Einführung
Senden Sie den zu lesenden Text und optional eine von 30 Stimmen, einen Akzent, einen Stil, ein Tempo, eine Szene und eine kurze Notiz zur Vortragsweise; für ein Gespräch senden Sie Dialog und Sprecher statt Text. Die Aufgabe liefert eine WAV-Datei (24 kHz, 16 Bit, Mono) mit dem Skript in dieser Stimme, bei einem Dialog mit bis zu zwei Stimmen, meist innerhalb von Sekunden. Steuern Sie den Vortrag über Satzzeichen; Klammerhinweise wie [sighs] werden nicht zuverlässig umgesetzt und manchmal mitgesprochen. SpicyAPI wendet keinen Inhaltsfilter an, daher wird jedes Skript wie geschrieben gelesen. Abgerechnet wird pro Sekunde des zurückgegebenen Tons.
| Feld | Wert |
|---|---|
| Eingabe | Text |
| Ausgabe | Audio |
| Pflichtfeld | text (1 bis 5.000 Zeichen) oder dialogue (bis zu 20 Zeilen) |
| Optionale Felder |
|
| Ergebnis | Eine WAV-Datei, 24 kHz, 16-Bit, Mono |
| Längster Clip | 16.384 Audio-Token |
| Abgerechnete Menge | Sekunden gelieferter Audio, gemessen an der Datei |
| Aufbewahrung | Generierte Audio wird 14 Tage aufbewahrt |
Request-Parameter
| Parameter | Pflicht | Beschreibung |
|---|---|---|
text | Nein | Die zu sprechenden Wörter, exakt wie geschrieben. mindestens 1 Zeichen · höchstens 5000 Zeichen |
dialogue | Nein | Ein Dialog mit bis zu zwei Stimmen, anstelle von text: bis zu 20 Zeilen, jede mit speaker (ein Name aus speakers) und text mit höchstens 250 Zeichen. mindestens 1 Einträge · höchstens 20 Einträge |
speakers | Nein | Die Besetzung für dialogue: ein oder zwei Einträge, jeweils mit einem name, auf den sich die Zeilen beziehen, einer |
voice_id | Nein | Eine von 30 vorgefertigten Stimmen, jede mit festem Charakter. Standard ist Kore. |
style | Nein | Grundhaltung des Vortrags. Leer lassen, damit die Stimme in ihrer eigenen Grundhaltung liest. |
pace | Nein | Rhythmus der Lesung: natural, |
accent | Nein | Englischer Akzent für den Vortrag. Ohne Angabe gilt der eigene Akzent der Stimme. |
instructions | Nein | Regieanweisung in Freitext: Tempo, Stimmung, Abstand zum Mikrofon, Zuhörer. Prägt den Vortrag und wird nicht gesprochen. höchstens 1000 Zeichen |
scene | Nein | Wo und zu wem gesprochen wird, etwa „ein stilles Hotelzimmer nach Mitternacht“. Prägt den Vortrag und wird nicht vorgelesen. höchstens 500 Zeichen |
temperature | Nein | Variation zwischen Durchgängen, von 0 bis 2: Höhere Werte machen den Vortrag weniger vorhersehbar. Ohne Angabe gilt der Standardwert des Modells. |
Preis
$0.00021 / Sekunde
Abgerechnet pro Sekunde gelieferter Audio. Während die Aufgabe läuft, wird ein Hold für 660 Sekunden gesetzt, und der ungenutzte Teil wird freigegeben, sobald die Audio gemessen ist.
Anwendungsfälle
Hochvolumige Vertonung
Produkttexte, Lektionsskripte, Artikel-Vorlesungen und Stapel kurzer Zeilen, bei denen Bearbeitungszeit und Kosten wichtiger sind als schauspielerische Nuancen.
Charakter- und Begleiterstimmen
Geben Sie einer Chat-Figur eine eigene Stimme und antworten Sie in Sekunden. Kurze, gesprochen wirkende Sätze und sorgfältige Zeichensetzung tragen den Großteil des Tons.
Unzensierte Audiogeschichten
Skripte laufen ohne Inhaltsfilter durch. In unseren Tests sprach das Modell jedes Wort der gewagtesten Monologe und erzählten Szenen, die wir geschickt haben, ohne etwas auszulassen oder abzubrechen.
Vertonung für Video
Erzeugen Sie die Zeile hier und übergeben Sie die WAV-Datei dann an ein Talking-Avatar- oder Lip-Sync-Modell, damit ein Gesicht sie performt. Die Audiolänge bestimmt die Länge des nachgelagerten Clips.
Prompt-Leitfaden und Praxistipps
Skript als Text senden
Schreiben Sie es genau so, wie es gesprochen werden soll, inklusive Zeichensetzung für Pausen. Bis zu 5.000 Zeichen.
Stimme wählen
voice_idist standardmäßig Kore. Jede der 30 Stimmen hat einen festen Charakter, wählen Sie also einmal und behalten Sie sie für eine Serie bei.Laute als Laute schreiben
Für Seufzer, Lachen oder Stöhnen schreiben Sie sie aus – „Mmm…“, „ha…“, „ahh…“ – statt Klammertags zu verwenden, die dieses Modell manchmal laut vorliest.
Was zurückgegeben wird
Eine WAV-Datei pro Aufgabe: 24 kHz, 16-Bit, Mono-PCM. Die Datei wird in den SpicyAPI-Speicher kopiert und 14 Tage aufbewahrt. Das Ergebnis enthält keine Worttimings oder Untertitel.
Eine Stimme wählen
voice_id akzeptiert eine von 30 vorgefertigten Stimmen und ist standardmäßig Kore. Jede Stimme hat einen festen Charakter – zum Beispiel Kore fest, Charon informativ, Puck munter, Enceladus hauchig, Achernar sanft, Algenib rau, Sulafat warm, Gacrux reif. Die Stimme ändert sich nicht mit der Sprache des Skripts.
Den Vortrag gestalten
Neben text und voice_id prägen diese Einstellungen die Lesung:
style,accentundpacelegen Grundhaltung, englischen Akzent und Rhythmus fest; ohne Angabe behält die Stimme ihre eigenen.instructionsnimmt Freitext dazu auf, wie gelesen werden soll, undscenesagt, wo und zu wem gesprochen wird. Beides wird nicht vorgelesen.temperature(0–2) legt fest, wie stark der Vortrag zwischen Durchgängen variiert.
Die Zeichensetzung trägt weiterhin viel vom Vortrag: Kommas und Auslassungspunkte bremsen ihn, kurze Sätze machen ihn gesprächiger.
Klammerhinweise wie [sighs] werden nicht zuverlässig umgesetzt – in unseren Tests las das Modell manchmal das Wort innerhalb der Klammern einfach laut vor. Schreiben Sie Laute stattdessen aus („Mmm…“, „ahh…“). Wenn performte Hinweise wichtig sind, verwenden Sie Gemini 3.8 Flash TTS.
Bei diesem Modell kann Regie, die für eine einzelne Stimme gesendet wird, am Anfang des Clips vorgelesen werden. Enthält eine Anfrage mit einer Stimme daher style, accent, pace, instructions oder scene, sendet SpicyAPI sie im Zwei-Sprecher-Format des Modells mit einem stummen zweiten Sprecher, der die Hinweise aus dem Audio heraushält. An der Abrechnung ändert das nichts: Sie zahlen für die zurückgegebenen Sekunden.
Zwei Stimmen in einem Clip
Für ein Gespräch senden Sie statt text ein dialogue und dazu speakers mit der Besetzung: ein oder zwei Einträge, jeweils mit name, voice_id und optional accent, style, pace und profile, einer kurzen Beschreibung der sprechenden Person, die nicht vorgelesen wird. Jede Zeile in dialogue ist {speaker, text}, wobei speaker einer dieser Namen ist; die Zeilen werden der Reihe nach gesprochen, bis zu 20 Zeilen mit je 250 Zeichen. Was ein Eintrag offenlässt, wird aus accent, style und pace auf oberster Ebene übernommen. Das ganze Gespräch kommt als eine WAV-Datei zurück und wird wie jede andere Anfrage pro Sekunde abgerechnet.
Länge und Timing
text akzeptiert bis zu 5.000 Zeichen. Ein Absatz mit 270 Zeichen ergab in unseren Tests 22–26 Sekunden Audio, und die mittlere Aufgabe war in etwa 7 Sekunden generiert. Das Modell stoppt bei 16.384 Audio-Token pro Clip.
Abrechnung
Abgerechnet pro Sekunde gelieferter Audio, gemessen an der Datei. Während die Aufgabe läuft, wird ein Hold für 660 Sekunden auf Ihrem Guthaben gesetzt, und der ungenutzte Teil wird freigegeben, sobald die Aufgabe abgeschlossen ist. Fehlgeschlagene Anfragen werden nicht berechnet.
Inhalt
SpicyAPI fügt keinen Inhaltsfilter hinzu. In unseren Tests wurde jedes Skript Wort für Wort gelesen, auch die gewagtesten, ohne dass etwas übersprungen oder ein Clip vorzeitig beendet wurde.
SpicyAPI fügt keinen Inhaltsfilter hinzu: NSFW-Skripte werden wortgetreu vorgelesen. Sie sind verantwortlich für die Skripte, die Sie senden, und dafür, wie Sie die resultierende Audio verwenden – auch dafür, sie nicht als die Worte einer echten Person auszugeben.
API-Schnellstart
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${SPICY_IDEMPOTENCY_KEY:-$(uuidgen)}"
curl -X POST https://api.spicyapi.ai/api/v1/jobs/createTask \
-H "Authorization: Bearer $SPICY_API_KEY" \
-H "Content-Type: application/json" \
-H "Idempotency-Key: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "google/gemini-3.8-flash-lite-tts/text-to-speech",
"input": {
"text": "Welcome back. Your files finished rendering a minute ago and are ready to download.",
"voice_id": "Kore"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Authentifizierung, vollständiges Schema, Polling und Fehlerbehandlung stehen in der API-Referenz.
