Einführung
Senden Sie den zu lesenden Text und optional eine voreingestellte Stimme, eine kurze Notiz zur Vortragsweise und eine Sprache. Die Aufgabe liefert eine Audiodatei mit dem Skript in dieser Stimme: standardmäßig eine MP3 mit 24 kHz Mono, sofern Sie nicht output_format oder sample_rate setzen. speed, pitch und volume passen den Vortrag an. instructions nimmt Anweisungen in einfacher Sprache zu Ton, Emotion, Tempo oder Lautstärke entgegen und wird nicht vorgelesen. SpicyAPI wendet keinen Inhaltsfilter an, daher hören Sie das Skript, das Sie senden. 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 (24 kHz, Mono), sonst Ogg Opus |
| 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. Abgerechnet pro 1.000 Zeichen, einschließlich Leerzeichen und Satzzeichen. mindestens 1 Zeichen · höchstens 5000 Zeichen |
voice_id | Nein | Eine von 41 vorgefertigten Stimmen. Das Suffix zeigt, für welche Sprachen die Stimme ausgelegt ist. |
instructions | Nein | Regieanweisung in einfacher Sprache zu Tonfall, Emotion, Tempo oder Lautstärke. Prägt den Vortrag und wird nicht mitgesprochen. höchstens 1000 Zeichen |
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 0,5 bis 2; 1 ist die normale Lautstärke. Ändert den Preis nicht. |
language | Nein | Erzwingt die Vorlesesprache. Leer lassen, damit sie aus dem Skript erkannt wird. |
output_format | Nein | Dateiformat: mp3 (Standard) oder opus, eine Ogg-Opus-Datei, die bei gleicher Qualität kleiner ist. Ändert den Preis nicht. |
sample_rate | Nein | Abtastrate des Audios in Hz: 8000, 16000, 22050, 24000, 32000, 44100, 48000. Standardwert: 24000. |
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 auf Englisch, Japanisch, Spanisch, Deutsch und mehr. Mehrere Stimmen sind darauf ausgelegt, mehr als eine Sprache im selben Timbre zu sprechen.
Unzensierte Audiogeschichten
Skripte werden wie geschrieben vertont, so gewagt sie auch sind. In unseren Tests sprach das Modell jedes Wort der stärksten Monologe und erzählten Szenen, die wir geschickt haben, ohne etwas auszulassen oder abzubrechen.
Figurenstimmen
Geben Sie jeder Figur eine vorgefertigte Stimme und eine kurze Notiz dazu, wie sie spricht – atemlos, verschlafen, neckisch – und behalten Sie beides für die ganze Serie bei.
Prompt-Leitfaden und Praxistipps
Skript in text senden
Schreiben Sie es genau so, wie es gesprochen werden soll, mit Satzzeichen für Pausen. Bis zu 5.000 Zeichen.
Stimme wählen
voice_idist standardmäßig aufstokie_engesetzt. Das Suffix jeder Stimme zeigt, für welche Sprachen sie ausgelegt ist, zum Beispiel _en oder _ja_es.Vortrag beschreiben
Schreiben Sie ein oder zwei Sätze in instructions, etwa „langsam, leise und nah, als spräche man mit einer Person“. Das wird nicht vorgelesen.
Was zurückgegeben wird
Eine Audiodatei pro Aufgabe: ein 24-kHz-Mono-MP3, sofern Sie output_format oder sample_rate nicht ändern. Die Datei wird in den SpicyAPI-Speicher kopiert und 14 Tage aufbewahrt. Das Ergebnis enthält keine Wort-Timings oder Untertitel.
Eine Stimme wählen
voice_id akzeptiert eine von 41 vorgefertigten Stimmen und ist standardmäßig auf stokie_en gesetzt. Das Suffix jedes Stimmennamens listet die Sprachen auf, für die sie ausgelegt ist – tim_en ist Englisch, minimi_ja Japanisch, sven_de Deutsch, jess_ja_es_id_pt_en_zh spricht mehrere. Mehrsprachige Stimmen behalten über ihre Sprachen hinweg dasselbe Timbre.
Den Vortrag steuern
instructions nimmt ein bis zwei Sätze in einfacher Sprache dazu entgegen, wie vorgelesen werden soll: Tonfall, Emotion, Tempo, Lautstärke. Es prägt die Performance und wird nicht mitgesprochen. Für genaue Werte haben speed (0,5–2), pitch (-12 bis 12 Halbtöne) und volume (0,5–2) eigene Regler.
Ausgabeformat
output_format wählt mp3 (Standard) oder opus, eine Ogg-Opus-Datei, die bei gleicher Qualität kleiner ist, und sample_rate reicht von 8000 bis 48000 Hz. Nichts davon ändert den Preis.
Sprache
Die Sprache wird aus dem Skript erkannt. language erzwingt zh, en, ja, es-mx, id, pt-br, ko, it, de oder fr, wenn ein kurzes oder gemischtsprachiges Skript in der falschen Sprache vorgelesen wird.
Abrechnung
Abgerechnet pro 1.000 Zeichen von text, einschließlich Leerzeichen, Satzzeichen und Zeilenumbrüchen; instructions ist kostenlos. 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 wurden selbst die stärksten Skripte Wort für Wort vertont, ohne dass etwas übersprungen oder ein Clip vorzeitig beendet wurde.
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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "bytedance/seed-speech-2.0/text-to-speech",
"input": {
"text": "Welcome back. Your files finished rendering a minute ago and are ready to download.",
"voice_id": "stokie_en",
"output_format": "mp3"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Authentifizierung, vollständiges Schema, Polling und Fehlerbehandlung stehen in der API-Referenz.