Speech 2.5 Turbo Preview Voice Clone

Модель speech 2.5 от MiniMax обеспечивает передовое в отрасли клонирование голоса без предварительного обучения. Благодаря задержке менее 300 мс и высококачественному выводу в формате 48kHz она мгновенно преобразует текст в естественную речь с эмоциональными нюансами, такими как дыхание и смех.

Модальности

Вход

Audio*

Custom_voice_id*

Text

Need_noise_reduction

Enable noise reduction. Default is false (no noise reduction).

Need_volume_normalization

Specify whether to enable volume normalization. If not provided, the default value is false.

Accuracy

Выход

Примеры использования API

curl --request POST "https://gptproto.com/api/v3/minimax/speech-2.5-turbo-preview-voice-clone/text-to-audio" \
  --header "Authorization: Bearer $GPTPROTO_API_KEY" \
  --header "Content-Type: application/json" \
  --data '{
    "audio": "",
    "custom_voice_id": "",
    "text": "Hello! Welcome to GPTProto! This is a preview of your cloned voice. I hope you enjoy it!",
    "need_noise_reduction": false,
    "need_volume_normalization": false,
    "accuracy": 0.7
  }'

Цены Speech 2.5 Turbo Preview Voice Clone

Начните со стоимости одного образца и выберите тестовый бюджет. Тарифы GPTProto на 40% ниже прайса.

Ваш объём

Модель

$0.5002 / изобр.

Изображений в месяц

Сценарии

Ключевые функции text speech 2.5

Расширенные возможности модели speech-2.5-turbo-preview-voice-clone, оптимизированной для высокоточных задач преобразования текста в аудио.

Клонирование голоса без примеров

Создайте клон всего за несколько секунд, используя аудиосэмпл длительностью 3-6s. Для получения высокоточного результата тонкая настройка не требуется.

Низкая задержка — менее 300 мс

Оптимизировано для чатов в реальном времени: TTFA составляет около 280 мс, что делает модель быстрее большинства конкурентов в отрасли при использовании в режиме реального времени.

Эмоциональная просодия и теги

Нативная мультимодальная архитектура генерирует невербальные звуки, такие как смех и дыхание, обеспечивая по-настоящему естественный результат.

Кросс-лингвистические возможности

Клонируйте голос на одном языке и заставьте его говорить на другом из 25+ поддерживаемых языков, сохраняя его акцент.

text speech 2.5: часто задаваемые вопросы

Получите ответы о возможностях модели 2.5 в области текста и речи. Узнайте о клонировании голоса, задержке и интеграции этого текстового ИИ в своё приложение через платформу GPTProto.com.

Какой объём текста необходим для синтеза речи?

Модель speech-2.5-turbo-preview-voice-clone обрабатывает до 10 000 символов текста за один запрос. Это позволяет генерировать длинные материалы, однако для оптимальной производительности потоковой передачи мы рекомендуем разбивать очень длинный текст на фрагменты. Это обеспечивает стабильное и быстрое преобразование текста в аудио для конечного пользователя.

Поддерживает ли text speech 2.5 клонирование без предварительного обучения?

Да. Вам понадобится аудиозапись длительностью всего 3–6 секунд. Модель использует этот образец для мгновенного клонирования тембра и просодии целевого голоса без дополнительного обучения или тонкой настройки, что делает её идеальной для быстрого развёртывания. Сгенерированная речь с высокой точностью сохраняет акцент и уникальные характеристики исходного диктора.

Какова задержка при выполнении задач преобразования текста в речь?

Эта модель 2.5 turbo разработана для взаимодействия в реальном времени. Её показатель Time-to-First-Audio (TTFA) составляет примерно 280 мс. Задержка менее секунды позволяет голосовым ассистентам практически мгновенно отвечать на текстовые запросы, обеспечивая плавное и естественное взаимодействие, напоминающее человеческий разговор.

Может ли модель обрабатывать двуязычный текст?

Безусловно. Модель отлично справляется с переключением языков: она может переходить между двумя языками, например английским и китайским, в рамках одного текстового предложения, не теряя качества голоса и не создавая сбоев в аудио во время воспроизведения речи. Это делает её идеальной для международных приложений и пользователей со всего мира.

Поддерживается ли высококачественный звук с частотой 48 кГц?

Да, модель 2.5 поддерживает частоту дискретизации 48 кГц. Такой звук высокой чёткости подходит для профессионального производства медиаконтента, игр и любых приложений, где качество речи должно соответствовать стандартам вещания. Вы можете указать формат ответа flac или pcm, чтобы сохранить это высокое качество звука.

Как получить доступ к text speech 2.5 в GPTProto?

Вы можете получить доступ к модели через наш OpenAI-совместимый API. Это обеспечивает единый биллинг без минимальных ежемесячных расходов. Просто обновите базовый URL и используйте свой ключ GPTProto, чтобы начать генерировать высококачественную речь из текста. Наша платформа обеспечивает маршрутизацию с минимальной задержкой, чтобы ваше приложение работало максимально эффективно.