cách đọc tiếng Nhật. Khoảng dừng giữa các phần lời được đặt trong phạm vi 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. Mô hình cung cấp tốc độ 0,5–2, âm lượng lớn hơn 0 và tối đa 10, thay đổi cao độ từ −12 đến 12.
Âm thanh để phát
Đầu vào đồng bộ giới hạn văn bản ít hơn 10 000 ký tự; với dung lượng dài hơn 3000 ký tự, nhà sản xuất khuyến nghị xuất dần. Khả năng của mô hình gồm MP3, WAV, FLAC và PCM; cài đặt chung còn mô tả Opus, G.711 μ-law, một hoặc hai kênh âm thanh.
Thẻ Ailoot này nhận văn bản và trả về lời nói. Tốc độ của Turbo thuộc mục đích biến thể mô hình; thời gian của từng câu trả lời và khả năng sử dụng định dạng mở rộng phụ thuộc vào cách truy cập đã chọn.
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-turbo
speech-02-turboBắt đầu
Speech-02 Turbo dành cho tổng hợp giọng nói nhanh với nhịp điệu ổn định và giọng đọc đa ngôn ngữ.
- 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-turbo | 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
- 60,00 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-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
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-turbo
Bí danh đường dẫn phương thức
Dùng các đường dẫn phương thức hiển thị ở trên.
ID gọi liên quan
FAQ · speech-02-turbo
- Có những đầu vào và kết quả nào?
POST /v1/audio/speech·speech-02-turbo:text→speech- Yêu cầu sử dụng những trường nào?
POST /v1/audio/speech·speech-02-turbo:model,input,voice,response_format