speech-2.6-hd
Speech 2.6 HD là mô hình tổng hợp giọng nói chất lượng cao, chú trọng sự tự nhiên 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 tự nhiên cho tương tác
Speech 2.6 HD dành cho tổng hợp giọng nói tự nhiên và các kịch bản cần bắt đầu trả lời nhanh. Nhà sản xuất chú trọng ngữ điệu, độ trôi chảy và xử lý văn bản trước khi đọc. Biến thể HD nhấn mạnh chất lượng âm thanh; đầu vào thẻ này là văn bản, đầu ra là âm thanh lời nói.
Đọc cách ghi không thông thường
Thế hệ Speech 2.6 xử lý được các dạng ghi thường gặp trong thông báo công việc: địa chỉ trang, email, số điện thoại, ngày tháng và số tiền. Mô hình chuyển chúng thành dạng có thể đọc để người nghe hiểu lượt lời. Nhà sản xuất mô tả các tác vụ này trên nhiều ngôn ngữ.
Lời nói trôi chảy, giữ âm sắc
Speech 2.6 có chế độ tăng độ trôi chảy Fluent LoRA. Chế độ dành cho tổng hợp dựa trên giọng đã chuẩn bị: giúp giữ âm sắc đồng thời tạo lời nói liền mạch hơn, ngay cả khi mẫu nguồn chưa đều hoặc có giọng vùng miền. Chuẩn bị giọng nhân bản và sử dụng giọng đó khi đọc là hai hành động khác nhau.
Mô hình hỗ trợ 40 ngôn ngữ, gồm tiếng Nga. Ngoài bảy trạng thái cảm xúc cơ bản, Speech 2.6 có các lựa chọn nói trôi chảy fluent và thì thầm whisper. Nếu không đặt cảm xúc, mô hình chọn theo ý nghĩa văn bản.
Cài đặt cách đọc
MiniMax cho phép chọn giọng và điều khiển tốc độ, âm lượng, cao độ. Tốc độ được đặt trong khoảng 0,5–2, âm lượng lớn hơn 0 và tối đa 10, thay đổi cao độ từ −12 đến 12. Có thể để mô hình chọn cảm xúc theo ý nghĩa văn bản hoặc chỉ định thủ công: vui, buồn, giận dữ, sợ hãi, ghê tởm, ngạc nhiên hoặc bình tĩnh.
Có thể làm rõ phát âm bằng từ điển thay thế và ký hiệu phiên âm; mô hình cung cấp bảng phiên âm quốc tế, bính âm tiếng Trung và các cách đọc tiếng Nhật. Khoảng dừng được đặt giữa các đoạn lời 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. Những cài đặt này cho phép điều chỉnh cách đọc tên, từ viết tắt và từ có nhiều cách hiểu theo ý đồ giọng đọc.
Độ dài văn bản và âm thanh
Tổng hợp nhận văn bản ít hơn 10 000 ký tự. Với văn bản dài hơn 3000 ký tự, nhà sản xuất khuyến nghị đầu ra truyền luồng; cũng có thể nhận toàn bộ âm thanh hoàn chỉnh. Cài đặt tổng hợp chung gồm MP3, PCM, FLAC, WAV, Opus và các biến thể G.711 μ-law, mono hoặc stereo; tập định dạng sẵn có cho từng yêu cầu cụ thể được xác định bằng công cụ Ailoot.
Theo MiniMax, thế hệ này hướng tới độ trễ thấp trong các kịch bản giọng nói. Đây là mô tả mô hình; thời gian của từng câu trả lời và khả năng sử dụng cài đặt mở rộng phụ thuộc vào cách truy cập Ailoot 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-2.6-hd
speech-2.6-hdBắt đầu
Speech 2.6 HD là mô hình tổng hợp giọng nói chất lượng cao, chú trọng sự tự nhiên 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-2.6-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-2.6-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-2.6-hd
Bí danh đường dẫn phương thức
Dùng các đường dẫn phương thức hiển thị ở trên.
ID gọi liên quan
FAQ · speech-2.6-hd
- Có những đầu vào và kết quả nào?
POST /v1/audio/speech·speech-2.6-hd:text→speech- Yêu cầu sử dụng những trường nào?
POST /v1/audio/speech·speech-2.6-hd:model,input,voice,response_format