Introducción
Envía el texto que se leerá y, si quieres, una de las 30 voces, un acento, un estilo, un ritmo, una escena y una nota breve sobre la interpretación; para una conversación, envía dialogue y speakers en lugar de text. La tarea devuelve un archivo WAV (24 kHz, 16 bits, mono) con el guion leído en esa voz, o en hasta dos voces si es un diálogo. Dentro del guion, las indicaciones entre corchetes como [whispering], [sighs] o [laughing] se actúan en lugar de leerse, y la puntuación marca las pausas. SpicyAPI no aplica ningún filtro de contenido: los guiones que la aplicación oficial bloquearía se leen tal como están escritos. Se cobra por segundo de audio devuelto.
| Campo | Valor |
|---|---|
| Entrada | Texto |
| Salida | Audio |
| Campo obligatorio | text (1 a 5.000 caracteres) o dialogue (hasta 20 líneas) |
| Campos opcionales |
|
| Resultado | Un archivo WAV, 24 kHz, 16 bits, mono |
| Clip más largo | 16.384 tokens de audio |
| Cantidad cobrada | Segundos de audio entregado, medidos a partir del archivo |
| Retención | El audio generado se conserva 14 días |
Parámetros de la solicitud
| Parámetro | Obligatorio | Descripción |
|---|---|---|
text | No | Las palabras que se van a pronunciar, exactamente como están escritas. Las indicaciones entre corchetes como [whispering] o [sighs] se interpretan, no se leen. mínimo 1 caracteres · máximo 5000 caracteres |
dialogue | No | Una conversación con guion para hasta dos voces, en lugar de text: hasta 20 líneas, cada una con speaker (un nombre de speakers) y text de hasta 250 caracteres. mínimo 1 elementos · máximo 20 elementos |
speakers | No | El reparto de dialogue: una o dos entradas, cada una con un name al que se refieren las líneas, un |
voice_id | No | Una de 30 voces predefinidas, cada una con un carácter fijo. El valor predeterminado es Kore. |
style | No | Manera general de la lectura. Déjalo vacío para usar la manera predeterminada de la voz. |
pace | No | Ritmo de la lectura: natural, |
accent | No | Acento del inglés para la lectura. Si no lo defines, se usa el acento propio de la voz. |
instructions | No | Indicación libre sobre cómo leer: ritmo, ánimo, distancia al micrófono y oyente. Da forma a la interpretación y no se pronuncia. máximo 1000 caracteres |
scene | No | Dónde y a quién se dicen las palabras, por ejemplo “una habitación de hotel en silencio pasada la medianoche”. Da forma a la interpretación y no se lee en voz alta. máximo 500 caracteres |
temperature | No | Variación entre tomas, de 0 a 2: los valores más altos hacen la interpretación menos predecible. Si no lo defines, se usa el valor predeterminado del modelo. |
Precios
$0.00032 / segundo
Se cobra por segundo de audio entregado. Se retiene un monto equivalente a 660 segundos mientras se ejecuta la tarea, y la parte no utilizada se libera al medir el audio.
Casos de uso
Audiolibros y narraciones extensas
Capítulos, cuentos para dormir y ficción por entregas leídos por un narrador constante. Elige una voz una vez y consérvala: la misma voz suena coherente de un capítulo a otro.
Voces de personajes y compañeros
Dale a un personaje de chat su propia voz. Una indicación [whispering] y frases breves con estilo hablado convierten texto plano en líneas que parecen pensadas para un solo oyente.
Historias de audio sin censura
Los guiones sin filtro se leen tal como están escritos. En nuestras pruebas el modelo pronunció cada palabra de los monólogos y las narraciones enviados, e interpretó las indicaciones entre corchetes, como suspiros y jadeos, en lugar de leer las etiquetas.
Pistas de voz para video
Genera la línea aquí y luego entrega el WAV a un modelo de avatar parlante o de sincronización labial para que un rostro la interprete. La duración del audio determina la duración del clip resultante.
Guía de prompts y consejos prácticos
Envía el guion en texto
Escríbelo exactamente como debe hablarse, incluida la puntuación para las pausas. Hasta 5.000 caracteres.
Elige una voz
voice_idusa Kore de forma predeterminada. Cada una de las 30 voces tiene un carácter fijo, así que elige una vez y consérvala para una serie.Escribe la dirección dentro del guion
Coloca las indicaciones entre corchetes justo donde deben ocurrir: [whispering], [sighs], [laughing], [gasping]. Se interpretan, no se leen en voz alta.
Qué devuelve
Un archivo WAV por tarea: 24 kHz, 16 bits, PCM mono. El archivo se copia al almacenamiento de SpicyAPI y se conserva 14 días. El resultado no incluye marcas de tiempo por palabra ni subtítulos.
Elegir una voz
voice_id acepta una de 30 voces predefinidas y usa Kore de forma predeterminada. Cada voz tiene un carácter fijo: por ejemplo, Kore firme, Charon informativa, Puck animada, Enceladus entrecortada, Achernar suave, Algenib ronca, Sulafat cálida, Gacrux madura. La voz no cambia según el idioma del guion.
Dirigir la interpretación
Además de text y voice_id, estos ajustes dan forma a la lectura:
style,accentypacefijan la manera, el acento del inglés y el ritmo; si los omites, la voz conserva los suyos.instructionsrecibe texto libre sobre cómo leer, yscenedice dónde y a quién se dicen las palabras. Ninguno de los dos se lee en voz alta.temperature(0–2) fija cuánto varía la interpretación entre tomas.
Dentro del propio text:
- Las indicaciones entre corchetes como
[whispering],[sighs],[laughing]o[gasping]se interpretan en lugar de leerse en voz alta. - Las comas, los puntos suspensivos y los puntos marcan las pausas.
En este modelo, la dirección enviada para una sola voz puede leerse en voz alta al comienzo del clip. Por eso, cuando una solicitud de una sola voz incluye style, accent, pace, instructions o scene, SpicyAPI la envía en el formato de dos hablantes del modelo con un segundo hablante en silencio, lo que deja las notas fuera del audio. El cobro no cambia: pagas por los segundos devueltos.
Dos voces en un clip
Para una conversación, envía dialogue en lugar de text, junto con speakers con el reparto: una o dos entradas, cada una con un name, un voice_id y, si quieres, accent, style, pace y profile, una breve descripción de quién habla que no se lee en voz alta. Cada línea de dialogue es {speaker, text}, donde speaker es uno de esos nombres; las líneas se interpretan en orden, hasta 20 líneas de 250 caracteres cada una. Lo que una entrada no defina se toma de accent, style y pace del nivel superior. Toda la conversación vuelve como un solo archivo WAV y se cobra por segundo, como cualquier otra solicitud.
Duración y tiempos
text acepta hasta 5.000 caracteres. En nuestras pruebas, un párrafo de 270 caracteres resultó en 20 a 24 segundos de audio. El modelo se detiene a los 16.384 tokens de audio por clip. La mayoría de las tareas terminan en menos de un minuto.
Cobro
Se cobra por segundo de audio entregado, medido a partir del archivo. Mientras la tarea se ejecuta, se retiene un monto equivalente a 660 segundos de tu saldo, y la parte no utilizada se libera cuando la tarea se liquida. Las solicitudes fallidas no se cobran.
Contenido
SpicyAPI no aplica ningún filtro de contenido. En nuestras pruebas, los guiones sin filtro se leyeron palabra por palabra, y las indicaciones entre corchetes, como suspiros y jadeos, se interpretaron en lugar de leerse.
SpicyAPI no añade ningún filtro de contenido: los guiones se leen tal como están escritos, sin suavizar nada. Eres responsable de los guiones que envíes y del uso que le des al audio resultante, incluido no presentarlo como las palabras de una persona real.
Inicio rápido de la API
# 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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "google/gemini-3.8-flash-tts/text-to-speech",
"input": {
"text": "Welcome back. Your files finished rendering a minute ago and are ready to download.",
"voice_id": "Kore"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Consulta la referencia de la API para autenticación, el esquema completo, sondeo y gestión de errores.
