Introduzione
Invia il testo da leggere e, facoltativamente, una delle 30 voci, un accento, uno stile, un ritmo, una scena e una breve nota sull’interpretazione; per una conversazione, invia dialogo e parlanti al posto del testo. L’attività restituisce un file WAV (24 kHz, 16 bit, mono) con lo script letto in quella voce, o in al massimo due voci per un dialogo, di solito in pochi secondi. Modella la lettura con la punteggiatura; i suggerimenti tra parentesi quadre come [sighs] non vengono eseguiti in modo affidabile e a volte vengono letti ad alta voce. SpicyAPI non applica alcun filtro dei contenuti, quindi ogni script viene letto come scritto. Si fattura per secondo di audio restituito.
| Campo | Valore |
|---|---|
| Input | Testo |
| Output | Audio |
| Campo obbligatorio | text (da 1 a 5.000 caratteri) o dialogue (fino a 20 battute) |
| Campi opzionali |
|
| Risultato | Un file WAV, 24 kHz, 16 bit, mono |
| Clip più lunga | 16.384 token audio |
| Quantità fatturata | Secondi di audio restituito, misurati dal file |
| Conservazione | L'audio generato viene conservato per 14 giorni |
Parametri della richiesta
| Parametro | Obbligatorio | Nota |
|---|---|---|
text | No | Le parole da pronunciare, esattamente come scritte. almeno 1 caratteri · al massimo 5000 caratteri |
dialogue | No | Un dialogo con copione per un massimo di due voci, al posto di text: fino a 20 battute, ognuna con speaker (un nome preso da speakers) e un text di massimo 250 caratteri. almeno 1 elementi · al massimo 20 elementi |
speakers | No | Il cast di dialogue: una o due voci, ognuna con un name a cui fanno riferimento le battute, un |
voice_id | No | Una delle 30 voci predefinite, ciascuna con un carattere fisso. Il default è Kore. |
style | No | Modo generale della lettura. Lascialo vuoto per usare il modo predefinito della voce. |
pace | No | Ritmo della lettura: natural, |
accent | No | Accento inglese usato per la lettura. Se non lo imposti, si usa l'accento naturale della voce. |
instructions | No | Indicazione libera su come leggere: ritmo, stato d'animo, distanza dal microfono, ascoltatore. Plasma l'interpretazione e non viene pronunciata. al massimo 1000 caratteri |
scene | No | Dove e a chi vengono dette le parole, per esempio “una stanza d'albergo silenziosa dopo mezzanotte”. Orienta l'interpretazione e non viene letto. al massimo 500 caratteri |
temperature | No | Variazione tra le prove, da 0 a 2: valori più alti rendono l'interpretazione meno prevedibile. Se non lo imposti, si usa il valore predefinito del modello. |
Prezzi
$0.00021 / secondo
Fatturato per ogni secondo di audio restituito. Viene trattenuto un importo pari a 660 secondi mentre il task è in esecuzione, e la parte non utilizzata viene rilasciata quando l'audio viene misurato.
Casi d’uso
Narrazione ad alto volume
Testi di prodotto, script di lezioni, letture di articoli e lotti di battute brevi dove il tempo di generazione e il costo contano più della sfumatura recitativa.
Voci per personaggi e compagni virtuali
Dai a un personaggio di chat una voce tutta sua e rispondi in pochi secondi. Frasi brevi in stile parlato e una punteggiatura curata trasmettono gran parte del tono.
Storie audio senza censura
Gli script passano senza filtro dei contenuti. Nei nostri test il modello ha pronunciato ogni parola dei monologhi più audaci e delle scene narrate che abbiamo inviato, senza saltare nulla né interrompere la clip.
Tracce vocali per video
Genera qui la battuta, poi passa il WAV a un modello di avatar parlante o di lip-sync perché un volto la interpreti. La durata dell'audio determina la durata della clip a valle.
Consigli avanzati
Invia lo script come testo
Scrivilo esattamente come deve essere pronunciato, inclusa la punteggiatura per le pause. Fino a 5.000 caratteri.
Scegli una voce
voice_idpredefinita è Kore. Ognuna delle 30 voci ha un carattere fisso, quindi scegline una e mantienila per tutta una serie.Scrivi i suoni come suoni
Per sospiri, risate o gemiti, scrivili per esteso — "Mmm…", "ha…", "ahh…" — invece di usare i tag tra parentesi quadre, che questo modello a volte legge ad alta voce.
Cosa restituisce
Un file WAV per ogni task: 24 kHz, 16 bit, PCM mono. Il file viene copiato nello storage di SpicyAPI e conservato per 14 giorni. Nel risultato non ci sono timing per parola né sottotitoli.
Scegliere una voce
voice_id accetta una delle 30 voci predefinite e il default è Kore. Ogni voce ha un carattere fisso — ad esempio Kore ferma, Charon informativa, Puck brillante, Enceladus ansimante, Achernar morbida, Algenib roca, Sulafat calda, Gacrux matura. La voce non cambia in base alla lingua dello script.
Modellare la lettura
Oltre a text e voice_id, queste impostazioni plasmano la lettura:
style,accentepacefissano modo, accento inglese e ritmo; se li ometti, la voce mantiene i suoi.instructionsaccoglie testo libero su come leggere, escenedice dove e a chi vengono dette le parole. Nessuno dei due viene letto.temperature(0–2) stabilisce quanto varia la resa tra una prova e l'altra.
La punteggiatura regge ancora buona parte della resa: virgole e puntini di sospensione la rallentano, le frasi brevi la rendono più colloquiale.
Le indicazioni tra parentesi quadre come [sighs] non vengono interpretate in modo affidabile — nei nostri test il modello a volte leggeva ad alta voce la parola tra parentesi. Scrivi invece i suoni per esteso ("Mmm…", "ahh…"). Se le indicazioni interpretate contano, usa Gemini 3.8 Flash TTS.
Su questo modello, la regia inviata per una sola voce può essere letta all'inizio della clip. Per questo, quando una richiesta a una sola voce contiene style, accent, pace, instructions o scene, SpicyAPI la invia nel formato a due speaker del modello con un secondo speaker muto, che tiene le note fuori dall'audio. La fatturazione non cambia: paghi i secondi restituiti.
Due voci in una clip
Per una conversazione, invia dialogue al posto di text, insieme a speakers con il cast: una o due voci, ognuna con un name, un voice_id e, facoltativi, accent, style, pace e profile, una breve descrizione di chi parla che non viene letta. Ogni battuta di dialogue è {speaker, text}, dove speaker è uno di quei nomi; le battute vengono recitate in ordine, fino a 20 battute da 250 caratteri ciascuna. Ciò che una voce non imposta viene preso da accent, style e pace di primo livello. L'intera conversazione torna come un unico file WAV, pagato al secondo come qualsiasi altra richiesta.
Lunghezza e tempi
text accetta fino a 5.000 caratteri. Un paragrafo di 270 caratteri, nei nostri test, ha prodotto 22–26 secondi di audio, e il task mediano terminava la generazione in circa 7 secondi. Il modello si ferma a 16.384 token audio per clip.
Fatturazione
Fatturato per ogni secondo di audio restituito, misurato dal file. Mentre il task è in esecuzione, viene trattenuto un importo pari a 660 secondi sul tuo saldo, e la parte non utilizzata viene rilasciata quando il task si conclude. Le richieste fallite non vengono addebitate.
Contenuto
SpicyAPI non aggiunge alcun filtro dei contenuti. Nei nostri test ogni script è stato letto parola per parola, compresi i più audaci, senza saltare nulla e senza clip interrotte prima del tempo.
SpicyAPI non aggiunge alcun filtro sui contenuti: gli script NSFW vengono letti così come sono scritti. Sei responsabile degli script che invii e di come usi l'audio risultante, incluso non farlo passare per le parole di una persona reale.
Avvio rapido dell’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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "google/gemini-3.8-flash-lite-tts/text-to-speech",
"input": {
"text": "Welcome back. Your files finished rendering a minute ago and are ready to download.",
"voice_id": "Kore"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Nel riferimento dell’API trovi autenticazione, schema completo, polling e gestione degli errori.
