Przejdź do treści

MiniMax Speech 2.8 HD

Integracja

Identyfikator modelu 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"

To żądanie: 0,019 $ 19 kredytów API Uruchom na tej stronie

Uzyskaj klucz API
MiniMax Tekst na mowę #voiceover#multilingual#hd

Synteza mowy MiniMax w wysokiej rozdzielczości, w ponad 30 językach, z kontrolą pauz, emocji i wymowy.

Przykłady

Wynik · ~10 s

PromptWelcome 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 kredytów API

Zbuduj żądanie

Elementy sterujące są generowane ze schematu modelu. Kod i cena aktualizują się podczas ich zmiany.

•wymagane 182 / 10000

Tekst do syntezy mowy z pauzami określonymi przez `<#x#>`, gdzie x mieści się w zakresie od 0.01 do 99.99 sekundy. Dostępne znaczniki interiekcji to `(laughs)`, `(sighs)`, `(coughs)`, `(clears throat)`, `(gasps)`, `(sniffs)`, `(groans)` i `(yawns)`.

Zaawansowane output_format · language_boost · voice_setting · audio_setting · pronunciation_dict · normalization_setting · voice_modify
output_format domyślnie hex

Format treści wyniku; dotyczy tylko odpowiedzi niestrumieniowanych.

Poprawia rozpoznawanie dla wybranych języków i dialektów.

domyślnie {"english_normalizati...

Ustawienia konfiguracji głosu.

Ustawienia konfiguracji audio.

Niestandardowy słownik wymowy używany do zastępowania tekstu.

Ustawienia sterujące normalizacją głośności audio.

Ustawienia modyfikowania wysokości, intensywności i barwy głosu.

POST /run/minimax/speech-2.8-hd?wait=20 wycena → 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"

Uruchom to żądanie

Klucz pozostaje w tej przeglądarce: jest wysyłany tylko do Doitong API i zapisywany (localStorage) tylko po zaznaczeniu opcji Zapamiętaj. Uzyskaj klucz API

Informacje o MiniMax Speech 2.8 HD

MiniMax Speech 2.8 HD generuje mowę z tekstu w ponad 30 językach i oferuje precyzyjną kontrolę: wbudowane znaczniki pauz, szybkość mowy, wysokość i głośność dźwięku, niestandardowe słowniki wymowy oraz efekty głosowe. Wybierz jeden z wbudowanych głosów, a także częstotliwość próbkowania i format wyjściowy.

Parametry

NazwaTyp DomyślneDozwolone Opis
promptwymagane
Typstring
≤ 10 000 znaków
Tekst do syntezy mowy z pauzami określonymi przez `<#x#>`, gdzie x mieści się w zakresie od 0.01 do 99.99 sekundy. Dostępne znaczniki interiekcji to `(laughs)`, `(sighs)`, `(coughs)`, `(clears throat)`, `(gasps)`, `(sniffs)`, `(groans)` i `(yawns)`.
voice_settingopcjonalne
Typobject
Domyślne{"english_normalization":false,"pitch":0,"speed":1,"voice_id":"Wise_Woman","vol":1}
Ustawienia konfiguracji głosu.
voice_setting.voice_idopcjonalne
Typstring
DomyślneWise_Woman
≥ 1 characters
Predefiniowany identyfikator głosu używany do syntezy mowy.
voice_setting.speedopcjonalne
Typnumber
Domyślne1
0,5 – 2
Szybkość mówienia w zakresie od 0.5 do 2.0.
voice_setting.volopcjonalne
Typnumber
Domyślne1
0,01 – 10
Głośność wyniku w zakresie od 0 do 10.
voice_setting.pitchopcjonalne
Typinteger
Domyślne0
-12 – 12
Wysokość głosu w zakresie od -12 do 12.
voice_setting.emotionopcjonalne
Typenum
happysadangryfearfuldisgustedsurprisedneutral
Ton emocjonalny syntetyzowanej mowy.
voice_setting.english_normalizationopcjonalne
Typboolean
Domyślnefalse
Opcja normalizacji tekstu angielskiego, która poświęca niewielki dodatkowy czas odpowiedzi na rzecz lepszego odczytywania liczb.
audio_settingopcjonalne
Typobject
Ustawienia konfiguracji audio.
audio_setting.sample_rateopcjonalne
Typenum
Domyślne32000
80001600022050240003200044100
Częstotliwość próbkowania wygenerowanego audio.
audio_setting.bitrateopcjonalne
Typenum
Domyślne128000
3200064000128000256000
Przepływność wygenerowanego audio.
audio_setting.formatopcjonalne
Typenum
Domyślnemp3
mp3pcmflac
Format audio.
audio_setting.channelopcjonalne
Typenum
Domyślne1
12
Liczba kanałów audio: 1 dla mono lub 2 dla stereo.
language_boostopcjonalne
Typenum
ChineseChinese,YueEnglishArabicRussianSpanishFrenchPortugueseGermanTurkishDutchUkrainianVietnameseIndonesianJapaneseItalian
+22 więcejKoreanThaiPolishRomanianGreekCzechFinnishHindiBulgarianDanishHebrewMalaySlovakSwedishCroatianHungarianNorwegianSlovenianCatalanNynorskAfrikaansauto
Poprawia rozpoznawanie dla wybranych języków i dialektów.
output_formatopcjonalne
Typenum
Domyślnehex
urlhex
Format treści wyniku; dotyczy tylko odpowiedzi niestrumieniowanych.
pronunciation_dictopcjonalne
Typobject
Niestandardowy słownik wymowy używany do zastępowania tekstu.
pronunciation_dict.tone_listopcjonalne
Typstring[]
Lista zamian wymowy używająca składni ['text/(pronunciation)', ...], na przykład ['燕少飞/(yan4)(shao3)(fei1)']. Chińskie numery tonów mieszczą się w zakresie od 1 do 5.
normalization_settingopcjonalne
Typobject
Ustawienia sterujące normalizacją głośności audio.
normalization_setting.enabledopcjonalne
Typboolean
Domyślnetrue
Włącza normalizację głośności audio.
normalization_setting.target_loudnessopcjonalne
Typnumber
Domyślne-18
-70 – -10
Docelowa głośność mierzona w LUFS; domyślnie -18.0.
normalization_setting.target_rangeopcjonalne
Typnumber
Domyślne8
0 – 20
Docelowy zakres głośności mierzony w LU; domyślnie 8.0.
normalization_setting.target_peakopcjonalne
Typnumber
Domyślne-0.5
-3 – 0
Docelowy poziom szczytowy mierzony w dBTP; domyślnie -0.5.
voice_modifyopcjonalne
Typobject
Ustawienia modyfikowania wysokości, intensywności i barwy głosu.
voice_modify.pitchopcjonalne
Typinteger
Domyślne0
-100 – 100
Sterowanie wysokością głosu mierzone w półtonach: użyj wartości ujemnej, aby obniżyć głos, lub dodatniej, aby go podwyższyć. Dozwolone wartości mieszczą się w zakresie od -100 do 100.
voice_modify.intensityopcjonalne
Typinteger
Domyślne0
-100 – 100
Sterowanie energią głosu, dzięki któremu mowa staje się bardziej energiczna wraz ze wzrostem ustawienia. Dozwolony zakres to -100–100.
voice_modify.timbreopcjonalne
Typinteger
Domyślne0
-100 – 100
Dostosowanie barwy głosu w zakresie od -100 do 100, sterujące jego charakterem tonalnym.
wymagane

Wynik

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"
  }
}
Twoje pliki, Twój wybórKażdy outputs[].url to kopia w naszej przestrzeni dyskowej: przechowywana bezterminowo (opłata za GB-miesiąc) lub 7 dni bezpłatnie, zgodnie z ustawieniem konta lub ?storage=.
Taki sam format w każdym modelutype, url, content_type, width, height i duration — tak samo dla obrazów, filmów i dźwięku. output to własny obiekt wyniku modelu.
Pola wyniku
audio
object {url, content_type, file_name, file_size}Plik audio utworzony w wyniku generowania.
duration_ms
integerDługość audio mierzona w milisekundach.

Więcej modeli: Tekst na mowę

Dla agentów AI: ta strona w formacie Markdown jest dostępna pod adresem https://doitong.com/pl/developers/models/minimax/speech-2.8-hd.md. Wszystkie modele i przewodniki: https://doitong.com/developers/llms.txt