MiniMax Speech 2.8 HD / Turbo · Dokumentacja API
Konwertuj tekst na dźwięk, wybierz głosy i formaty i przeczytaj buforowane odpowiedzi SSE.
Wyślij zapytanie JSON do POST /v1/wand/minimax-tts/sync_tts za pomocą klawisza APIMaster w nagłówku Authorization: Bearer. Ustaw model na minimax-speech-2.8-hd lub minimax-speech-2.8-turbo.
| Pole | Typ | Opis |
|---|---|---|
text |
string | Wymagane, mniej niż znaki 10,000. Użyj nowych wierszy dla akapitów, <#x#> na pauzę x sekund, i nawiasem pinyin lub IPA dla wymowy. Modele obsługują sygnały takie jak: (laughs). |
voice_setting |
object | Wymagane. Ustaw voice_id na głos systemowy lub na kompletne odniesienie zwracane przez projekt głosu lub klonowanie głosu. Podczas mieszania głosów zostaw ten identyfikator pusty i ustaw timbre_weights. |
voice_setting.speed, voice_setting.vol, voice_setting.pitch |
number | Speed 0.5–2 (domyślnie 1). Objętość większa niż 0 i co najwyżej 10 (domyślnie 1). Wskaźnik integer −12 do 12 (domyślny 0). |
voice_setting.emotion |
string | happy, sad, angry, fearful, disgusted, surprised, calmlub fluent. Niech model wybierze. |
voice_setting.text_normalization, voice_setting.latex_read |
boolean | Obie wartości domyślne dla false. Równania Wrap w $$ do czytania LaTeX. |
audio_setting.sample_rate |
integer | 8000, 16000, 22050, 24000, 32000 (domyślnie) lub 44100 Hz. |
audio_setting.bitrate |
integer | MP3 Tylko. 32000, 64000, 128000 (domyślnie) lub 256000 bps. |
audio_setting.format |
string | mp3 (domyślnie), pcm, flac, wav, pcmu_raw, pcmu_wav lub opus. |
audio_setting.channel |
integer | 1 (domyślnie) lub 2. |
pronunciation_dict.tone |
string[] | Wpisy w formie original/replacement. Zamiany mogą być wykorzystywane w formie tekstu, pinyin, IPA lub japońskiej kana. |
timbre_weights |
object[] | Do czterech pozycji z voice_id i weight od 1 do 100. |
language_boost |
string | Opcjonalne powiększenie języka. Użyj auto, obsługiwanego języka lub pomiń. |
voice_modify.pitch, voice_modify.intensity, voice_modify.timbre |
integer | −100 do 100. |
voice_modify.sound_effects |
string | spacious_echo, auditorium_echo, lofi_telephone lub robotic. W przypadku niestrumieniowania, efekty te działają za pomocą MP3, WAV i FLAC. Dla SSE należy stosować MP3. |
subtitle_enable, subtitle_type |
boolean, string | Napisy są domyślnie wyłączone. Typ to sentence (domyślnie) lub word. |
output_format |
string | hex (domyślnie) lub url dla niestrumieniowego żądania. Podglądowe URLs są ważne przez 24 godziny. |
aigc_watermark, stream |
boolean | Obie wartości domyślne dla false. SSE jest buforowany aż do wytworzenia i rozliczeń zakończone i wysyła hex audio. |
language_boost akceptuje Chinese, Chinese,Yue, English, Arabic, Russian, Spanish, French, Portuguese, German, Turkish, Dutch, Ukrainian, Vietnamese, Indonesian, Japanese, Italian, Korean, Thai, Polish, Romanian, Greek, Czech, Finnish, Hindi, Bulgarian, Danish, Hebrew, Malay, Persian, Slovak, Swedish, Croatian, Filipino, Hungarian, Norwegian, Slovenian, Catalan, Nynorsk, Tamil, oraz Afrikaans.
Głosy systemowe obejmują English_Graceful_Lady, English_Trustworthy_Man, male-qn-qingse, male-qn-jingying, female-shaonv i female-yujie. Użyj własnego głosu zwróconego przez Projektowanie głosu lub Klon głosu z tego samego konta.
curl -X POST "https://apimaster.ai/v1/wand/minimax-tts/sync_tts" \
-H "Authorization: Bearer $APIMASTER_API_KEY" \
-H "Content-Type: application/json" \
-d '{"model":"minimax-speech-2.8-hd","text":"Welcome to the program.","voice_setting":{"voice_id":"English_Graceful_Lady"},"output_format":"url"}'
W odpowiedzi niestrumieniowej należy sprawdzić czy base_resp.status_code jest 0, a data.status jest 2. data.audio zawiera hex- encode audio lub jego URL, a data.subtitle_file może zawierać podtytuł JSON. extra_info może zawierać długość w milisekundach, częstotliwość próbkowania, rozmiar, format i usage_characters. Zapisz trace_id lub request_id, jeśli potrzebujesz pomocy przy diagnozowaniu awarii.
Dla SSE, data.status=1 jest segmentem, a 2 jest zakończony, a następnie prawdopodobnie [DONE]. Dołącz do segmentów hex w porządku i dekoduj je na bajty. Napisy mogą zawierać offsety znaków, offsety czasu w milisekundach i timestamped_words. Użyj skumulowanego usage.total_tokens lub usage.total_token raz zamiast sumowania kumulacyjnych klatek.
Patrz HD oraz Turbo karty modelowe dla bieżącego APIMaster ceny. Początkowa synteza z własnym głosem może również zawierać opłatę głosową.
