Einführung
Senden Sie den zu lesenden Text und optional eine Stimme, eine Sprache, eine Geschwindigkeit und ein Ausgabeformat. Die Aufgabe liefert eine Audiodatei – standardmäßig MP3 mit 24 kHz – mit dem Skript in dieser Stimme. Sprachmarkierungen im Text, etwa [laugh] oder …, werden ausgeführt statt vorgelesen. SpicyAPI wendet keinen Inhaltsfilter an, und Skripte werden wie geschrieben gelesen. Abgerechnet wird pro 1.000 Zeichen des gesendeten Textes.
| Feld | Wert |
|---|---|
| Eingabe | Text |
| Ausgabe | Audio |
| Pflichtfeld | text — 1 bis 15.000 Zeichen, Sprach-Tags erlaubt |
| Optionale Felder |
|
| Ergebnis | Eine Audiodatei; standardmäßig MP3, 24 kHz, 128 kbit/s, mono |
| Abgerechnete Menge | Zeichen des gesendeten Texts, pro 1.000, Tags eingeschlossen |
| Typische Dauer | 3 bis 8 Sekunden für 170 bis 320 Zeichen |
| Aufbewahrung | Generiertes Audio wird 14 Tage aufbewahrt |
Request-Parameter
| Parameter | Pflicht | Beschreibung |
|---|---|---|
text | Ja | Die zu sprechenden Wörter, genau wie geschrieben, optional mit Sprach-Tags wie [laugh] oder …. 1 bis 15.000 Zeichen. mindestens 1 Zeichen · höchstens 15000 Zeichen |
voice_id | Nein | Eine von 71 vorgefertigten Stimmen, beschriftet mit Name, Geschlecht und Sprache. |
language | Nein | Die Lesesprache als Sprachcode oder auto (Standard), um sie aus dem Skript zu erkennen. Setzen Sie sie, wenn ein kurzes oder gemischtes Skript in der falschen Sprache herauskommt. |
speed | Nein | Sprechtempo von 0,7 (langsamer) bis 1,5 (schneller); Standard 1,0. Ändert den Preis nicht. |
output_format | Nein | Audiokodierung: mp3 (Standard), wav oder die Streams ohne Dateikopf pcm, mulaw und alaw für Telefonanlagen. Ändert den Preis nicht. |
sample_rate | Nein | Abtastrate in Hz: 8000, 16000, 22050, 24000 (Standard), 44100 oder 48000. 8000 mit mulaw oder alaw für Telefonleitungen, 44100 oder 48000 für Studioarbeit. |
bitrate | Nein | MP3-Bitrate in Bit pro Sekunde: 32000 bis 192000, Standard 128000. Gilt nur, wenn |
text_normalization | Nein | Wenn aktiviert, werden Schreibformen wie Zahlen, Abkürzungen und Symbole vor dem Lesen in ihre gesprochene Form umgewandelt. Standardmäßig aus. Standardwert: |
optimize_streaming_latency | Nein | Streaming-Latenzstufe des Modells: 0 (Standard) behält die beste Audioqualität; 1 verkleinert den ersten Audioblock für eine kürzere Zeit bis zum ersten Ton, mit leichten Qualit… |
Preis
$0.018 / 1.000 Zeichen
Abgerechnet pro 1.000 Zeichen des gesendeten Texts, einschließlich Leerzeichen, Satzzeichen und Sprach-Tags. Das Angebot vor dem Start ist der Endpreis.
Anwendungsfälle
Sprachnachrichten und Companion-Apps
Ein geflüsterter Nebensatz, ein Lachen an der richtigen Stelle, ein Atemzug vor der nächsten Zeile – als Tags ins Skript geschrieben, sodass die Darbietung Teil des Texts ist, den Sie speichern und wieder abspielen.
Hörbücher und Fortsetzungsgeschichten
Bis zu 15.000 Zeichen pro Anfrage, eine Erzählerstimme, die über alle Kapitel gleich bleibt, und ein Geschwindigkeitsregler für eine langsamere Gute-Nacht-Lesung. Kein Kapitel wird auf dem Weg gefiltert oder abgeschwächt.
Mehrsprachige Erzählung
Lesen Sie dasselbe Skript auf Englisch, Japanisch, Französisch, Koreanisch, Arabisch und mehr – mit einer der fünf mehrsprachigen Stimmen oder mit einer muttersprachlichen Stimme pro Sprache.
Telefonleitungen und Sprachmenüs
Fordern Sie μ-law oder A-law mit 8 kHz an, und das Audio kommt im Format, das eine Telefonanlage direkt abspielt, ohne Umwandlungsschritt.
Prompt-Leitfaden und Praxistipps
Das Skript in text schreiben
Bis zu 15.000 Zeichen. Setzen Sie [pause], [laugh], [breath] oder … genau dorthin, wo Sie sie haben möchten; Satzzeichen formen den Rhythmus.
Stimme und Sprache wählen
voice_idist standardmäßig eve. Eve, Ara, Leo, Rex und Sal sprechen jede unterstützte Sprache; die übrigen Stimmen sind auf eine abgestimmt. Lassen Sie language auf auto, solange ein kurzes oder gemischtes Skript nicht in der falschen Sprache herauskommt.Tempo und Format festlegen
speed reicht von 0,7 bis 1,5. Lassen Sie
output_formatfür die Wiedergabe auf mp3, wählen Sie wav für die Bearbeitung oder pcm, mulaw und alaw mit 8 kHz für Telefonanlagen.
Was zurückkommt
Eine Audiodatei pro Aufgabe – MP3 mit 24 kHz, 128 kbit/s, mono, sofern Sie nichts anderes anfordern. Die Datei wird in den SpicyAPI-Speicher kopiert und 14 Tage aufbewahrt. Wortzeitmarken oder Untertitel sind nicht enthalten.
Eine Stimme wählen
voice_id nimmt eine von 71 vorgefertigten Stimmen, Standard ist eve. Eve, Ara, Leo, Rex und Sal sprechen jede unterstützte Sprache. Die übrigen 66 sind jeweils auf eine Sprache abgestimmt – Mandarin, Russisch, Italienisch, Hindi, Französisch, Spanisch, Dänisch, Vietnamesisch, Englisch, Schwedisch, Finnisch, Türkisch, Japanisch, Koreanisch, Portugiesisch, Niederländisch, Polnisch, Thailändisch, Arabisch oder Deutsch – und lesen darin am besten. Das Formular listet jede Stimme mit Name, Geschlecht und Sprache.
Die Darbietung mit Tags steuern
Schreiben Sie die Darbietung in text. Einzel-Tags erzeugen an dieser Stelle einen Laut: [pause], [long-pause], [hum-tune], [laugh], [chuckle], [giggle], [cry], [tsk], [tongue-click], [lip-smack], [breath], [inhale], [exhale], [sigh]. Umschließende Tags verändern die Wörter darin: <soft>, <whisper>, <loud>, <build-intensity>, <decrease-intensity>, <higher-pitch>, <lower-pitch>, <slow>, <fast>, <sing-song>, <singing>, <laugh-speak>, <emphasis>. Die getesteten Tags wurden gespielt und nie als Wörter vorgelesen.
Tempo, Sprache und Format
speed reicht von 0,7 bis 1,5. language wird bei auto erkannt; setzen Sie es, wenn ein kurzes oder gemischtes Skript in der falschen Sprache herauskommt. output_format ist standardmäßig mp3; wav eignet sich für die Bearbeitung, und pcm, mulaw und alaw sind Streams ohne Dateikopf für Telefonanlagen – kombinieren Sie sie mit sample_rate 8000. bitrate wirkt nur auf MP3. optimize_streaming_latency (0, 1 oder 2) ist die Streaming-Latenzstufe des Modells: Höhere Stufen verkleinern den ersten Audioblock, möglicherweise auf Kosten der Qualität an den Blockgrenzen; 0 behält die beste Qualität.
Abrechnung
Abgerechnet pro 1.000 Zeichen von text, einschließlich Leerzeichen, Satzzeichen, Zeilenumbrüchen und Tags. Die Zahl steht vor dem Start der Aufgabe fest, das Angebot ist also der Endbetrag. Stimme, Sprache, Tempo und Format ändern den Preis nicht. Fehlgeschlagene Anfragen werden nicht berechnet.
Inhalte
SpicyAPI fügt keinen Inhaltsfilter hinzu. In unseren Tests wurden die stärksten Skripte, die wir geschickt haben, Wort für Wort gelesen, ohne dass etwas übersprungen oder ein Clip abgeschnitten wurde.
SpicyAPI legt keinen Inhaltsfilter darüber: NSFW-Skripte werden gelesen, wie sie geschrieben sind. Sie sind verantwortlich für die Skripte, die Sie senden, und für die Verwendung des erzeugten Audios, einschließlich dessen, es nicht als Worte einer realen 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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "xai/grok-tts/text-to-speech",
"input": {
"text": "Welcome back. Your files finished rendering a minute ago and are ready to download.",
"bitrate": 128000,
"language": "auto",
"voice_id": "eve",
"sample_rate": 24000,
"output_format": "mp3"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Authentifizierung, vollständiges Schema, Polling und Fehlerbehandlung stehen in der API-Referenz.
