رفتن به محتوا

MiniMax Speech 2.6 [HD]

یکپارچه‌سازی

شناسه مدل minimax/speech-2.6-hd
# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://api.doitong.com/v1/run/minimax/speech-2.6-hd?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "prompt": "Hello from Doitong. This is a short test sentence."
  }'

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

این درخواست: ⁨‎$۰٫۰۰۵⁩ ۵ اعتبار API اجرای آن در این صفحه

دریافت کلید API
MiniMax متن به گفتار #text-to-speech

تبدیل متن به گفتار Speech 2.6 HD با پذیرش 10,000 نویسه، نشانگرهای مکث و نرمال‌سازی بلندی صدا

MiniMax · صوت

اولین نتیجه شما اینجا قرار می‌گیرد

درخواست را در زیر بسازید و با کلید API خود اجرا کنید. خروجی‌ها در فضای ذخیره‌سازی ما کپی می‌شوند و برای همیشه یا به‌مدت ۷ روز رایگان نگه‌داری می‌شوند.

ساخت درخواست

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

•الزامی 50 / 10000

متن ورودی گفتار، با خط‌های جدید برای مشخص‌کردن مرز پاراگراف‌ها و نشانگرهای اختیاری `<#x#>` برای کنترل مکث‌ها. نشانگرها را فقط بین بخش‌های قابل‌خواندن قرار دهید و هرگز پشت‌سرهم نیاورید؛ `x` مکث را برحسب ثانیه در بازه `[0.01, 99.99]` مشخص می‌کند و حداکثر دو رقم اعشار دارد.

پیشرفته output_format · language_boost · enable_safety_checker · voice_setting · audio_setting · pronunciation_dict · normalization_setting
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.

POST /run/minimax/speech-2.6-hd?wait=20 قیمت → ⁨‎$۰٫۰۰۵⁩
# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://api.doitong.com/v1/run/minimax/speech-2.6-hd?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "prompt": "Hello from Doitong. This is a short test sentence."
  }'

# Still "queued" or "running"? Poll with the id from the response:
curl "https://api.doitong.com/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 2.6 [HD]

متن موجود در `prompt` را (حداکثر 10000 نویسه) با صدای بلند می‌خواند؛ شکست پاراگراف‌ها با خط جدید و مکث‌های سفارشی با نشانگرهای `<#x#>` مشخص می‌شوند. علاوه بر `voice_setting`، `audio_setting`، `language_boost` (38 گزینه) و `pronunciation_dict`، تنظیم `normalization_setting` را برای کنترل بلندی صدا اضافه می‌کند. خروجی شامل صدا و مدت آن برحسب میلی‌ثانیه است.

پارامترها

نامنوع پیش‌فرضمجاز توضیحات
enable_safety_checkerاختیاری
نوعboolean
پیش‌فرضtrue
با تنظیم false، در صورت مجاز بودن فراخواننده، می‌توان بررسی را آسان‌گیرانه‌تر کرد.
promptالزامی
نوعstring
≤ ۱۰٬۰۰۰ نویسه
متن ورودی گفتار، با خط‌های جدید برای مشخص‌کردن مرز پاراگراف‌ها و نشانگرهای اختیاری `<#x#>` برای کنترل مکث‌ها. نشانگرها را فقط بین بخش‌های قابل‌خواندن قرار دهید و هرگز پشت‌سرهم نیاورید؛ `x` مکث را برحسب ثانیه در بازه `[0.01, 99.99]` مشخص می‌کند و حداکثر دو رقم اعشار دارد.
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.
الزامی

خروجی

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "minimax/speech-2.6-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": 5,
    "usd": "0.005",
    "charged": 5,
    "refunded": 0
  },
  "input": {
    "prompt": "Hello from Doitong. This is a short test sentence."
  },
  "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.com/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t",
    "cancel": "https://api.doitong.com/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-2.6-hd.md. همه مدل‌ها و راهنماها: https://doitong.com/developers/llms.txt