speech-02-hd
Speech-02 HD 是著重音質與語音相似度的語音合成模型。
關於模型
此說明介紹模型的能力。Ailoot 可用的輸入、輸出與選項，依所選方法列於下方。
配音與長篇朗讀的語音
Speech 02 HD 合成語音時，著重品質、節奏與聲音穩定性。廠商強調內容配音及有聲書，讓語音在長篇文字中維持特性並平順朗讀。這是合成模型，接收文字後轉為語音音訊。
文字與音色如何連結
Speech 02 系列以自迴歸 Transformer 架構與可訓練的說話者編碼器為基礎。音色擷取與語音生成共同訓練，讓聲音特性與內容協調。系列能力包括使用預先建立的複製語音，以及結合語言、口音與發音方式。
情緒與多語言朗讀
情緒可依文字意義自動決定，也可手動指定。可用情緒包括喜悅、悲傷、憤怒、恐懼、厭惡、驚訝與平靜。模型支援俄文、英文及其他語言；廠商描述了不同英文口音、中文與粵語、日文、韓文，以及歐洲和其他語言。
目前的 Speech 02 說明另行排除波斯文、菲律賓文與坦米爾文。較新 Speech 世代的一般語言清單，不應自動套用到這個版本。
語音設定
合成可選擇語音，調整 0.5–2 的速度、大於 0且最高為 10 的音量，以及 −12 到 12 的音高。發音詞典可將書寫形式替換為指定讀法，也支援音標與日文讀法，協助控制名字與多義詞的發音。
停頓與完成的音訊
廠商允許在發聲片段之間設定 0.01–99.99 秒的停頓，時長精確到小數點後兩位。標記放在發聲片段之間，不可連續放置。單次同步請求的文字必須少於 10 000 個字元。音訊可完整取得，也可逐步輸出；文字超過 3000 個字元時，建議使用串流。
模型格式包括 MP3、WAV、FLAC 與 PCM；一般合成設定也列出 Opus 與 G.711 μ-law，可使用單聲道或立體聲。這份模型說明提供文字配音；語音的獨立準備與進階設定，只能在 Ailoot 支援的呼叫方式範圍內使用。
其他音訊設定包括 8、16、22.05、24、32 與 44.1 kHz 的取樣率。MP3 位元率可用 32、64、128 或 256 kbit/s。也能調整音色並套用一種效果：寬闊回音、廳堂回音、電話音色或機器人語音。完整回傳音訊時，變聲效果支援 MP3、WAV 與 FLAC；串流則只支援 MP3。G.711 μ-law 格式使用 8 kHz。這些能力屬於 MiniMax 的合成設定。
廠商提供語音與文字同步，包括按句子、字詞，或串流字詞的時間標記。這可將發聲與文字顯示對齊，需要相應回覆格式提供支援。
Ailoot · 語音合成 POST /v1/audio/speech speech-02-hd
speech-02-hd入門
Speech-02 HD 是著重音質與語音相似度的語音合成模型。
- 接受的輸入
- 文字
- 結果
- speech
Ailoot 可用 · 輸入與方法
Ailoot · 語音合成 POST /v1/audio/speech
- 輸入
text- 輸出
speech- 輸出格式
- mp3
| 欄位 | 類型 | 要求 | 值與限制 | 預設值 |
|---|---|---|---|---|
欄位model | 類型string | 要求必填 | 值與限制 speech-02-hd | 預設值— |
欄位input | 類型string | 要求必填 | 值與限制 長度下限: 1 長度上限（不含上限值）: 10,000 單位: Unicode 字元 | 預設值— |
欄位voice | 類型string | 要求必填 | 值與限制 模式: ^[A-Za-z0-9_-]{1,128}$ | 預設值— |
欄位response_format | 類型string | 要求選填 | 值與限制 mp3 | 預設值— |
輸入素材組合
text_to_speech · 必填： input
方法參數與生命週期
| 參數 | 規格 |
|---|---|
參數material_types | 規格text |
參數required | 規格null |
參數optional_controls | 規格null |
生命週期： synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · 實際回傳的 task_id 或媒體庫紀錄
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
方法結構與 ID 均為精確值；供應商能力與准入狀態分開。
方案
Ailoot 方法費率
POST /v1/audio/speech- 輸入
- US$100.00 每 1 百萬字元
Ailoot 會在請求前預留估算金額。取得結果後，依實測用量結算最終費用。串流結算採用最終用量紀錄。預留金額與結算的運作方式 →
請求範例
Ailoot · 語音合成
set -eu
: "${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
接收並儲存結果
Ailoot · 語音合成
mp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
保留所有已完成的結果
請保留所有完整傳回的回應、檔案與內容區塊。
保留完整的二進位結果與標頭。若回傳 JSON 或多個輸出，請保留所有資料項目，並透過每個實際回傳的已簽署資產 URL 取得內容。
需要檢查原始回應時
保留原始 operation_id/X-Client-Request-ID 以供核對，請勿重新提交；沒有專用的音訊輪詢路由。
回應欄位
| 欄位 | 類型 |
|---|---|
欄位binary audio | 類型bytes |
欄位response headers | 類型headers |
錯誤與後續步驟
| 回應 | 條件 | 下一步 |
|---|---|---|
回應400 · invalid_request_error | 條件必要欄位、素材表示方式或參數值無效 | 下一步提出新的建立請求前，先修正指定欄位。 |
回應server_error | 條件回傳的回應表示該作業或結果需要檢查 | 下一步保留原始回傳的作業／任務 ID、請求標頭與回應；繼續以支援的方式讀取該原始作業。請勿重新提交建立請求。 |
別名
模型別名
Ailoot speech-02-hd
方法路徑別名
請使用上方列出的 API 方法路徑。
相關呼叫用 ID
FAQ · speech-02-hd
- 可以使用哪些輸入與結果？
POST /v1/audio/speech·speech-02-hd:text→speech- 請求使用哪些欄位？
POST /v1/audio/speech·speech-02-hd:model,input,voice,response_format