語音大模型服務(wù)MiniMax-稀宇科技
專用API
【更新時(shí)間: 2024.03.22】
依托新一代AI大模型能力，MiniMax語音模型speech-01能夠根據(jù)上下文，智能預(yù)測(cè)文本的情緒、語調(diào)等信息，并生成超自然、高保真、個(gè)性化的語音。
|
瀏覽次數(shù)
233
采購人數(shù)
4
試用次數(shù)
0
SLA: N/A
響應(yīng): N/A
適用于個(gè)人&企業(yè)
收藏
×
完成
取消
×
書簽名稱
確定
|
- API詳情
- 定價(jià)
- 使用指南
- 常見 FAQ
- 關(guān)于我們
- 相關(guān)推薦
什么是稀宇科技的語音大模型服務(wù)MiniMax?
依托新一代AI大模型能力，MiniMax語音模型speech-01能夠根據(jù)上下文，智能預(yù)測(cè)文本的情緒、語調(diào)等信息，并生成超自然、高保真、個(gè)性化的語音。相較于傳統(tǒng)語音合成技術(shù)，MiniMax的語音模型以更精準(zhǔn)、快速的方式，在音質(zhì)、斷句氣口、韻律節(jié)奏等方面達(dá)到以“AI”亂真的合成新高度，為客戶帶來更生動(dòng)、更具情感表現(xiàn)力的聽覺體驗(yàn)。
什么是稀宇科技的語音大模型服務(wù)MiniMax接口？
稀宇科技的語音大模型服務(wù)MiniMax有哪些核心功能？
-
多品質(zhì)音色復(fù)刻
-
語音在線合成
-
自動(dòng)理解文本
稀宇科技的語音大模型服務(wù)MiniMax的核心優(yōu)勢(shì)是什么？
- 高保真、超自然：具備理解人類語言中復(fù)雜含義的能力，包括情感、語氣甚至笑聲，從文本中預(yù)測(cè)喜悅、悲傷、憤怒等多維信息，生成更貼合“自然人聲”的語音語調(diào)。在某些情境下，甚至能表現(xiàn)出極具戲劇化的特征，如發(fā)出笑聲等
- 多樣化、高延展：能在一定量的參數(shù)中學(xué)習(xí)到數(shù)千個(gè)聲音的音色特征，并自由組合，生成無限數(shù)量的聲音變體、情感和風(fēng)格，無論是成熟御姐、溫柔女主播，還是青澀男大、穩(wěn)重男主持，亦或是其他風(fēng)格化的音色，都能輕松生成，滿足多元場(chǎng)景需求
- 低成本、高效率：無需專業(yè)錄音環(huán)境和設(shè)備，我們的快速復(fù)刻服務(wù)可以在極簡(jiǎn)的條件下運(yùn)行，只需提供30秒的錄制音頻，即可完成語音克隆。生成的語音與原音色高度相似，大幅減少時(shí)間和資金的投入。
在哪些場(chǎng)景會(huì)用到稀宇科技的語音大模型服務(wù)MiniMax？
 有聲讀物
|
 語音助手
|
 咨詢播報(bào)
|
 IP復(fù)刻
|
 CV配音
|
|
|
計(jì)費(fèi)項(xiàng) |
接口說明 |
單價(jià) |
|
T2A |
支持音量、語調(diào)、語速調(diào)整和混音功能 |
5元/萬字符 |
|
T2A pro |
在T2A接口的基礎(chǔ)上，支持單次合成最高5000字符輸入，支持比特率、采樣率相關(guān)參數(shù)調(diào)整特性，支持音頻時(shí)長、音頻大小等返回參數(shù)，支持字幕返回。 |
5元/萬字符 |
|
T2A large |
在T2A接口的基礎(chǔ)上，支持單次合成最高1000萬字符輸入，支持非法字符檢測(cè)等功能，適用于整本書籍語音合成的超長文本場(chǎng)景。 |
2元/萬字符 |
|
T2A stream |
支持基于自然語言交互生成回復(fù)的能力，適用于語音通話、語音聊天等需求流式的相關(guān)場(chǎng)景。 |
5元/萬字符 |
|
voice_clone（快速復(fù)刻） |
基于大語言模型的音色克隆更加精準(zhǔn)快速，無需數(shù)小時(shí)時(shí)長的超高質(zhì)量原音頻、無需傳統(tǒng)TTS的超長工期，可以在極短時(shí)間內(nèi)完成音色復(fù)刻，并通過大語言模型加持，使復(fù)刻后的音色與原音色進(jìn)行高質(zhì)量還原，從而滿足客戶需求。 |
本接口暫時(shí)只提供邀請(qǐng)制客戶使用，有使用需求的客戶可以通過客戶經(jīng)理或者通過官方郵箱open-platform@minimaxi.com進(jìn)行申請(qǐng)使用。 |
相關(guān)文檔請(qǐng)查看：https://www.minimaxi.com/document/speech-synthesis-engine?id=645e034eeb82db92fba9ac20
概念說明
音頻信息
一段音頻文件可以包含多種信息，這些信息共同決定了音頻文件的播放質(zhì)量、兼容性和文件大小。其中最關(guān)鍵的包括：
- 聲道（Channels）: 聲道數(shù)表明了音頻是單聲道（Mono）、雙聲道（Stereo）還是多聲道（如5.1環(huán)繞聲）。單聲道有一個(gè)音頻信號(hào)，雙聲道有兩個(gè)獨(dú)立信號(hào)，為左聲道和右聲道，多聲道則提供沉浸式的聽覺體驗(yàn)。
- 格式（Format）: 音頻格式定義了音頻文件的存儲(chǔ)方式。常見的格式有WAV（無損格式，通常文件較大）、MP3（有損壓縮，文件相對(duì)較小）、AAC（先進(jìn)的有損壓縮格式）、FLAC（無損壓縮，文件大小介于WAV和MP3之間）等。不同格式影響文件的壓縮率、音質(zhì)和兼容性。
- 采樣率（Sample Rate）: 采樣率是指每秒鐘采樣次數(shù)，單位是赫茲（Hz），它決定了音頻的頻率范圍。CD質(zhì)量音頻的標(biāo)準(zhǔn)采樣率是44.1kHz，意味著每秒鐘采樣44100次。更高的采樣率可以捕捉更高頻率的聲音，但文件大小也會(huì)更大。
音色克隆
音色克隆（TTS，即Text-to-Speech）是人工智能領(lǐng)域的一個(gè)子集，它涉及到將文本轉(zhuǎn)換成口語的過程。音色克隆特指的是利用特定的聲音樣本來創(chuàng)建一個(gè)數(shù)字化的聲音模型，這個(gè)模型可以用來生成聽起來與原始聲音樣本非常相似的語音輸出。簡(jiǎn)而言之，音色克隆可以在極短時(shí)間內(nèi)完成特定人的說話方式和聲音特征的復(fù)刻。
字幕
在語音大模型的上下文中，字幕通常是語音大模型聽取語音后自動(dòng)轉(zhuǎn)換生成的文字，它們代表視頻或音頻中人們所說話的內(nèi)容，這個(gè)過程通常被稱為自動(dòng)語音識(shí)別（ASR）。在視頻流或?qū)崟r(shí)事件中，這些生成的文字就是字幕，它們可以實(shí)時(shí)顯示在屏幕上。
字典
“字典”通常指的是一個(gè)音素字典（phonetic dictionary）或發(fā)音字典，這是一種將單詞和短語映射到它們音素或音標(biāo)表示的列表，在中文系統(tǒng)中，字典通常包含中文漢字到它們拼音的映射。音素是語言中最小的語音單位，是發(fā)音的基礎(chǔ)。
MiniMax語音大模型中，古文“將進(jìn)酒”在音素字典中可能被表示為[“qiang1”, “ jin4”, “jiu3”]，這反映了其發(fā)音的組成部分。
字典幫助模型學(xué)習(xí)如何正確地將文本映射到語音。在自動(dòng)語音識(shí)別（ASR）中，系統(tǒng)會(huì)嘗試將聽到的語音與字典中的音素模式相匹配，以此識(shí)別出說話內(nèi)容。在文本到語音（TTS）系統(tǒng)中，字典用于將文本轉(zhuǎn)換為可以發(fā)聲的音素序列。在某些復(fù)雜的語音系統(tǒng)中，字典也可能包含關(guān)于詞匯的語音變化信息，這對(duì)于處理不同口音、語速變化以及語言中的不規(guī)則發(fā)音特別重要。
|
計(jì)費(fèi)項(xiàng) |
接口說明 |
單價(jià) |
|
T2A |
支持音量、語調(diào)、語速調(diào)整和混音功能 |
5元/萬字符 |
|
T2A pro |
在T2A接口的基礎(chǔ)上，支持單次合成最高5000字符輸入，支持比特率、采樣率相關(guān)參數(shù)調(diào)整特性，支持音頻時(shí)長、音頻大小等返回參數(shù)，支持字幕返回。 |
5元/萬字符 |
|
T2A large |
在T2A接口的基礎(chǔ)上，支持單次合成最高1000萬字符輸入，支持非法字符檢測(cè)等功能，適用于整本書籍語音合成的超長文本場(chǎng)景。 |
2元/萬字符 |
|
T2A stream |
支持基于自然語言交互生成回復(fù)的能力，適用于語音通話、語音聊天等需求流式的相關(guān)場(chǎng)景。 |
5元/萬字符 |
|
voice_clone（快速復(fù)刻） |
基于大語言模型的音色克隆更加精準(zhǔn)快速，無需數(shù)小時(shí)時(shí)長的超高質(zhì)量原音頻、無需傳統(tǒng)TTS的超長工期，可以在極短時(shí)間內(nèi)完成音色復(fù)刻，并通過大語言模型加持，使復(fù)刻后的音色與原音色進(jìn)行高質(zhì)量還原，從而滿足客戶需求。 |
本接口暫時(shí)只提供邀請(qǐng)制客戶使用，有使用需求的客戶可以通過客戶經(jīng)理或者通過官方郵箱open-platform@minimaxi.com進(jìn)行申請(qǐng)使用。 |
相關(guān)文檔請(qǐng)查看：https://www.minimaxi.com/document/speech-synthesis-engine?id=645e034eeb82db92fba9ac20
概念說明
音頻信息
一段音頻文件可以包含多種信息，這些信息共同決定了音頻文件的播放質(zhì)量、兼容性和文件大小。其中最關(guān)鍵的包括：
- 聲道（Channels）: 聲道數(shù)表明了音頻是單聲道（Mono）、雙聲道（Stereo）還是多聲道（如5.1環(huán)繞聲）。單聲道有一個(gè)音頻信號(hào)，雙聲道有兩個(gè)獨(dú)立信號(hào)，為左聲道和右聲道，多聲道則提供沉浸式的聽覺體驗(yàn)。
- 格式（Format）: 音頻格式定義了音頻文件的存儲(chǔ)方式。常見的格式有WAV（無損格式，通常文件較大）、MP3（有損壓縮，文件相對(duì)較小）、AAC（先進(jìn)的有損壓縮格式）、FLAC（無損壓縮，文件大小介于WAV和MP3之間）等。不同格式影響文件的壓縮率、音質(zhì)和兼容性。
- 采樣率（Sample Rate）: 采樣率是指每秒鐘采樣次數(shù)，單位是赫茲（Hz），它決定了音頻的頻率范圍。CD質(zhì)量音頻的標(biāo)準(zhǔn)采樣率是44.1kHz，意味著每秒鐘采樣44100次。更高的采樣率可以捕捉更高頻率的聲音，但文件大小也會(huì)更大。
音色克隆
音色克隆（TTS，即Text-to-Speech）是人工智能領(lǐng)域的一個(gè)子集，它涉及到將文本轉(zhuǎn)換成口語的過程。音色克隆特指的是利用特定的聲音樣本來創(chuàng)建一個(gè)數(shù)字化的聲音模型，這個(gè)模型可以用來生成聽起來與原始聲音樣本非常相似的語音輸出。簡(jiǎn)而言之，音色克隆可以在極短時(shí)間內(nèi)完成特定人的說話方式和聲音特征的復(fù)刻。
字幕
在語音大模型的上下文中，字幕通常是語音大模型聽取語音后自動(dòng)轉(zhuǎn)換生成的文字，它們代表視頻或音頻中人們所說話的內(nèi)容，這個(gè)過程通常被稱為自動(dòng)語音識(shí)別（ASR）。在視頻流或?qū)崟r(shí)事件中，這些生成的文字就是字幕，它們可以實(shí)時(shí)顯示在屏幕上。
字典
“字典”通常指的是一個(gè)音素字典（phonetic dictionary）或發(fā)音字典，這是一種將單詞和短語映射到它們音素或音標(biāo)表示的列表，在中文系統(tǒng)中，字典通常包含中文漢字到它們拼音的映射。音素是語言中最小的語音單位，是發(fā)音的基礎(chǔ)。
MiniMax語音大模型中，古文“將進(jìn)酒”在音素字典中可能被表示為[“qiang1”, “ jin4”, “jiu3”]，這反映了其發(fā)音的組成部分。
字典幫助模型學(xué)習(xí)如何正確地將文本映射到語音。在自動(dòng)語音識(shí)別（ASR）中，系統(tǒng)會(huì)嘗試將聽到的語音與字典中的音素模式相匹配，以此識(shí)別出說話內(nèi)容。在文本到語音（TTS）系統(tǒng)中，字典用于將文本轉(zhuǎn)換為可以發(fā)聲的音素序列。在某些復(fù)雜的語音系統(tǒng)中，字典也可能包含關(guān)于詞匯的語音變化信息，這對(duì)于處理不同口音、語速變化以及語言中的不規(guī)則發(fā)音特別重要。
