رفتن به محتوا

MiniMax Speech 2.8 HD

یکپارچه‌سازی

شناسه مدل minimax/speech-2.8-hd
# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://api.doitong.ru/v1/run/minimax/speech-2.8-hd?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "prompt": "Welcome aboard. Tonight we cruise along the northern coast, where the lighthouse has guided sailors home for two hundred years. Find a warm seat on the upper deck and enjoy the view."
  }'

# Still "queued" or "running"? Poll with the id from the response:
curl "https://api.doitong.ru/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

این درخواست: ⁨‎$۰٫۰۱۹⁩ ۱۹ اعتبار API · ≈ ⁨‎₽۲٫۰۲⁩ اجرای آن در این صفحه

دریافت کلید API
MiniMax متن به گفتار #voiceover#multilingual#hd

تبدیل متن به گفتار HD از MiniMax در بیش از 30 زبان، با کنترل مکث، احساس و تلفظ.

نمونه‌ها

خروجی · ~10 ثانیه

پرامپتWelcome aboard. Tonight we cruise along the northern coast, where the lighthouse has guided sailors home for two hundred years. Find a warm seat on the upper deck and enjoy the view.

⁨‎$۰٫۰۱۹⁩ · ۱۹ اعتبار API

ساخت درخواست

کنترل‌ها از شِمای مدل تولید می‌شوند. با تغییر آن‌ها، کد و قیمت به‌روزرسانی می‌شوند.

•الزامی 182 / 10000

متن سنتز گفتار، با مکث‌هایی که با `<#x#>` مشخص می‌شوند؛ x از 0.01 تا 99.99 ثانیه است. برچسب‌های میان‌جمله‌ای موجود عبارت‌اند از `(laughs)`، `(sighs)`، `(coughs)`، `(clears throat)`، `(gasps)`، `(sniffs)`، `(groans)` و `(yawns)`.

پیشرفته output_format · language_boost · voice_setting · audio_setting · pronunciation_dict · normalization_setting · voice_modify
output_format پیش‌فرض hex

قالب محتوای خروجی؛ فقط برای پاسخ‌های غیرجریانی اعمال می‌شود.

تشخیص را برای زبان‌ها و گویش‌های انتخاب‌شده بهبود می‌دهد.

پیش‌فرض {"english_normalizati...

تنظیمات پیکربندی صدا.

تنظیمات پیکربندی صوت.

فرهنگ لغت سفارشی تلفظ‌ها که برای جایگزینی متن استفاده می‌شود.

تنظیماتی برای کنترل نرمال‌سازی بلندی صوت.

تنظیمات تغییر زیر و بمی، شدت و طنین صدا.

POST /run/minimax/speech-2.8-hd?wait=20 قیمت → ⁨‎$۰٫۰۱۹⁩
# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://api.doitong.ru/v1/run/minimax/speech-2.8-hd?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "prompt": "Welcome aboard. Tonight we cruise along the northern coast, where the lighthouse has guided sailors home for two hundred years. Find a warm seat on the upper deck and enjoy the view."
  }'

# Still "queued" or "running"? Poll with the id from the response:
curl "https://api.doitong.ru/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

اجرای این درخواست

کلید شما در این مرورگر باقی می‌ماند: فقط به Doitong API ارسال می‌شود و فقط در صورت فعال‌کردن گزینه «یادآوری»، در localStorage ذخیره می‌شود. دریافت کلید API

درباره MiniMax Speech 2.8 HD

MiniMax Speech 2.8 HD متن را در بیش از 30 زبان با کنترل دقیق به گفتار تبدیل می‌کند: نشانگرهای مکث درون‌خطی، سرعت، زیر و بمی و بلندی صدا، واژه‌نامه‌های تلفظ سفارشی و جلوه‌های صوتی. از میان صداهای داخلی و نرخ نمونه‌برداری و قالب خروجی انتخاب کنید.

پارامترها

نامنوع پیش‌فرضمجاز توضیحات
promptالزامی
نوعstring
≤ ۱۰٬۰۰۰ نویسه
متن سنتز گفتار، با مکث‌هایی که با `<#x#>` مشخص می‌شوند؛ x از 0.01 تا 99.99 ثانیه است. برچسب‌های میان‌جمله‌ای موجود عبارت‌اند از `(laughs)`، `(sighs)`، `(coughs)`، `(clears throat)`، `(gasps)`، `(sniffs)`، `(groans)` و `(yawns)`.
voice_settingاختیاری
نوعobject
پیش‌فرض{"english_normalization":false,"pitch":0,"speed":1,"voice_id":"Wise_Woman","vol":1}
تنظیمات پیکربندی صدا.
voice_setting.voice_idاختیاری
نوعstring
پیش‌فرضWise_Woman
≥ 1 characters
شناسهٔ صدای ازپیش‌تعریف‌شده برای سنتز گفتار.
voice_setting.speedاختیاری
نوعnumber
پیش‌فرض1
۰٫۵ – ۲
سرعت گفتار، در بازهٔ 0.5 تا 2.0.
voice_setting.volاختیاری
نوعnumber
پیش‌فرض1
۰٫۰۱ – ۱۰
بلندی صدای خروجی، در بازهٔ 0 تا 10.
voice_setting.pitchاختیاری
نوعinteger
پیش‌فرض0
−۱۲ – ۱۲
زیر و بمی صدا، در بازهٔ -12 تا 12.
voice_setting.emotionاختیاری
نوعenum
happysadangryfearfuldisgustedsurprisedneutral
لحن احساسی گفتار سنتزشده.
voice_setting.english_normalizationاختیاری
نوعboolean
پیش‌فرضfalse
گزینهٔ نرمال‌سازی متن انگلیسی که مقدار کمی تأخیر اضافی را برای خوانش بهتر اعداد صرف می‌کند.
audio_settingاختیاری
نوعobject
تنظیمات پیکربندی صوت.
audio_setting.sample_rateاختیاری
نوعenum
پیش‌فرض32000
80001600022050240003200044100
نرخ نمونه‌برداری صوت تولیدشده.
audio_setting.bitrateاختیاری
نوعenum
پیش‌فرض128000
3200064000128000256000
نرخ بیت صوت تولیدشده.
audio_setting.formatاختیاری
نوعenum
پیش‌فرضmp3
mp3pcmflac
قالب صوت.
audio_setting.channelاختیاری
نوعenum
پیش‌فرض1
12
تعداد کانال‌های صوتی: 1 برای تک‌کاناله یا 2 برای استریو.
language_boostاختیاری
نوعenum
ChineseChinese,YueEnglishArabicRussianSpanishFrenchPortugueseGermanTurkishDutchUkrainianVietnameseIndonesianJapaneseItalian
+22 مورد دیگرKoreanThaiPolishRomanianGreekCzechFinnishHindiBulgarianDanishHebrewMalaySlovakSwedishCroatianHungarianNorwegianSlovenianCatalanNynorskAfrikaansauto
تشخیص را برای زبان‌ها و گویش‌های انتخاب‌شده بهبود می‌دهد.
output_formatاختیاری
نوعenum
پیش‌فرضhex
urlhex
قالب محتوای خروجی؛ فقط برای پاسخ‌های غیرجریانی اعمال می‌شود.
pronunciation_dictاختیاری
نوعobject
فرهنگ لغت سفارشی تلفظ‌ها که برای جایگزینی متن استفاده می‌شود.
pronunciation_dict.tone_listاختیاری
نوعstring[]
فهرست جایگزینی تلفظ با استفاده از نحو ['text/(pronunciation)', ...]؛ برای مثال ['燕少飞/(yan4)(shao3)(fei1)']. اعداد لحن چینی از 1 تا 5 هستند.
normalization_settingاختیاری
نوعobject
تنظیماتی برای کنترل نرمال‌سازی بلندی صوت.
normalization_setting.enabledاختیاری
نوعboolean
پیش‌فرضtrue
نرمال‌سازی بلندی صوت را فعال می‌کند.
normalization_setting.target_loudnessاختیاری
نوعnumber
پیش‌فرض-18
−۷۰ – −۱۰
بلندی مطلوب، برحسب LUFS؛ پیش‌فرض -18.0 است.
normalization_setting.target_rangeاختیاری
نوعnumber
پیش‌فرض8
۰ – ۲۰
محدوده بلندی مطلوب، برحسب LU؛ پیش‌فرض 8.0 است.
normalization_setting.target_peakاختیاری
نوعnumber
پیش‌فرض-0.5
−۳ – ۰
سطح اوج مطلوب، برحسب dBTP؛ پیش‌فرض -0.5 است.
voice_modifyاختیاری
نوعobject
تنظیمات تغییر زیر و بمی، شدت و طنین صدا.
voice_modify.pitchاختیاری
نوعinteger
پیش‌فرض0
−۱۰۰ – ۱۰۰
کنترل زیر و بمی برحسب نیم‌پرده: برای بم‌ترکردن صدا از مقدار منفی و برای زیرترکردن آن از مقدار مثبت استفاده کنید. مقادیر مجاز از -100 تا 100 هستند.
voice_modify.intensityاختیاری
نوعinteger
پیش‌فرض0
−۱۰۰ – ۱۰۰
کنترل انرژی صدا که با افزایش مقدار، گفتار را پرانرژی‌تر می‌کند. محدوده مجاز آن -100 تا 100 است.
voice_modify.timbreاختیاری
نوعinteger
پیش‌فرض0
−۱۰۰ – ۱۰۰
تنظیم طنین صدا از -100 تا 100 که ویژگی تونال آن را کنترل می‌کند.
الزامی

خروجی

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "minimax/speech-2.8-hd",
  "status": "succeeded",
  "created_at": "2026-10-20T12:00:00Z",
  "started_at": "2026-10-20T12:00:02Z",
  "completed_at": "2026-10-20T12:00:09Z",
  "queue_position": null,
  "cost": {
    "credits": 19,
    "usd": "0.019",
    "charged": 19,
    "refunded": 0
  },
  "input": {
    "prompt": "Hello! Welcome to our new studio. <#0.5#> Let's make something wonderful today."
  },
  "output": {
    "audio": {
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.mp3",
      "content_type": "audio/mpeg",
      "file_name": "0-output.mp3",
      "file_size": 1843200
    },
    "duration_ms": 1
  },
  "outputs": [
    {
      "type": "audio",
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.mp3",
      "content_type": "audio/mpeg",
      "file_size": 1843200,
      "duration": 12,
      "stored": true
    }
  ],
  "error": null,
  "metrics": {
    "inference_seconds": 6.8
  },
  "urls": {
    "self": "https://api.doitong.ru/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t",
    "cancel": "https://api.doitong.ru/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t/cancel"
  }
}
فایل‌های شما، انتخاب شماهر outputs[].url کپی‌ای در فضای ذخیره‌سازی ماست: برای همیشه (با هزینه به‌ازای هر GB-ماه) یا به‌مدت ۷ روز رایگان، بر اساس تنظیم حساب شما یا ?storage=.
ساختار یکسان در همه مدل‌هاtype، url، content_type، width، height و duration برای تصاویر، ویدیو و صدا یکسان هستند. output شیء نتیجه اختصاصی مدل است.
فیلدهای خروجی
audio
object {url, content_type, file_name, file_size}فایل صوتی تولیدشده.
duration_ms
integerطول صوت، برحسب میلی‌ثانیه.

مدل‌های بیشتر: متن به گفتار

برای عامل‌های هوش مصنوعی: این صفحه به‌صورت Markdown در دسترس است https://doitong.com/fa/developers/models/minimax/speech-2.8-hd.md. همه مدل‌ها و راهنماها: https://doitong.com/developers/llms.txt