Saltar al contenido principal
POST
/
v3
/
minimax-speech-02-hd
Síntesis de voz síncrona MiniMax Speech-02-hd
curl --request POST \
  --url https://api.highwayapi.ai/v3/minimax-speech-02-hd \
  --header 'Authorization: <authorization>' \
  --header 'Content-Type: <content-type>' \
  --data '
{
  "text": "<string>",
  "voice_setting": {
    "speed": 123,
    "vol": 123,
    "pitch": 123,
    "voice_id": "<string>",
    "emotion": "<string>",
    "latex_read": true,
    "text_normalization": true
  },
  "audio_setting": {
    "sample_rate": 123,
    "bitrate": 123,
    "format": "<string>",
    "channel": 123
  },
  "pronunciation_dict": {
    "tone": [
      {}
    ]
  },
  "timbre_weights": [
    {
      "voice_id": "<string>",
      "weight": 123
    }
  ],
  "stream": true,
  "stream_options": {
    "exclude_aggregated_audio": true
  },
  "language_boost": "<string>",
  "output_format": "<string>",
  "voice_modify": {
    "pitch": 123,
    "intensity": 123,
    "timbre": 123,
    "sound_effects": "<string>"
  }
}
'
{
  "audio": "<string>",
  "status": 123
}
Esta API admite generación síncrona de texto a voz, con un máximo de 10000 caracteres por transmisión de texto. Admite más de 100 voces del sistema y selección autónoma de voces clonadas; permite ajustar volumen, tono, velocidad y formato de salida; admite mezcla de timbres por proporción y control de intervalos fijos; admite diversas especificaciones y formatos de audio, incluidos: mp3, pcm, flac, wav, y admite salida en streaming. Después de enviar una solicitud de síntesis de voz de texto largo, ten en cuenta que la URL devuelta tiene una validez de 24 horas desde el momento en que se devuelve la URL. Presta atención al tiempo disponible para descargar la información.
Aplicable a escenarios como generación de frases cortas, chat de voz y socialización en línea. Tiene baja latencia, pero el límite de longitud del texto es inferior a 10000 caracteres. Para textos largos, se recomienda usar llamada asíncrona de síntesis de voz.

Encabezados de solicitud

Content-Type
string
requerido
Valores enumerados: application/json
Authorization
string
requerido
Formato de autenticación Bearer: Bearer {{API Key}}.

Cuerpo de la solicitud

text
string
requerido
Texto que se va a sintetizar, con un límite de longitud inferior a 10000 caracteres. Los cambios de párrafo se sustituyen por saltos de línea. (Si necesitas controlar el intervalo de tiempo dentro de la voz, añade <#x#> entre caracteres; la unidad de x es segundos, admite 0.01-99.99, con un máximo de dos decimales). Admite intervalos de tiempo de voz personalizados entre textos para lograr el efecto de pausas de voz personalizadas. Ten en cuenta que el intervalo de tiempo entre textos debe configurarse entre dos textos que puedan pronunciarse, y no se pueden configurar varios intervalos de tiempo consecutivos.
voice_setting
object
requerido
audio_setting
object
pronunciation_dict
object
timbre_weights
object[]
Obligatorio elegir uno entre este parámetro y voice_id
stream
boolean
predeterminado:"false"
Indica si se usa streaming. El valor predeterminado es false, es decir, streaming desactivado.
stream_options
object
language_boost
string
predeterminado:"null"
Mejora la capacidad de reconocimiento de idiomas minoritarios y dialectos especificados. Tras configurarlo, puede mejorar el rendimiento de voz en escenarios del idioma minoritario/dialecto especificado. Si no está claro el tipo de idioma minoritario, puedes elegir “auto” y el modelo determinará de forma autónoma el tipo de idioma minoritario. Admite los siguientes valores:'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', 'Afrikaans', 'auto'
output_format
string
predeterminado:"hex"
Parámetro que controla la forma del resultado de salida. Los valores opcionales son url hex. El valor predeterminado es hex. Este parámetro solo tiene efecto en escenarios no streaming; en escenarios streaming solo se admite devolver en forma hex. La URL devuelta tiene una validez de 24 horas.
voice_modify
object
Configuración de efectos de voz. Este parámetro admite los siguientes formatos de audio:
  • No streaming: mp3, wav, flac
  • Streaming: mp3

Información de respuesta

audio
string
Fragmento de audio sintetizado, codificado en hex, generado según el formato definido en la entrada (audio_setting.format) (mp3/pcm/flac). La forma de devolución se basa en la definición de output_format; cuando stream es true, solo se admite la devolución en forma hex.
status
number
Estado actual del flujo de audio, devuelto solo cuando stream es true. 1 indica que la síntesis está en curso, 2 indica que la síntesis ha finalizado.