Einführung
Senden Sie den zu lesenden Text, eine Systemstimme, eine Emotion und optional einen Sprachhinweis. Die Aufgabe liefert eine Audiodatei mit dem Skript in dieser Stimme und Emotion: standardmäßig eine MP3 mit 32 kHz Mono, sofern Sie nicht output_format, sample_rate, bitrate oder audio_channels setzen. speed, pitch und volume passen den Vortrag an, und pronunciation_dict legt fest, wie bestimmte Wörter gelesen werden. Lauteffekte in Klammern im Text wie (sighs) oder (laughs) werden als Geräusche ausgeführt, nicht vorgelesen. SpicyAPI wendet keinen Inhaltsfilter an; das Skript wird genau so gelesen, wie es gesendet wurde. Abgerechnet wird pro 1.000 Zeichen des gesendeten Textes.
| Feld | Wert |
|---|---|
| Eingabe | Text |
| Ausgabe | Audio |
| Pflichtfeld | text — 1 bis 5.000 Zeichen |
| Optionale Felder |
|
| Ergebnis | Eine Audiodatei: standardmäßig MP3 (32 kHz, Mono), sonst WAV, FLAC, PCM |
| Abgerechnete Menge | Gesendete Zeichen von text, pro 1.000 |
| Typische Dauer | Etwa 8 Sekunden für 300 Zeichen |
| Aufbewahrung | Generierte Audiodateien werden 14 Tage aufbewahrt |
Request-Parameter
| Parameter | Pflicht | Beschreibung |
|---|---|---|
text | Ja | Die zu sprechenden Worte, genau wie geschrieben. Klangmarkierungen in Klammern wie (sighs) oder (laughs) werden als Geräusch dargestellt, nicht vorgelesen. mindestens 1 Zeichen · höchstens 5000 Zeichen |
voice_id | Nein | Eine von 472 Systemstimmen. Standardwert: Calm_Woman. |
emotion | Nein | Eine von sieben festen Emotionen – neutral, happy, sad, angry, fearful, disgusted oder surprised – für den gesamten Vortrag. Standardwert: neutral. |
speed | Nein | Sprechtempo von 0,5 (langsamer) bis 2 (schneller); 1 ist das normale Tempo der Stimme. Ändert den Preis nicht. |
pitch | Nein | Tonhöhenverschiebung in Halbtönen, von -12 bis 12; 0 behält die eigene Tonhöhe der Stimme bei. Ändert den Preis nicht. |
volume | Nein | Lautstärkefaktor von 0,1 bis 10; 1 ist die normale Lautstärke. Ändert den Preis nicht. |
language | Nein | Ein Hinweis, der die Aussprache für eine von 40 Sprachen verbessert. Standardwert: auto, wodurch die Sprache aus dem Skript erkannt wird. |
output_format | Nein | Dateiformat: mp3 (Standard), wav, flac oder pcm, also rohe 16-Bit-Little-Endian-Samples ohne Header mit der gewählten |
sample_rate | Nein | Abtastrate des Audios in Hz: 8000, 16000, 22050, 24000, 32000, 44100. Standardwert: 32000. |
bitrate | Nein | MP3-Bitrate in Bit pro Sekunde: 32000, 64000, 128000 oder 256000. Standardwert: 128000; gilt nur, wenn |
audio_channels | Nein | Ausgabekanäle: mono (Standard) oder stereo. Ändert den Preis nicht. |
english_normalization | Nein | Wenn aktiviert, werden Zahlen, Datumsangaben und Abkürzungen in englischem Text so gelesen, wie ein Mensch sie sprechen würde, etwa 1990 als „nineteen ninety“. Standardmäßig aus. Standardwert: |
pronunciation_dict | Nein | Bis zu 100 Paare aus {alias, pronunciation}. höchstens 100 Einträge |
Preis
$0.072 / 1.000 Zeichen
Abgerechnet pro 1.000 gesendete Zeichen, einschließlich Leerzeichen und Satzzeichen. Der Kostenvoranschlag vor dem Lauf ist der Endpreis.
Anwendungsfälle
Voiceovers für kurze Videos
Erzählstimme für Erklärvideos, Produktclips und Social-Media-Posts. Der Preis richtet sich nach der Skriptlänge, sodass Sie schon vor dem Start wissen, was ein Batch kostet.
Mehrsprachige Inhalte
Lesen Sie dasselbe Skript mit einem Sprachhinweis für eine von 40 unterstützten Sprachen, oder belassen Sie language auf auto und überlassen Sie es dem Skript.
Unzensierte Audiogeschichten
Für das Skript gibt es keinen Inhaltsfilter. In unseren Tests sprach das Modell jedes Wort der gewagtesten Monologe und erzählten Szenen, die wir ausprobiert haben, und setzte Atem- und Lautsignale um, statt sie vorzulesen.
Emotionale Figurenstimmen
Legen Sie pro Anfrage eine von sieben Emotionen fest – happy, sad, angry, fearful, disgusted oder surprised – und lassen Sie (sighs), (laughs) oder (breath) im Skript den Vortrag prägen.
Prompt-Leitfaden und Praxistipps
Skript in text senden
Schreiben Sie es genau so, wie es gesprochen werden soll, mit Satzzeichen für Pausen und Klangmarkierungen wie (sighs) in Klammern, wo sie gespielt werden sollen. Bis zu 5.000 Zeichen.
Stimme und Emotion wählen
voice_idist standardmäßig auf Calm_Woman gesetzt; emotion ist standardmäßig neutral und nimmt einen von sieben festen Werten an.Bei Bedarf einen Sprachhinweis hinzufügen
Lassen Sie language auf auto, damit sie aus dem Skript erkannt wird, oder setzen Sie eine von 40 Sprachen, wenn ein kurzes oder gemischtes Skript Unterstützung bei der Aussprache braucht.
Was zurückgegeben wird
Eine Audiodatei pro Aufgabe: ein 32-kHz-Mono-MP3, sofern Sie output_format, sample_rate, bitrate oder audio_channels nicht ändern. Die Datei wird in den SpicyAPI-Speicher kopiert und 14 Tage aufbewahrt.
Eine Stimme wählen
voice_id akzeptiert eine von 472 Systemstimmen, etwa Calm_Woman, Deep_Voice_Man, Lively_Girl oder Elegant_Man, und ist standardmäßig auf Calm_Woman gesetzt. Es gibt kein Cloning und kein Hochladen einer Referenzstimme.
Eine Emotion festlegen
emotion nimmt einen von sieben festen Werten an – neutral, happy, sad, angry, fearful, disgusted oder surprised – und gilt für den gesamten Vortrag. Standardwert ist neutral.
Klangmarkierungen
Tags in Klammern innerhalb von text, etwa (sighs), (laughs), (breath) oder (gasps), werden als Geräusche ausgeführt und nicht vorgelesen. In unseren Tests galt das ebenso für die gewagtesten Skripte wie für gewöhnliche.
Sprache
Die Sprache wird aus dem Skript erkannt. language gibt als Hinweis eine von 40 Sprachen an, darunter Mandarin, Kantonesisch, Englisch, Arabisch, Russisch, Spanisch, Französisch, Portugiesisch, Deutsch, Japanisch, Italienisch, Koreanisch, Polnisch und weitere, um die Aussprache bei einem kurzen oder gemischten Skript zu verbessern.
Vortrag steuern
speed (0,5–2), pitch (-12 bis 12 Halbtöne) und volume (0,1–10) passen die Lesung an, ohne den Preis zu ändern. pronunciation_dict nimmt bis zu 100 Paare {alias, pronunciation} auf, damit ein Name, ein Akronym oder ein Lehnwort immer so gelesen wird, wie Sie es wollen: als normale Wörter oder als IPA in Klammern. english_normalization liest Zahlen, Datumsangaben und Abkürzungen in englischem Text so, wie ein Mensch sie sprechen würde.
Ausgabeformat
output_format wählt mp3 (Standard), wav, flac oder pcm; sample_rate reicht von 8000 bis 44100 Hz, bitrate legt die MP3-Bitrate fest und audio_channels schaltet auf Stereo. pcm sind rohe 16-Bit-Little-Endian-Samples ohne Header und lassen sich daher nicht im Browser abspielen; wählen Sie wav, wenn Sie dieselben Samples in einer abspielbaren Datei möchten.
Abrechnung
Abgerechnet pro 1.000 Zeichen von text, einschließlich Leerzeichen, Satzzeichen und Zeilenumbrüchen. Die Zeichenzahl steht schon vor dem Start der Aufgabe fest, sodass der Kostenvoranschlag die endgültige Abrechnung ist. Fehlgeschlagene Anfragen werden nicht berechnet.
Inhalt
SpicyAPI fügt keinen Inhaltsfilter hinzu. In unseren Tests wurde jedes Skript, so stark es auch war, Wort für Wort gelesen, Lauteffekte wurden wie geschrieben umgesetzt und nichts wurde übersprungen.
SpicyAPI fügt keinen Inhaltsfilter hinzu: NSFW-Skripte werden genau wie geschrieben vorgelesen. Sie sind verantwortlich für die Skripte, die Sie senden, und dafür, wie Sie die resultierende Audiodatei verwenden – auch dafür, sie nicht als die 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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "minimax/speech-2.8-turbo/text-to-speech",
"input": {
"text": "Welcome back. Your files finished rendering a minute ago and are ready to download.",
"emotion": "neutral",
"language": "auto",
"voice_id": "Calm_Woman",
"output_format": "mp3"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Authentifizierung, vollständiges Schema, Polling und Fehlerbehandlung stehen in der API-Referenz.
