কনটেন্টে যান

MiniMax Speech 2.8 HD

ইন্টিগ্রেট করুন

মডেল 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"

এই অনুরোধ: ০.০১৯$ ১৯ API ক্রেডিট এই পেজে চালান

API কী পান
MiniMax টেক্সট থেকে স্পিচ #voiceover#multilingual#hd

30টিরও বেশি ভাষায় বিরতি, আবেগ ও উচ্চারণ নিয়ন্ত্রণসহ MiniMax-এর হাই-ডেফিনিশন টেক্সট-টু-স্পিচ।

উদাহরণ

আউটপুট · ~10 s

প্রম্পটWelcome 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.

০.০১৯$ · ১৯ API ক্রেডিট

একটি অনুরোধ তৈরি করুন

মডেল স্কিমা থেকে কন্ট্রোল তৈরি করা হয়। এগুলো পরিবর্তন করলে কোড ও মূল্য আপডেট হয়।

•আবশ্যক 182 / 10000

বক্তৃতা সংশ্লেষণের টেক্সট, যেখানে `<#x#>` দিয়ে বিরতি নির্দিষ্ট করা হয় এবং x-এর পরিসর 0.01 থেকে 99.99 সেকেন্ড। উপলভ্য আন্তঃক্ষেপ ট্যাগ হলো `(laughs)`, `(sighs)`, `(coughs)`, `(clears throat)`, `(gasps)`, `(sniffs)`, `(groans)`, এবং `(yawns)`।

অ্যাডভান্সড output_format · language_boost · voice_setting · audio_setting · pronunciation_dict · normalization_setting · voice_modify
output_format ডিফল্ট hex

আউটপুট কনটেন্টের ফরম্যাট; শুধুমাত্র নন-স্ট্রিমিং রেসপন্সে প্রযোজ্য।

নির্বাচিত ভাষা ও উপভাষার শনাক্তকরণ উন্নত করে।

ডিফল্ট {"english_normalizati...

কণ্ঠস্বর কনফিগার করার সেটিংস।

অডিও কনফিগার করার সেটিংস।

টেক্সট প্রতিস্থাপনের জন্য ব্যবহৃত উচ্চারণের কাস্টম অভিধান।

অডিওর শব্দমাত্রা স্বাভাবিকীকরণ নিয়ন্ত্রণকারী সেটিংস।

ভয়েসের পিচ, তীব্রতা ও টিমব্র পরিবর্তনের সেটিংস।

POST /run/minimax/speech-2.8-hd?wait=20 মূল্য → ০.০১৯$
# 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"

এই অনুরোধ চালান

আপনার key এই ব্রাউজারেই থাকে: এটি শুধু Doitong API-তে পাঠানো হয় এবং Remember টিক দিলে কেবল localStorage-এ সংরক্ষিত হয়। একটি API কী পান

MiniMax Speech 2.8 HD সম্পর্কে

MiniMax Speech 2.8 HD 30টিরও বেশি ভাষায় সূক্ষ্ম নিয়ন্ত্রণসহ টেক্সটকে কণ্ঠে রূপান্তর করে: ইনলাইন বিরতি মার্কার, কণ্ঠের gতি, পিচ ও ভলিউম, কাস্টম উচ্চারণ অভিধান এবং ভয়েস ইফেক্ট। বিল্ট-ইন কণ্ঠগুলো থেকে বেছে নিন এবং আউটপুটের স্যাম্পল রেট ও ফরম্যাট নির্ধারণ করুন।

প্যারামিটার

নামধরন ডিফল্টঅনুমোদিত বিবরণ
promptআবশ্যক
ধরনstring
≤ ১০,০০০টি অক্ষর
বক্তৃতা সংশ্লেষণের টেক্সট, যেখানে `<#x#>` দিয়ে বিরতি নির্দিষ্ট করা হয় এবং x-এর পরিসর 0.01 থেকে 99.99 সেকেন্ড। উপলভ্য আন্তঃক্ষেপ ট্যাগ হলো `(laughs)`, `(sighs)`, `(coughs)`, `(clears throat)`, `(gasps)`, `(sniffs)`, `(groans)`, এবং `(yawns)`।
voice_settingঐচ্ছিক
ধরনobject
ডিফল্ট{"english_normalization":false,"pitch":0,"speed":1,"voice_id":"Wise_Woman","vol":1}
কণ্ঠস্বর কনফিগার করার সেটিংস।
voice_setting.voice_idঐচ্ছিক
ধরনstring
ডিফল্টWise_Woman
≥ 1 characters
Speech synthesis-এর জন্য ব্যবহৃত পূর্বনির্ধারিত voice identifier।
voice_setting.speedঐচ্ছিক
ধরনnumber
ডিফল্ট1
০.৫ – ২
কথ বলার গতি, 0.5 থেকে 2.0 পর্যন্ত।
voice_setting.volঐচ্ছিক
ধরনnumber
ডিফল্ট1
০.০১ – ১০
আউটপুট ভলিউম, 0 থেকে 10 পর্যন্ত।
voice_setting.pitchঐচ্ছিক
ধরনinteger
ডিফল্ট0
-১২ – ১২
ভয়েসের পিচ, -12 থেকে 12 পর্যন্ত।
voice_setting.emotionঐচ্ছিক
ধরনenum
happysadangryfearfuldisgustedsurprisedneutral
সংশ্লেষিত বক্তৃতার আবেগের টোন।
voice_setting.english_normalizationঐচ্ছিক
ধরনboolean
ডিফল্টfalse
ইংরেজি টেক্সট-স্বাভাবিকীকরণ অপশন, যা সংখ্যাগুলো আরও ভালোভাবে পড়ার জন্য সামান্য অতিরিক্ত লেটেন্সি গ্রহণ করে।
audio_settingঐচ্ছিক
ধরনobject
অডিও কনফিগার করার সেটিংস।
audio_setting.sample_rateঐচ্ছিক
ধরনenum
ডিফল্ট32000
80001600022050240003200044100
জেনারেট করা অডিওর স্যাম্পলিং রেট।
audio_setting.bitrateঐচ্ছিক
ধরনenum
ডিফল্ট128000
3200064000128000256000
জেনারেট করা অডিওর বিটরেট।
audio_setting.formatঐচ্ছিক
ধরনenum
ডিফল্টmp3
mp3pcmflac
অডিওর ফরম্যাট।
audio_setting.channelঐচ্ছিক
ধরনenum
ডিফল্ট1
12
অডিও চ্যানেলের সংখ্যা: মনোর জন্য 1 অথবা স্টেরিওর জন্য 2।
language_boostঐচ্ছিক
ধরনenum
ChineseChinese,YueEnglishArabicRussianSpanishFrenchPortugueseGermanTurkishDutchUkrainianVietnameseIndonesianJapaneseItalian
+22টি আরওKoreanThaiPolishRomanianGreekCzechFinnishHindiBulgarianDanishHebrewMalaySlovakSwedishCroatianHungarianNorwegianSlovenianCatalanNynorskAfrikaansauto
নির্বাচিত ভাষা ও উপভাষার শনাক্তকরণ উন্নত করে।
output_formatঐচ্ছিক
ধরনenum
ডিফল্টhex
urlhex
আউটপুট কনটেন্টের ফরম্যাট; শুধুমাত্র নন-স্ট্রিমিং রেসপন্সে প্রযোজ্য।
pronunciation_dictঐচ্ছিক
ধরনobject
টেক্সট প্রতিস্থাপনের জন্য ব্যবহৃত উচ্চারণের কাস্টম অভিধান।
pronunciation_dict.tone_listঐচ্ছিক
ধরনstring[]
['text/(pronunciation)', ...] সিনট্যাক্স ব্যবহার করে উচ্চারণ প্রতিস্থাপনের তালিকা, যেমন ['燕少飞/(yan4)(shao3)(fei1)']। চীনা টোনের সংখ্যা 1 থেকে 5 পর্যন্ত।
normalization_settingঐচ্ছিক
ধরনobject
অডিওর শব্দমাত্রা স্বাভাবিকীকরণ নিয়ন্ত্রণকারী সেটিংস।
normalization_setting.enabledঐচ্ছিক
ধরনboolean
ডিফল্টtrue
অডিওর শব্দমাত্রা স্বাভাবিকীকরণ সক্ষম করে।
normalization_setting.target_loudnessঐচ্ছিক
ধরনnumber
ডিফল্ট-18
-৭০ – -১০
কাঙ্ক্ষিত শব্দমাত্রা, LUFS-এ পরিমাপ করা; ডিফল্ট -18.0।
normalization_setting.target_rangeঐচ্ছিক
ধরনnumber
ডিফল্ট8
০ – ২০
কাঙ্ক্ষিত শব্দমাত্রার পরিসর, LU-তে পরিমাপ করা; ডিফল্ট 8.0।
normalization_setting.target_peakঐচ্ছিক
ধরনnumber
ডিফল্ট-0.5
-৩ – ০
কাঙ্ক্ষিত পিক লেভেল, dBTP-তে পরিমাপ করা; ডিফল্ট -0.5।
voice_modifyঐচ্ছিক
ধরনobject
ভয়েসের পিচ, তীব্রতা ও টিমব্র পরিবর্তনের সেটিংস।
voice_modify.pitchঐচ্ছিক
ধরনinteger
ডিফল্ট0
-১০০ – ১০০
সেমিটোনে পরিমাপ করা পিচ নিয়ন্ত্রণ: ভয়েস নিচু করতে ঋণাত্মক মান এবং উঁচু করতে ধনাত্মক মান ব্যবহার করুন। অনুমোদিত মান -100 থেকে 100।
voice_modify.intensityঐচ্ছিক
ধরনinteger
ডিফল্ট0
-১০০ – ১০০
ভয়েস-এনার্জি নিয়ন্ত্রণ, সেটিং বাড়লে বক্তৃতা আরও প্রাণবন্ত হয়। অনুমোদিত পরিসর -100 থেকে 100।
voice_modify.timbreঐচ্ছিক
ধরনinteger
ডিফল্ট0
-১০০ – ১০০
ভয়েসের টোনাল বৈশিষ্ট্য নিয়ন্ত্রণকারী -100 থেকে 100 পর্যন্ত টিমব্র সমন্বয়।
আবশ্যক

আউটপুট

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"
  }
}
আপনার ফাইল, আপনার পছন্দপ্রতিটি outputs[].url আমাদের স্টোরেজে একটি কপি: চিরকাল রাখা হয় (প্রতি GB-মাস অনুযায়ী অর্থপ্রদত্ত) অথবা অ্যাকাউন্ট সেটিংস বা ?storage= অনুযায়ী বিনামূল্যে ৭ দিন পর্যন্ত।
প্রতিটি মডেলে একই গঠনছবি, ভিডিও এবং অডিও—সব ক্ষেত্রেই type, url, content_type, width, height এবং duration। output হলো মডেলের নিজস্ব ফলাফল অবজেক্ট।
আউটপুটের ফিল্ড
audio
object {url, content_type, file_name, file_size}জেনারেশনের মাধ্যমে তৈরি অডিও ফাইল।
duration_ms
integerঅডিওর দৈর্ঘ্য, মিলিসেকেন্ডে পরিমাপ করা।

আরও মডেল: টেক্সট থেকে স্পিচ

AI এজেন্টদের জন্য: এই পৃষ্ঠাটি Markdown হিসেবে এখানে আছে https://doitong.com/bn/developers/models/minimax/speech-2.8-hd.md. সব মডেল ও গাইড: https://doitong.com/developers/llms.txt