Op den Inhalt sprangen

MiniMax Speech-02 HD

Integréieren

Modell-ID minimax/speech-02-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-02-hd?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "text": "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"

Dës Ufro: 0,005 $ 5 API-Kreditter Op dëser Säit ausféieren

API-Schlëssel kréien
MiniMax · Audio

Äin éischt Resultat kënnt hei hin

Baut hei drënner eng Ufro a féiert se mat Ärem API-Schlëssel aus. Output gëtt an eis Späicherung kopéiert, fir ëmmer oder 7 Deeg gratis gespäichert.

Eng Ufro erstellen

D'Kontrolle ginn aus dem Modellschema generéiert. De Code an de Präis aktualiséiere sech, wann s du se ännerst.

•obligatoresch 50 / 5000

Text vum Sprooch-Input, limitéiert op 5000 Zeechen a mat mindestens 1 Zeechen, dat kee Whitespace ass.

Erweidert output_format · language_boost · enable_safety_checker · voice_setting · audio_setting · pronunciation_dict
output_format Standard hex

Output-Inhaltsformat; gëllt nëmme fir net-streamend Äntwerten.

Verbessert d'Erkennung fir déi ausgewielte Sproochen an Dialekter.

Standard {"english_normalizati...

Astellunge fir d'Konfiguratioun vun der Stëmm.

Astellunge fir Audio ze konfiguréieren.

Benotzerdefinéiert Wierderbuch mat Aussproochen, dat benotzt gëtt, fir Text ze ersetzen.

POST /run/minimax/speech-02-hd?wait=20 Präis → 0,005 $
# 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-02-hd?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "text": "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"

Dës Ufro ausféieren

Äre Schlëssel bleift an dësem Browser: e gëtt nëmmen un d'Doitong API geschéckt an nëmme gespäichert (localStorage), wann s du „Erënneren“ aktivéiers. En API-Schlëssel kréien

Iwwer MiniMax Speech-02 HD

Generéiert Sprooch aus bis zu 5000 Zeechen aus `text` mat der HD-Qualitéitsvariant vu Speech-02. Dir kënnt d'Stëmm iwwer `voice_setting` upassen, `audio_setting` setzen, e `pronunciation_dict` uwenden an e `language_boost` aus 38 Optiounen auswielen. `output_format` kann url oder hex sinn. D'Resultat enthält d'Audiodatei an hir Längt a Millisekonnen.

Parameteren

NummTyp StandardErlaabt Beschreiwung
enable_safety_checkeroptional
Typboolean
Standardtrue
D'Kontroll kann duerch false gelackert ginn, wann den Uruffer autoriséiert ass.
textobligatoresch
Typstring
≤ 5.000 Zeechen
Text vum Sprooch-Input, limitéiert op 5000 Zeechen a mat mindestens 1 Zeechen, dat kee Whitespace ass.
voice_settingoptional
Typobject
Standard{"english_normalization":false,"pitch":0,"speed":1,"voice_id":"Wise_Woman","vol":1}
Astellunge fir d'Konfiguratioun vun der Stëmm.
voice_setting.voice_idoptional
Typstring
StandardWise_Woman
≥ 1 characters
Virdefinéierten Identifiant vun der Stëmm, dee fir d'Sproochsynthes benotzt gëtt.
voice_setting.speedoptional
Typnumber
Standard1
0,5 – 2
Sproochtempo, am Beräich vun 0.5 bis 2.0.
voice_setting.voloptional
Typnumber
Standard1
0,01 – 10
Output-Lautstäerkt, am Beräich vun 0 bis 10.
voice_setting.pitchoptional
Typinteger
Standard0
-12 – 12
Tonhéicht vun der Stëmm, am Beräich vun -12 bis 12.
voice_setting.emotionoptional
Typenum
happysadangryfearfuldisgustedsurprisedneutral
Emotionalen Toun vun der synthetiséierter Sprooch.
voice_setting.english_normalizationoptional
Typboolean
Standardfalse
Optioun fir d'Normaliséierung vum engleschen Text, déi e klengen zousätzleche Latenceopwand fir eng besser Liesung vun Zuelen a Kaf hëlt.
audio_settingoptional
Typobject
Astellunge fir Audio ze konfiguréieren.
audio_setting.sample_rateoptional
Typenum
Standard32000
80001600022050240003200044100
Samplingrate vum generéierten Audio.
audio_setting.bitrateoptional
Typenum
Standard128000
3200064000128000256000
Bitrate vum generéierten Audio.
audio_setting.formatoptional
Typenum
Standardmp3
mp3pcmflac
Format vum Audio.
audio_setting.channeloptional
Typenum
Standard1
12
Zuel vun den Audio-Kanäl: 1 fir Mono oder 2 fir Stereo.
language_boostoptional
Typenum
ChineseChinese,YueEnglishArabicRussianSpanishFrenchPortugueseGermanTurkishDutchUkrainianVietnameseIndonesianJapaneseItalian
+22 méiKoreanThaiPolishRomanianGreekCzechFinnishHindiBulgarianDanishHebrewMalaySlovakSwedishCroatianHungarianNorwegianSlovenianCatalanNynorskAfrikaansauto
Verbessert d'Erkennung fir déi ausgewielte Sproochen an Dialekter.
output_formatoptional
Typenum
Standardhex
urlhex
Output-Inhaltsformat; gëllt nëmme fir net-streamend Äntwerten.
pronunciation_dictoptional
Typobject
Benotzerdefinéiert Wierderbuch mat Aussproochen, dat benotzt gëtt, fir Text ze ersetzen.
pronunciation_dict.tone_listoptional
Typstring[]
Lëscht mat Aussproochersetzungen an der Syntax ['text/(pronunciation)', ...], zum Beispill ['燕少飞/(yan4)(shao3)(fei1)']. Chinesesch Tounzuele reeche vun 1 bis 5.
obligatoresch

Output

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "minimax/speech-02-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": {
    "text": "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"
  }
}
Är Fichieren, Är WielAll outputs[].url ass eng Kopie an eiser Späicherung: fir ëmmer gespäichert (bezuelbar pro GB-Mount) oder 7 Deeg gratis, jee no Ärer Kontastellung oder ?storage=.
D'selwecht Struktur bei all Modelltype, url, content_type, width, height an duration, fir Biller, Video an Audio gläichermoossen. output ass dem Modell säin eegent Resultatobjet.
Output-Felder
audio
object {url, content_type, file_name, file_size}Audio-Datei, déi duerch d'Generatioun produzéiert gouf.
duration_ms
integerAudio-Längt, gemooss a Millisekonnen.

Méi Modeller: Text zu Sprooch

Fir AI-Agenten: dës Säit als Markdown ass ënner https://doitong.com/lb/developers/models/minimax/speech-02-hd.md. All Modeller a Guiden: https://doitong.com/developers/llms.txt