Introducción
Envía el texto a leer, una voz del sistema, una emoción y, opcionalmente, una pista de idioma. La tarea devuelve un archivo de audio con el guion leído en esa voz y emoción: un MP3 mono de 32 kHz, salvo que definas output_format, sample_rate, bitrate o audio_channels. speed, pitch y volume ajustan la interpretación, y pronunciation_dict fija cómo se leen palabras concretas. Las pistas de sonido entre paréntesis, como (sighs) o (laughs), colocadas en el texto se ejecutan como sonidos, no se leen en voz alta. SpicyAPI no aplica ningún filtro de contenido; el guion se lee exactamente como se envió. Se cobra por cada 1.000 caracteres del texto enviado.
| Campo | Valor |
|---|---|
| Entrada | Texto |
| Salida | Audio |
| Campo obligatorio | text — de 1 a 5.000 caracteres |
| Campos opcionales |
|
| Resultado | Un archivo de audio: MP3 (32 kHz, mono) por defecto, o WAV, FLAC, PCM |
| Cantidad cobrada | Caracteres de text enviados, por cada 1.000 |
| Tiempo típico | Unos 8 segundos para 300 caracteres |
| Retención | El audio generado se conserva 14 días |
Parámetros de la solicitud
| Parámetro | Obligatorio | Descripción |
|---|---|---|
text | Sí | Las palabras que se van a pronunciar, exactamente como están escritas. mínimo 1 caracteres · máximo 5000 caracteres |
voice_id | No | Una de 472 voces del sistema. Por defecto, Calm_Woman. |
emotion | No | Una de siete emociones fijas —neutral, happy, sad, angry, fearful, disgusted o surprised— aplicada a toda la lectura. Por defecto, neutral. |
speed | No | Velocidad del habla de 0.5 (más lenta) a 2 (más rápida); 1 es el ritmo normal de la voz. No cambia el precio. |
pitch | No | Desplazamiento de tono en semitonos, de -12 a 12; 0 mantiene el tono propio de la voz. No cambia el precio. |
volume | No | Multiplicador de volumen de 0.1 a 10; 1 es el nivel normal. No cambia el precio. |
language | No | Una indicación que mejora la pronunciación para uno de 40 idiomas. Por defecto, auto, que detecta el idioma a partir del guion. |
output_format | No | Formato de archivo: mp3 (predeterminado), wav, flac o pcm, es decir, muestras de 16 bits little-endian sin encabezado con el |
sample_rate | No | Frecuencia de muestreo del audio en Hz: 8000, 16000, 22050, 24000, 32000, 44100. Predeterminado: 32000. |
bitrate | No | Tasa de bits del MP3 en bits por segundo: 32000, 64000, 128000 o 256000. Predeterminado: 128000; solo se aplica cuando |
audio_channels | No | Canales de salida: mono (predeterminado) o stereo. No cambia el precio. |
english_normalization | No | Si está activado, los números, fechas y abreviaturas de un texto en inglés se leen como los diría una persona, por ejemplo 1990 como “nineteen ninety”. Desactivado por defecto. Valor predeterminado: |
pronunciation_dict | No | Hasta 100 pares {alias, pronunciation}. Cada aparición de alias en text se lee como pronunciation: palabras normales (Omg → Oh my god) o AFI entre paréntesis como (rɪˈzjuːm). máximo 100 elementos |
Precios
$0.072 / 1.000 caracteres
Se cobra por cada 1.000 caracteres del texto enviado, contando espacios y signos de puntuación. El costo mostrado antes de ejecutar la solicitud es el precio final.
Casos de uso
Locuciones para videos cortos
Narración para videos explicativos, clips de producto y publicaciones sociales. El precio queda fijado por la longitud del guion, así que sabes cuánto costará un lote antes de empezar.
Contenido multilingüe
Lee el mismo guion indicando un idioma entre los 40 admitidos, o deja language en auto y que el guion decida.
Historias de audio sin censura
No hay ningún filtro de contenido sobre el guion. En nuestras pruebas, el modelo pronunció cada palabra de los monólogos más atrevidos y de las escenas narradas que probamos, ejecutando las pistas de respiración y sonido en lugar de leerlas en voz alta.
Lecturas de personajes con emoción
Define una de siete emociones por solicitud —happy, sad, angry, fearful, disgusted o surprised— y deja que las etiquetas (sighs), (laughs) o (breath) en el guion moldeen la interpretación.
Guía de prompts y consejos prácticos
Envía el guion en text
Escríbelo exactamente como debe pronunciarse, con puntuación para las pausas y etiquetas de sonido como (sighs) entre paréntesis donde quieras que se interpreten. Hasta 5.000 caracteres.
Elige una voz y una emoción
voice_idtoma por defecto Calm_Woman; emotion toma por defecto neutral y admite uno de siete valores fijos.Agrega un idioma si lo necesitas
Deja language en auto para detectarlo a partir del guion, o define uno de los 40 idiomas cuando un guion corto o mixto necesite ayuda con la pronunciación.
Qué devuelve
Un archivo de audio por tarea: un MP3 mono de 32 kHz salvo que cambies output_format, sample_rate, bitrate o audio_channels. El archivo se copia al almacenamiento de SpicyAPI y se conserva 14 días.
Elegir una voz
voice_id toma una de 472 voces del sistema, como Calm_Woman, Deep_Voice_Man, Lively_Girl o Elegant_Man, y por defecto usa Calm_Woman. No hay clonación ni carga de una voz de referencia.
Definir una emoción
emotion toma uno de siete valores fijos —neutral, happy, sad, angry, fearful, disgusted o surprised— y se aplica a toda la lectura. Por defecto es neutral.
Etiquetas de sonido
Las etiquetas entre paréntesis dentro de text, como (sighs), (laughs), (breath) o (gasps), se ejecutan como sonidos en lugar de leerse en voz alta. En nuestras pruebas, esto se cumplió tanto en los guiones más atrevidos como en los normales.
Idioma
El idioma se detecta a partir del guion. language indica uno de 40 idiomas, entre ellos mandarín, cantonés, inglés, árabe, ruso, español, francés, portugués, alemán, japonés, italiano, coreano, polaco y más, para mejorar la pronunciación de un guion corto o mixto.
Controlar la interpretación
speed (0.5–2), pitch (-12 a 12 semitonos) y volume (0.1–10) ajustan la lectura sin cambiar el precio. pronunciation_dict acepta hasta 100 pares {alias, pronunciation} para que un nombre, una sigla o un préstamo se lea siempre como quieres: con palabras normales o en AFI entre paréntesis. english_normalization lee los números, fechas y abreviaturas de un texto en inglés como los diría una persona.
Formato de salida
output_format elige mp3 (predeterminado), wav, flac o pcm; sample_rate va de 8000 a 44100 Hz, bitrate fija la tasa de bits del MP3 y audio_channels cambia a estéreo. pcm son muestras de 16 bits little-endian sin encabezado, así que no se puede escuchar en el navegador; elige wav si quieres las mismas muestras en un archivo reproducible.
Cobro
Se cobra por cada 1.000 caracteres de text, contando espacios, signos de puntuación y saltos de línea. La cantidad de caracteres se conoce antes de que empiece la tarea, así que el costo mostrado es el cobro final. Las solicitudes fallidas no se cobran.
Contenido
SpicyAPI no añade ningún filtro de contenido. En nuestras pruebas, cada guion, por fuerte que fuera, se leyó palabra por palabra, con las etiquetas de sonido ejecutadas tal como se escribieron y sin saltarse nada.
SpicyAPI no aplica ningún filtro de contenido: los guiones NSFW se leen tal como están escritos. Eres responsable de los guiones que envías 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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "minimax/speech-2.8-turbo/text-to-speech",
"input": {
"text": "Welcome back. Your files finished rendering a minute ago and are ready to download.",
"emotion": "neutral",
"language": "auto",
"voice_id": "Calm_Woman",
"output_format": "mp3"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Consulta la referencia de la API para autenticación, el esquema completo, sondeo y gestión de errores.
