Converte texto em voz, com suporte a várias vozes, controle de emoção, ajuste de velocidade de fala e outros recursos. O comprimento do texto deve ser inferior a 10000 caracteres. Se o comprimento do texto for maior que 3000 caracteres, recomenda-se usar saída em streaming.
Texto a ser sintetizado em voz. O comprimento deve ser inferior a 10000 caracteres. Se o comprimento do texto for maior que 3000 caracteres, recomenda-se usar saída em streaming. Suporta troca de parágrafos (quebras de linha), controle de pausas (marcador <#x#>) e tags de interjeição/expressão (como (laughs), (coughs) etc.; compatível apenas com speech-2.8-hd/turbo)
Ajuste de altura tonal (grave/brilhante), intervalo [-100, 100]. Quanto mais próximo de -100, mais grave será a voz; quanto mais próximo de 100, mais brilhante será a vozIntervalo de valores: [-100, 100]
Ajuste de timbre (magnético/cristalino), intervalo [-100, 100]. Quanto mais próximo de -100, mais encorpada será a voz; quanto mais próximo de 100, mais cristalina será a vozIntervalo de valores: [-100, 100]
Ajuste de intensidade (força/suavidade), intervalo [-100, 100]. Quanto mais próximo de -100, mais firme será a voz; quanto mais próximo de 100, mais suave será a vozIntervalo de valores: [-100, 100]
Configuração de efeito sonoro. Apenas um tipo pode ser selecionado por vez. Valores disponíveis: spacious_echo (eco em espaço amplo), auditorium_echo (transmissão em auditório), lofi_telephone (distorção de telefone), robotic (som eletrônico)Valores disponíveis: spacious_echo, auditorium_echo, lofi_telephone, robotic
Taxa de bits do áudio gerado. Intervalo disponível [32000, 64000, 128000, 256000], valor padrão 128000. Este parâmetro só é efetivo para áudio no formato mp3Valores disponíveis: 32000, 64000, 128000, 256000
Controle de taxa de bits constante (cbr) para o áudio; opções: false, true. Quando este parâmetro é definido como true, o áudio será codificado com taxa de bits constante. Observação: este parâmetro só é efetivo quando o áudio está configurado para saída em streaming e o formato de áudio é mp3
Parâmetro que controla o formato do resultado de saída. Valores disponíveis: url, hex; o padrão é hex. Este parâmetro só é efetivo em cenários sem streaming; cenários com streaming só oferecem retorno no formato hex. A url retornada é válida por 24 horasValores disponíveis: url, hex
Tom do áudio sintetizado. Intervalo de valores [-12, 12], valor padrão 0, em que 0 representa a saída com a voz originalIntervalo de valores: [-12, 12]
Velocidade de fala do áudio sintetizado. Quanto maior o valor, mais rápida a fala. Intervalo de valores [0.5, 2], valor padrão 1.0Intervalo de valores: [0.5, 2]
Controla a emoção da voz sintetizada. Os parâmetros correspondem a 8 emoções: feliz (happy), triste (sad), raiva (angry), medo (fearful), nojo (disgusted), surpresa (surprised), neutra (calm), expressiva (fluent) e sussurro (whisper). O modelo selecionará automaticamente uma emoção adequada com base no texto de entrada; em geral, não é necessário especificá-la manualmenteValores disponíveis: happy, sad, angry, fearful, disgusted, surprised, calm, fluent, whisper
ID da voz do áudio sintetizado. Se precisar configurar uma voz misturada, defina o parâmetro timber_weights e deixe este parâmetro vazio. Suporta três tipos: vozes do sistema, vozes clonadas e vozes geradas a partir de texto
Controla se fórmulas latex serão lidas em voz alta. O padrão é false. Compatível apenas com chinês; após ativar este parâmetro, o parâmetro language_boost será definido como Chinese
Define se a normalização de texto em chinês e inglês será ativada. Quando ativada, pode melhorar o desempenho em cenários de leitura de números, mas aumenta ligeiramente a latência. O valor padrão é false
Controla a adição de uma marcação rítmica de áudio ao final do áudio sintetizado. O valor padrão é false. Este parâmetro só é efetivo para síntese sem streaming
Define se a capacidade de reconhecimento de idiomas menos comuns e dialetos especificados será aprimorada. O valor padrão é null; pode ser definido como auto para permitir que o modelo faça a avaliação automaticamenteValores disponíveis: 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
Define se o último chunk deve conter os dados de voz em hex após a concatenação. O valor padrão é false, ou seja, o último chunk contém os dados hex da voz completa após a concatenação
Peso de cada voz no áudio sintetizado; deve ser preenchido em conjunto com voice_id. O intervalo de valores disponível é [1, 100], com suporte a mistura de até 4 vozes. Quanto maior a proporção de uma única voz, maior a semelhança da voz sintetizada com essa vozIntervalo de valores: [1, 100]
ID da voz do áudio sintetizado; deve ser preenchido em conjunto com o parâmetro weight. Suporta três tipos: vozes do sistema, vozes clonadas e vozes geradas a partir de texto
Controla se o serviço de legendas será ativado. O valor padrão é false. Este parâmetro é válido apenas em cenários de saída sem streaming e apenas para os modelos speech-2.6-hd, speech-2.6-turbo, speech-02-turbo, speech-02-hd, speech-01-turbo, speech-01-hd
Define regras de substituição de anotação fonética ou pronúncia para textos ou símbolos que exigem marcação especial. Em textos em chinês, os tons são representados por números: primeiro tom é 1, segundo tom é 2, terceiro tom é 3, quarto tom é 4 e tom neutro é 5. Exemplo: [“燕少飞/(yan4)(shao3)(fei1)”, “omg/oh my god”]
