ਸਮੱਗਰੀ ਵੱਲ ਜਾਓ

MiniMax Speech 2.8 HD

ਇੰਟੀਗ੍ਰੇਟ ਕਰੋ

ਮਾਡਲ id 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.com/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.com/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

ਇਹ ਬੇਨਤੀ: $0.019 19 API ਕ੍ਰੈਡਿਟ ਇਸ ਪੰਨੇ ’ਤੇ ਚਲਾਓ

API ਕੁੰਜੀ ਲਵੋ
MiniMax ਟੈਕਸਟ ਤੋਂ ਬੋਲੀ #voiceover#multilingual#hd

30+ ਭਾਸ਼ਾਵਾਂ ਵਿੱਚ ਵਿਰਾਮਾਂ, ਭਾਵਨਾਵਾਂ ਅਤੇ ਉਚਾਰਨ ਕੰਟਰੋਲ ਵਾਲਾ MiniMax ਦਾ ਹਾਈ-ਡੈਫ਼ੀਨੇਸ਼ਨ ਟੈਕਸਟ-ਟੂ-ਸਪੀਚ।

ਉਦਾਹਰਨਾਂ

ਆਉਟਪੁੱਟ · ~10 s

ਪ੍ਰੌਂਪਟWelcome 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.

$0.019 · 19 API ਕ੍ਰੈਡਿਟ

ਰਿਕਵੈਸਟ ਬਣਾਓ

ਕੰਟਰੋਲ ਮਾਡਲ ਸਕੀਮਾ ਤੋਂ ਤਿਆਰ ਹੁੰਦੇ ਹਨ। ਤੁਸੀਂ ਬਦਲਾਅ ਕਰਦੇ ਹੀ ਕੋਡ ਅਤੇ ਕੀਮਤ ਅੱਪਡੇਟ ਹੋ ਜਾਂਦੇ ਹਨ।

•ਲੋੜੀਂਦਾ 182 / 10000

ਬੋਲੀ ਸਿਰਜਣਾ ਲਈ ਟੈਕਸਟ, ਜਿਸ ਵਿੱਚ `<#x#>` ਰਾਹੀਂ ਠਹਿਰਾਵ ਨਿਰਧਾਰਤ ਕੀਤੇ ਜਾਂਦੇ ਹਨ, ਜਿੱਥੇ x 0.01 ਤੋਂ 99.99 ਸਕਿੰਟਾਂ ਤੱਕ ਹੁੰਦਾ ਹੈ। ਉਪਲਬਧ interjection tags ਹਨ `(laughs)`, `(sighs)`, `(coughs)`, `(clears throat)`, `(gasps)`, `(sniffs)`, `(groans)`, ਅਤੇ `(yawns)`।

ਉੱਨਤ output_format · language_boost · voice_setting · audio_setting · pronunciation_dict · normalization_setting · voice_modify
output_format ਡਿਫ਼ਾਲਟ hex

ਆਉਟਪੁੱਟ ਸਮੱਗਰੀ ਦਾ ਫਾਰਮੈਟ; ਸਿਰਫ਼ ਗੈਰ-ਸਟ੍ਰੀਮਿੰਗ ਜਵਾਬਾਂ 'ਤੇ ਲਾਗੂ ਹੁੰਦਾ ਹੈ।

ਚੁਣੀਆਂ ਗਈਆਂ ਭਾਸ਼ਾਵਾਂ ਅਤੇ ਉਪਭਾਸ਼ਾਵਾਂ ਲਈ ਪਛਾਣ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਂਦਾ ਹੈ।

ਡਿਫ਼ਾਲਟ {"english_normalizati...

ਆਵਾਜ਼ ਨੂੰ ਸੰਰਚਿਤ ਕਰਨ ਲਈ ਸੈਟਿੰਗਾਂ।

ਆਡੀਓ ਨੂੰ ਕੌਂਫਿਗਰ ਕਰਨ ਲਈ ਸੈਟਿੰਗਾਂ।

ਟੈਕਸਟ ਨੂੰ ਬਦਲਣ ਲਈ ਵਰਤਿਆ ਜਾਣ ਵਾਲਾ ਉਚਾਰਣਾਂ ਦਾ ਕਸਟਮ ਸ਼ਬਦਕੋਸ਼।

ਆਡੀਓ ਦੀ ਉੱਚੀ ਆਵਾਜ਼ ਦੇ ਸਧਾਰਣੀਕਰਨ ਨੂੰ ਨਿਯੰਤਰਿਤ ਕਰਨ ਵਾਲੀਆਂ ਸੈਟਿੰਗਾਂ।

ਆਵਾਜ਼ ਦੀ ਪਿਚ, ਤੀਬਰਤਾ ਅਤੇ ਟਿੰਬਰ ਨੂੰ ਬਦਲਣ ਲਈ ਸੈਟਿੰਗਾਂ।

POST /run/minimax/speech-2.8-hd?wait=20 ਕੋਟ → $0.019
# 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-2.8-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.com/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

ਇਹ ਬੇਨਤੀ ਚਲਾਓ

ਤੁਹਾਡੀ key ਇਸ ਬ੍ਰਾਊਜ਼ਰ ਵਿੱਚ ਰਹਿੰਦੀ ਹੈ: ਇਹ ਸਿਰਫ਼ Doitong API ਨੂੰ ਭੇਜੀ ਜਾਂਦੀ ਹੈ ਅਤੇ ਸਿਰਫ਼ ਤਾਂ ਹੀ (localStorage) ਵਿੱਚ ਸੁਰੱਖਿਅਤ ਹੁੰਦੀ ਹੈ ਜੇ ਤੁਸੀਂ Remember ਚੁਣੋ। API ਕੁੰਜੀ ਪ੍ਰਾਪਤ ਕਰੋ

MiniMax Speech 2.8 HD ਬਾਰੇ

MiniMax Speech 2.8 HD 30 ਤੋਂ ਵੱਧ ਭਾਸ਼ਾਵਾਂ ਵਿੱਚ ਸੁਖਮ ਕੰਟਰੋਲ ਨਾਲ ਟੈਕਸਟ ਨੂੰ ਆਵਾਜ਼ ਵਿੱਚ ਬਦਲਦਾ ਹੈ: ਇਨਲਾਈਨ ਵਿਰਾਮ ਮਾਰਕਰ, ਆਵਾਜ਼ ਦੀ ਗਤੀ, ਪਿਚ ਅਤੇ ਵਾਲਿਊਮ, ਕਸਟਮ ਉਚਾਰਨ ਡਿਕਸ਼ਨਰੀਆਂ ਅਤੇ ਵੌਇਸ ਇਫ਼ੈਕਟ। ਬਿਲਟ-ਇਨ ਆਵਾਜ਼ਾਂ ਅਤੇ ਆਉਟਪੁੱਟ ਸੈਂਪਲ ਰੇਟ ਅਤੇ ਫਾਰਮੈਟ ਵਿੱਚੋਂ ਚੁਣੋ।

ਪੈਰਾਮੀਟਰ

ਨਾਮਕਿਸਮ ਡਿਫ਼ਾਲਟਮਨਜ਼ੂਰਸ਼ੁਦਾ ਵੇਰਵਾ
promptਲੋੜੀਂਦਾ
ਕਿਸਮstring
≤ 10,000 ਅੱਖਰ
ਬੋਲੀ ਸਿਰਜਣਾ ਲਈ ਟੈਕਸਟ, ਜਿਸ ਵਿੱਚ `<#x#>` ਰਾਹੀਂ ਠਹਿਰਾਵ ਨਿਰਧਾਰਤ ਕੀਤੇ ਜਾਂਦੇ ਹਨ, ਜਿੱਥੇ x 0.01 ਤੋਂ 99.99 ਸਕਿੰਟਾਂ ਤੱਕ ਹੁੰਦਾ ਹੈ। ਉਪਲਬਧ interjection tags ਹਨ `(laughs)`, `(sighs)`, `(coughs)`, `(clears throat)`, `(gasps)`, `(sniffs)`, `(groans)`, ਅਤੇ `(yawns)`।
voice_settingਵਿਕਲਪਿਕ
ਕਿਸਮobject
ਡਿਫ਼ਾਲਟ{"english_normalization":false,"pitch":0,"speed":1,"voice_id":"Wise_Woman","vol":1}
ਆਵਾਜ਼ ਨੂੰ ਸੰਰਚਿਤ ਕਰਨ ਲਈ ਸੈਟਿੰਗਾਂ।
voice_setting.voice_idਵਿਕਲਪਿਕ
ਕਿਸਮstring
ਡਿਫ਼ਾਲਟWise_Woman
≥ 1 characters
Speech synthesis ਲਈ ਵਰਤਿਆ ਜਾਣ ਵਾਲਾ ਪਹਿਲਾਂ-ਤੋਂ ਨਿਰਧਾਰਤ voice identifier।
voice_setting.speedਵਿਕਲਪਿਕ
ਕਿਸਮnumber
ਡਿਫ਼ਾਲਟ1
0.5 – 2
ਬੋਲਣ ਦੀ ਦਰ, 0.5 ਤੋਂ 2.0 ਤੱਕ।
voice_setting.volਵਿਕਲਪਿਕ
ਕਿਸਮnumber
ਡਿਫ਼ਾਲਟ1
0.01 – 10
ਆਉਟਪੁੱਟ ਵਾਲਿਊਮ, 0 ਤੋਂ 10 ਤੱਕ।
voice_setting.pitchਵਿਕਲਪਿਕ
ਕਿਸਮinteger
ਡਿਫ਼ਾਲਟ0
-12 – 12
ਆਵਾਜ਼ ਦੀ ਪਿਚ, -12 ਤੋਂ 12 ਤੱਕ।
voice_setting.emotionਵਿਕਲਪਿਕ
ਕਿਸਮenum
happysadangryfearfuldisgustedsurprisedneutral
ਸਿੰਥੇਸਾਈਜ਼ ਕੀਤੀ ਬੋਲੀ ਦਾ ਭਾਵਨਾਤਮਕ ਲਹਿਜ਼ਾ।
voice_setting.english_normalizationਵਿਕਲਪਿਕ
ਕਿਸਮboolean
ਡਿਫ਼ਾਲਟfalse
ਅੰਗਰੇਜ਼ੀ ਟੈਕਸਟ-ਸਧਾਰਣੀਕਰਨ ਵਿਕਲਪ, ਜੋ ਸੰਖਿਆਵਾਂ ਦੀ ਬਿਹਤਰ ਪੜ੍ਹਤ ਲਈ ਥੋੜ੍ਹੀ ਵਾਧੂ ਦੇਰੀ ਸਵੀਕਾਰ ਕਰਦਾ ਹੈ।
audio_settingਵਿਕਲਪਿਕ
ਕਿਸਮobject
ਆਡੀਓ ਨੂੰ ਕੌਂਫਿਗਰ ਕਰਨ ਲਈ ਸੈਟਿੰਗਾਂ।
audio_setting.sample_rateਵਿਕਲਪਿਕ
ਕਿਸਮenum
ਡਿਫ਼ਾਲਟ32000
80001600022050240003200044100
ਤਿਆਰ ਕੀਤੇ ਆਡੀਓ ਦੀ ਸੈਂਪਲਿੰਗ ਦਰ।
audio_setting.bitrateਵਿਕਲਪਿਕ
ਕਿਸਮenum
ਡਿਫ਼ਾਲਟ128000
3200064000128000256000
ਤਿਆਰ ਕੀਤੇ ਆਡੀਓ ਦਾ ਬਿਟਰੇਟ।
audio_setting.formatਵਿਕਲਪਿਕ
ਕਿਸਮenum
ਡਿਫ਼ਾਲਟmp3
mp3pcmflac
ਆਡੀਓ ਦਾ ਫਾਰਮੈਟ।
audio_setting.channelਵਿਕਲਪਿਕ
ਕਿਸਮenum
ਡਿਫ਼ਾਲਟ1
12
ਆਡੀਓ ਚੈਨਲਾਂ ਦੀ ਗਿਣਤੀ: ਮੋਨੋ ਲਈ 1 ਜਾਂ ਸਟੀਰੀਓ ਲਈ 2।
language_boostਵਿਕਲਪਿਕ
ਕਿਸਮenum
ChineseChinese,YueEnglishArabicRussianSpanishFrenchPortugueseGermanTurkishDutchUkrainianVietnameseIndonesianJapaneseItalian
+22 ਹੋਰKoreanThaiPolishRomanianGreekCzechFinnishHindiBulgarianDanishHebrewMalaySlovakSwedishCroatianHungarianNorwegianSlovenianCatalanNynorskAfrikaansauto
ਚੁਣੀਆਂ ਗਈਆਂ ਭਾਸ਼ਾਵਾਂ ਅਤੇ ਉਪਭਾਸ਼ਾਵਾਂ ਲਈ ਪਛਾਣ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਂਦਾ ਹੈ।
output_formatਵਿਕਲਪਿਕ
ਕਿਸਮenum
ਡਿਫ਼ਾਲਟhex
urlhex
ਆਉਟਪੁੱਟ ਸਮੱਗਰੀ ਦਾ ਫਾਰਮੈਟ; ਸਿਰਫ਼ ਗੈਰ-ਸਟ੍ਰੀਮਿੰਗ ਜਵਾਬਾਂ 'ਤੇ ਲਾਗੂ ਹੁੰਦਾ ਹੈ।
pronunciation_dictਵਿਕਲਪਿਕ
ਕਿਸਮobject
ਟੈਕਸਟ ਨੂੰ ਬਦਲਣ ਲਈ ਵਰਤਿਆ ਜਾਣ ਵਾਲਾ ਉਚਾਰਣਾਂ ਦਾ ਕਸਟਮ ਸ਼ਬਦਕੋਸ਼।
pronunciation_dict.tone_listਵਿਕਲਪਿਕ
ਕਿਸਮstring[]
['text/(pronunciation)', ...] ਸਿੰਟੈਕਸ ਵਰਤਣ ਵਾਲੀ ਉਚਾਰਣ-ਬਦਲੀ ਸੂਚੀ, ਉਦਾਹਰਨ ਲਈ ['燕少飞/(yan4)(shao3)(fei1)']। ਚੀਨੀ ਸੁਰ-ਸੰਖਿਆਵਾਂ 1 ਤੋਂ 5 ਤੱਕ ਹੁੰਦੀਆਂ ਹਨ।
normalization_settingਵਿਕਲਪਿਕ
ਕਿਸਮobject
ਆਡੀਓ ਦੀ ਉੱਚੀ ਆਵਾਜ਼ ਦੇ ਸਧਾਰਣੀਕਰਨ ਨੂੰ ਨਿਯੰਤਰਿਤ ਕਰਨ ਵਾਲੀਆਂ ਸੈਟਿੰਗਾਂ।
normalization_setting.enabledਵਿਕਲਪਿਕ
ਕਿਸਮboolean
ਡਿਫ਼ਾਲਟtrue
ਆਡੀਓ ਦੀ ਉੱਚੀ ਆਵਾਜ਼ ਦਾ ਸਧਾਰਣੀਕਰਨ ਚਾਲੂ ਕਰਦਾ ਹੈ।
normalization_setting.target_loudnessਵਿਕਲਪਿਕ
ਕਿਸਮnumber
ਡਿਫ਼ਾਲਟ-18
-70 – -10
ਲੋੜੀਂਦੀ ਉੱਚੀ ਆਵਾਜ਼, LUFS ਵਿੱਚ ਮਾਪੀ ਗਈ; ਪੂਰਵ-ਨਿਰਧਾਰਤ ਮੁੱਲ -18.0 ਹੈ।
normalization_setting.target_rangeਵਿਕਲਪਿਕ
ਕਿਸਮnumber
ਡਿਫ਼ਾਲਟ8
0 – 20
ਲੋੜੀਂਦੀ ਉੱਚੀ ਆਵਾਜ਼ ਦੀ ਰੇਂਜ, LU ਵਿੱਚ ਮਾਪੀ ਗਈ; ਪੂਰਵ-ਨਿਰਧਾਰਤ ਮੁੱਲ 8.0 ਹੈ।
normalization_setting.target_peakਵਿਕਲਪਿਕ
ਕਿਸਮnumber
ਡਿਫ਼ਾਲਟ-0.5
-3 – 0
ਲੋੜੀਂਦਾ ਪੀਕ ਪੱਧਰ, dBTP ਵਿੱਚ ਮਾਪਿਆ ਗਿਆ; ਪੂਰਵ-ਨਿਰਧਾਰਤ ਮੁੱਲ -0.5 ਹੈ।
voice_modifyਵਿਕਲਪਿਕ
ਕਿਸਮobject
ਆਵਾਜ਼ ਦੀ ਪਿਚ, ਤੀਬਰਤਾ ਅਤੇ ਟਿੰਬਰ ਨੂੰ ਬਦਲਣ ਲਈ ਸੈਟਿੰਗਾਂ।
voice_modify.pitchਵਿਕਲਪਿਕ
ਕਿਸਮinteger
ਡਿਫ਼ਾਲਟ0
-100 – 100
ਸੈਮੀਟੋਨ ਵਿੱਚ ਮਾਪਿਆ ਗਿਆ ਪਿਚ ਨਿਯੰਤਰਣ: ਆਵਾਜ਼ ਹੇਠਾਂ ਕਰਨ ਲਈ ਨਕਾਰਾਤਮਕ ਮੁੱਲ ਜਾਂ ਉੱਪਰ ਕਰਨ ਲਈ ਸਕਾਰਾਤਮਕ ਮੁੱਲ ਵਰਤੋ। ਮਨਜ਼ੂਰਸ਼ੁਦਾ ਰੇਂਜ -100 ਤੋਂ 100 ਤੱਕ ਹੈ।
voice_modify.intensityਵਿਕਲਪਿਕ
ਕਿਸਮinteger
ਡਿਫ਼ਾਲਟ0
-100 – 100
ਆਵਾਜ਼ ਦੀ ਊਰਜਾ ਦਾ ਨਿਯੰਤਰਣ, ਜੋ ਸੈਟਿੰਗ ਵਧਣ ਨਾਲ ਬੋਲੀ ਨੂੰ ਵਧੇਰੇ ਊਰਜਾਵਾਨ ਬਣਾਉਂਦਾ ਹੈ। ਇਸ ਦੀ ਮਨਜ਼ੂਰਸ਼ੁਦਾ ਰੇਂਜ -100 ਤੋਂ 100 ਤੱਕ ਹੈ।
voice_modify.timbreਵਿਕਲਪਿਕ
ਕਿਸਮinteger
ਡਿਫ਼ਾਲਟ0
-100 – 100
ਆਵਾਜ਼ ਦੇ ਟਿੰਬਰ ਵਿੱਚ -100 ਤੋਂ 100 ਤੱਕ ਸਮਾਯੋਜਨ, ਜੋ ਇਸ ਦੇ ਸੁਰਾਤਮਕ ਰੂਪ ਨੂੰ ਨਿਯੰਤਰਿਤ ਕਰਦਾ ਹੈ।
ਲੋੜੀਂਦਾ

ਆਉਟਪੁੱਟ

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.com/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t",
    "cancel": "https://api.doitong.com/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t/cancel"
  }
}
ਤੁਹਾਡੀਆਂ ਫ਼ਾਈਲਾਂ, ਤੁਹਾਡੀ ਚੋਣਹਰ outputs[].url ਸਾਡੇ ਸਟੋਰੇਜ ਵਿੱਚ ਇੱਕ ਕਾਪੀ ਹੈ: ਹਮੇਸ਼ਾ ਲਈ ਰੱਖੀ ਜਾਂਦੀ ਹੈ (ਪ੍ਰਤੀ GB-ਮਹੀਨਾ ਭੁਗਤਾਨ) ਜਾਂ 7 ਦਿਨ ਤੱਕ ਮੁਫ਼ਤ, ਤੁਹਾਡੀ ਖਾਤਾ ਸੈਟਿੰਗ ਜਾਂ ?storage= ਅਨੁਸਾਰ।
ਹਰ ਮਾਡਲ ’ਤੇ ਇੱਕੋ ਜਿਹਾ ਰੂਪਤਸਵੀਰਾਂ, ਵੀਡੀਓ ਅਤੇ ਆਡੀਓ ਸਭ ਲਈ type, url, content_type, width, height ਅਤੇ duration। output ਮਾਡਲ ਦਾ ਆਪਣਾ ਨਤੀਜਾ ਆਬਜੈਕਟ ਹੈ।
ਆਉਟਪੁੱਟ ਦੇ ਫ਼ੀਲਡ
audio
object {url, content_type, file_name, file_size}ਸਿਰਜਣਾ ਨਾਲ ਬਣੀ ਆਡੀਓ ਫ਼ਾਈਲ।
duration_ms
integerਆਡੀਓ ਦੀ ਲੰਬਾਈ, ਮਿਲੀਸਕਿੰਟਾਂ ਵਿੱਚ ਮਾਪੀ ਗਈ।

ਹੋਰ ਮਾਡਲ: ਟੈਕਸਟ ਤੋਂ ਬੋਲੀ

AI ਏਜੰਟਾਂ ਲਈ: ਇਹ ਪੰਨਾ Markdown ਵਜੋਂ ਇੱਥੇ ਹੈ https://doitong.com/pa/developers/models/minimax/speech-2.8-hd.md. ਸਾਰੇ ਮਾਡਲ ਅਤੇ ਗਾਈਡ: https://doitong.com/developers/llms.txt