speech-2.6-turbo
Speech 2.6 Turbo tổng hợp lời nói đa ngôn ngữ và hướng tới độ trễ trả lời thấp.
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.
Lượt lời cho quy trình giọng nói
Speech 2.6 Turbo là biến thể tổng hợp giọng nói hướng tới tốc độ. Nhà sản xuất mô tả mô hình cho trợ lý giọng nói và kịch bản tương tác, nơi văn bản dần trở thành câu trả lời. Mô hình giữ ngữ điệu tự nhiên của thế hệ Speech 2.6 và xử lý được các cách ghi đặc biệt.
Văn bản cần đọc đúng
Mô hình được thiết kế để đọc ngày tháng, số điện thoại, số tiền, địa chỉ trang và email mà không cần viết lại thủ công từng mục trước. Cách xử lý này hữu ích trong thông báo thay đổi liên tục, nơi số và ký hiệu xuất hiện cùng từ thông thường. Nhà sản xuất mô tả xử lý các định dạng này trên nhiều ngôn ngữ.
Độ trôi chảy và điều khiển cảm xúc
Speech 2.6 hỗ trợ Fluent LoRA: giữ âm sắc dễ nhận biết khi đọc văn bản trôi chảy hơn. Khả năng này thuộc việc sử dụng giọng đã chuẩn bị; chuẩn bị bản sao giọng riêng không phải một phần của yêu cầu văn bản thông thường. Dòng mô hình có 40 ngôn ngữ, gồm tiếng Nga.
Turbo có bảy cảm xúc chính và các chế độ bổ sung fluent, whisper. Mô hình có thể tự chọn sắc thái cảm xúc theo nội dung hoặc sử dụng trạng thái đã đặt. Có thể thay đổi độ sâu âm sắc và tốc độ độc lập với văn bản.
Giọng, khoảng dừng và phát âm
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.
Nhận 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.
Trong thẻ Ailoot này, văn bản được chuyển thành âm thanh lời nói. Mục đích của Turbo gắn với tốc độ tổng hợp, nhưng ở đây không hứa hẹn thời gian trả lời cố định; các cài đặt được liệt kê phản ánh khả năng của nhà sản xuất và được áp dụng trong phạm vi cách truy cập sẵn có.
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-turbo
speech-2.6-turboBắt đầu
Speech 2.6 Turbo tổng hợp lời nói đa ngôn ngữ và hướng tới độ trễ trả lời thấp.
- 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-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-2.6-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-2.6-turbo
Bí danh đường dẫn phương thức
Dùng các đường dẫn phương thức hiển thị ở trên.
ID gọi liên quan
FAQ · speech-2.6-turbo
- Có những đầu vào và kết quả nào?
POST /v1/audio/speech·speech-2.6-turbo:text→speech- Yêu cầu sử dụng những trường nào?
POST /v1/audio/speech·speech-2.6-turbo:model,input,voice,response_format