Strumieniuj mowę z informacją o czasie
Zamienia tekst na mowę przy użyciu wybranego głosu i zwraca strumień obiektów JSON zawierających audio jako ciąg zakodowany w base64 wraz z informacją o tym, kiedy wypowiedziano który znak.
Parametry ścieżki
ID głosu do użycia. Wszystkie dostępne głosy możesz wyświetlić za pomocą endpointu Pobierz głosy.
Nagłówki
Parametry zapytania
Gdy enable_logging ma wartość false, dla żądania zostanie użyty tryb zerowej retencji. Funkcje historii, w tym łączenie żądań, będą niedostępne dla tego żądania. Z trybu zerowej retencji mogą korzystać tylko klienci Enterprise.
Możesz włączyć optymalizacje opóźnienia kosztem jakości. Najniższe możliwe końcowe opóźnienie zależy od modelu. Dostępne wartości: 0 - tryb domyślny (bez optymalizacji opóźnienia) 1 - standardowe optymalizacje opóźnienia (około 50% możliwej poprawy opóźnienia z opcji 3) 2 - silne optymalizacje opóźnienia (około 75% możliwej poprawy opóźnienia z opcji 3) 3 - maksymalne optymalizacje opóźnienia 4 - maksymalne optymalizacje opóźnienia z wyłączonym normalizatorem tekstu, aby jeszcze bardziej zmniejszyć opóźnienie (najniższe opóźnienie, ale możliwa błędna wymowa np. liczb i dat).
Domyślnie None.
Output format of the generated audio. Formatted as codec_sample_rate_bitrate. So an mp3 with 22.05kHz sample rate at 32kbs is represented as mp3_22050_32. MP3 with 192kbps bitrate requires you to be subscribed to Creator tier or above. PCM with 44.1kHz sample rate requires you to be subscribed to Pro tier or above. Note that the μ-law format (sometimes written mu-law, often approximated as u-law) is commonly used for Twilio audio inputs.
Żądanie
Tekst, który zostanie przekształcony w mowę.
Identyfikator modelu, który zostanie użyty. Możesz sprawdzić dostępne modele za pomocą GET /v1/models. Model musi obsługiwać zamianę tekstu na mowę, co możesz sprawdzić we właściwości can_do_text_to_speech.
Kod języka (ISO 639-1) używany do wymuszenia języka modelu i normalizacji tekstu. Jeśli model nie obsługuje podanego kodu języka, zostanie on zignorowany. Ten parametr nie jest obsługiwany przez modele multilingual_v2.
Ustawienia głosu nadpisujące zapisane ustawienia danego głosu. Są stosowane tylko w tym żądaniu.
Lista lokalizatorów słowników wymowy (id, version_id), które zostaną zastosowane do tekstu. Będą stosowane po kolei. W jednym żądaniu możesz podać do 3 lokalizatorów
Jeśli podano, nasz system dołoży starań, by generowanie było deterministyczne, więc powtarzane żądania z tym samym seedem i parametrami powinny zwracać ten sam wynik. Determinizm nie jest gwarantowany. Musi być liczbą całkowitą od 0 do 4294967295.
Tekst poprzedzający tekst bieżącego żądania. Może poprawić ciągłość mowy przy łączeniu wielu generacji lub wpłynąć na ciągłość mowy w bieżącej generacji.
Tekst następujący po tekście bieżącego żądania. Może poprawić ciągłość mowy przy łączeniu wielu generacji lub wpłynąć na ciągłość mowy w bieżącej generacji.
A list of request_id of the samples that were generated before this generation. Can be used to improve the speech’s continuity when splitting up a large task into multiple requests. The results will be best when the same model is used across the generations. In case both previous_text and previous_request_ids is send, previous_text will be ignored. A maximum of 3 request_ids can be sent.
A list of request_id of the samples that come after this generation. next_request_ids is especially useful for maintaining the speech’s continuity when regenerating a sample that has had some audio quality issues. For example, if you have generated 3 speech clips, and you want to improve clip 2, passing the request id of clip 3 as a next_request_id (and that of clip 1 as a previous_request_id) will help maintain natural flow in the combined speech. The results will be best when the same model is used across the generations. In case both next_text and next_request_ids is send, next_text will be ignored. A maximum of 3 request_ids can be sent.
Czy używać wersji IVC profesjonalnego głosu. Może to poprawić ekspresję i zmniejszyć opóźnienie.
Ten parametr kontroluje normalizację tekstu w trzech trybach: „auto”, „on” i „off”. W trybie „auto” system automatycznie zdecyduje, czy zastosować normalizację tekstu, np. zapisywanie liczb słownie. W trybie „on” normalizacja tekstu będzie zawsze stosowana, a w trybie „off” zostanie pominięta.
Efekty audio zastosowane do wygenerowanego audio. Nieznane identyfikatory zwracają błąd 404, a param wskazuje nazwę pola. Pogłos (environment_id z send_level powyżej 0) i niezerowe pan tworzą dźwięk stereo oraz są odrzucane z błędem 400 dla formatów wyjściowych ulaw_*, alaw_* i pcm_*. Efekty nie zmieniają kosztu żądania.
Ten parametr kontroluje normalizację tekstu dla języka. Pomaga w poprawnej wymowie tekstu w niektórych obsługiwanych językach. OSTRZEŻENIE: ten parametr może znacznie zwiększyć opóźnienie żądania. Obecnie obsługiwany tylko dla języka japońskiego.
Odpowiedź
Strumień fragmentów transkrypcji
Informacje o znacznikach czasu dla każdego znaku w oryginalnym tekście
Informacje o znacznikach czasu dla każdego znaku w znormalizowanym tekście