वॉइस डिज़ाइन करें।
प्रॉम्प्ट के ज़रिए वॉइस डिज़ाइन करें। यह तरीका वॉइस प्रीव्यू की सूची लौटाता है। हर प्रीव्यू में generated_voice_id और base64-एन्कोडेड mp3 ऑडियो के रूप में वॉइस का एक सैंपल होता है। वॉइस बनाने के लिए पसंदीदा प्रीव्यू के generated_voice_id को /v1/text-to-voice एंडपॉइंट के साथ इस्तेमाल करें।
हेडर
क्वेरी पैरामीटर
जनरेट किए गए ऑडियो का output format। codec_sample_rate_bitrate के रूप में फ़ॉर्मैट किया जाता है। इसलिए, 32kbs पर 22.05kHz sample rate वाले mp3 को mp3_22050_32 के रूप में दर्शाया जाता है। 192kbps bitrate वाले MP3 के लिए Creator tier या उससे ऊपर का subscription चाहिए। 44.1kHz sample rate वाले PCM के लिए Pro tier या उससे ऊपर का subscription चाहिए। ध्यान दें कि μ-law format (कभी-कभी mu-law लिखा जाता है, और अक्सर u-law के रूप में अनुमानित) का उपयोग आमतौर पर Twilio audio inputs के लिए होता है।
अनुरोध
बनाई गई वॉइस के लिए इस्तेमाल किया जाने वाला विवरण।
वॉइस जनरेशन के लिए इस्तेमाल किया जाने वाला मॉडल। संभावित मान: eleven_multilingual_ttv_v2, eleven_ttv_v3।
जनरेट करने के लिए टेक्स्ट, जिसकी लंबाई 100 से 1000 के बीच होनी चाहिए।
क्या वॉइस विवरण के लिए उपयुक्त टेक्स्ट अपने-आप जनरेट करना है।
जनरेट की गई वॉइस का वॉल्यूम स्तर नियंत्रित करता है। -1 सबसे धीमा, 1 सबसे तेज़ है और 0 लगभग -24 LUFS के बराबर है।
वॉइस जनरेशन को नियंत्रित करने वाली रैंडम संख्या। समान इनपुट के साथ वही seed इस्तेमाल करने पर वही वॉइस बनती है।
यह नियंत्रित करता है कि AI प्रॉम्प्ट का कितनी बारीकी से पालन करे। कम संख्याएं AI को रचनात्मक होने की अधिक आज़ादी देती हैं, जबकि अधिक संख्याएं उसे प्रॉम्प्ट पर अधिक टिके रहने के लिए बाध्य करती हैं। अधिक संख्याओं से वॉइस कृत्रिम या रोबोटिक लग सकती है। हम कम Guidance Scale पर लंबे और अधिक विस्तृत प्रॉम्प्ट इस्तेमाल करने की सलाह देते हैं।
यह तय करता है कि रिस्पॉन्स में टेक्स्ट टू वॉइस प्रीव्यू शामिल किए जाएं या नहीं। अगर true है, तो केवल जनरेट किए गए IDs लौटाए जाएंगे, जिन्हें फिर /v1/text-to-voice/:generated_voice_id/stream एंडपॉइंट से स्ट्रीम किया जा सकता है।
क्या अधिक विवरण जोड़ने और वॉइस जनरेशन की गुणवत्ता सुधारने के लिए AI का उपयोग करके वॉइस विवरण बेहतर करना है। सक्षम होने पर सिस्टम सामान्य प्रॉम्प्ट को अपने-आप अधिक विस्तृत वॉइस विवरण में बदल देगा। डिफ़ॉल्ट रूप से False है
रीमिक्सिंग सेशन id।
उस रीमिक्सिंग सेशन इटरेशन की id जिसमें ये जनरेशन संलग्न की जानी चाहिए। न देने पर नया इटरेशन बनाया जाएगा।
उच्च गुणवत्ता से बेहतर वॉइस आउटपुट मिलता है, लेकिन विविधता कम होती है।
वॉइस जनरेशन के लिए इस्तेमाल होने वाला रेफ़रेंस ऑडियो। ऑडियो base64 एन्कोडेड होना चाहिए। केवल eleven_ttv_v3 मॉडल इस्तेमाल करने पर समर्थित है।
वॉइस सैंपल जनरेट करते समय प्रॉम्प्ट और रेफ़रेंस ऑडियो के बीच संतुलन नियंत्रित करता है। 0 का मतलब है प्रॉम्प्ट का लगभग कोई प्रभाव नहीं और 1 का मतलब है रेफ़रेंस ऑडियो का लगभग कोई प्रभाव नहीं। यह केवल eleven_ttv_v3 मॉडल के साथ समर्थित है।
रिस्पॉन्स
सफल रिस्पॉन्स
जनरेट की गई वॉइसेस के प्रीव्यू।
वॉइस का प्रीव्यू देने के लिए इस्तेमाल किया गया टेक्स्ट।