MiniMax: Speech 2.8 Turbo

MiniMax: Speech 2.8 Turbo to model zamiany tekstu na mowę od MiniMax. Należy do kategorii mowy i jest stworzony dla aplikacji, które muszą zamieniać pisany tekst na mowę. MiniMax jest dostawcą stojącym za tym modelem, a identyfikator modelu na api14 to minimax/speech-2.8-turbo.

Model przyjmuje tekst jako jedyne wejście i generuje mowę jako jedyne wyjście. Obsługuje dowolne identyfikatory głosów MiniMax, a dostępny jest zestaw głosów angielskich, obejmujący szeroki zakres stylów wypowiedzi. Należą do nich głosy narratora i gawędziarza, takie jak English_expressive_narrator i English_CaptivatingStoryteller, głosy w stylu postaci, takie jak English_AnimeCharacter i English_Comedian, oraz wiele opcji związanych z tonem, jak English_CalmWoman, English_Whispering_girl, English_MatureBoss, English_SadTeen i English_AssertiveQueen. Dla tego modelu nie podano długości kontekstu ani obsługiwanych parametrów żądania, więc należy traktować go jako wyspecjalizowany endpoint o jednym zastosowaniu, a nie jako ogólny model tekstowy.

Ponieważ wyjściem jest dźwięk generowany z tekstu, praktyczne zastosowania wynikają z tego bezpośrednio. Możesz narrować artykuły, opowiadania lub dokumentację, nadać produktowi lub asystentowi spójną osobowość mówioną, wybierając pasujący głos, tworzyć dialogi postaci do gier lub animacji z głosami takimi jak English_AnimeCharacter lub English_PassionateWarrior oraz generować spokojne, dodające otuchy lub autorytatywne odczyty dla treści szkoleniowych, wdrożeniowych lub wsparcia. Szerokość listy głosów oznacza, że ten sam tekst można odczytać w bardzo różnych rejestrach, zmieniając tylko identyfikator głosu.

Model wywołujesz przez API zgodne z OpenAI na api14, używając identyfikatora modelu minimax/speech-2.8-turbo. Ponieważ interfejs jest zgodny z OpenAI, możesz skierować istniejące biblioteki klienckie OpenAI na bazowy adres URL api14 i wysłać żądanie w zwykłym kształcie, z identyfikatorem modelu w polu model, a tekstem jako input. Odpowiedź zawiera wygenerowaną mowę. Dla tego modelu nie podano obsługiwanych parametrów, więc utrzymuj żądania proste i opieraj się na identyfikatorze modelu oraz wyborze głosu, zamiast zakładać istnienie dodatkowych opcji dostrajania.

Jedna rzecz do zapamiętania to zakres. Ten model przyjmuje wyłącznie tekst i zwraca wyłącznie mowę, więc nie jest właściwym wyborem do transkrypcji, tłumaczenia, rozumowania ani żadnego zadania, które wymaga odpowiedzi tekstowej. Jeśli potrzebujesz modelu, który odczytuje dźwięk lub zwraca wynik pisany, lepiej pasować będzie inny model na api14. W swojej dziedzinie Speech 2.8 Turbo jest opcją, po którą warto sięgnąć, gdy rezultatem ma być mowa.