Introduzione
Invia il testo da leggere e, facoltativamente, una voce, una lingua, una velocità e un formato di output. L’attività restituisce un file audio — MP3 a 24 kHz per impostazione predefinita — con lo script letto in quella voce. I tag di parlato scritti nel testo, come [laugh] o …, vengono eseguiti invece di essere letti. SpicyAPI non applica alcun filtro dei contenuti e gli script vengono letti come scritti. Si fattura ogni 1.000 caratteri del testo inviato.
| Campo | Valore |
|---|---|
| Input | Testo |
| Output | Audio |
| Campo obbligatorio | text — da 1 a 15.000 caratteri, tag vocali ammessi |
| Campi facoltativi |
|
| Risultato | Un file audio; MP3, 24 kHz, 128 kbps, mono di default |
| Quantità fatturata | Caratteri del testo inviato, ogni 1.000, tag inclusi |
| Tempo tipico | Da 3 a 8 secondi per 170–320 caratteri |
| Conservazione | L'audio generato viene conservato per 14 giorni |
Parametri della richiesta
| Parametro | Obbligatorio | Nota |
|---|---|---|
text | Sì | Le parole da pronunciare, esattamente come scritte, con tag vocali facoltativi come [laugh] o …. Da 1 a 15.000 caratteri. almeno 1 caratteri · al massimo 15000 caratteri |
voice_id | No | Una delle 71 voci predefinite, indicate con nome, genere e lingua. Eve (default), Ara, Leo, Rex e Sal parlano tutte le lingue supportate; le altre sono tarate su una lingua. |
language | No | La lingua di lettura come codice di lingua, oppure auto (default) per rilevarla dal copione. Impostala quando un copione breve o in più lingue viene letto nella lingua sbagliata. |
speed | No | Velocità del parlato da 0,7 (più lenta) a 1,5 (più veloce); default 1,0. Non cambia il prezzo. |
output_format | No | Codifica audio: mp3 (default), wav, oppure i flussi senza intestazione pcm, mulaw e alaw per la telefonia. Non cambia il prezzo. |
sample_rate | No | Frequenza di campionamento in Hz: 8000, 16000, 22050, 24000 (default), 44100 o 48000. Usa 8000 con mulaw o alaw per le linee telefoniche, 44100 o 48000 per il lavoro in studio. |
bitrate | No | Bitrate MP3 in bit al secondo: da 32000 a 192000, default 128000. Vale solo quando |
text_normalization | No | Se attivo, le forme scritte come numeri, abbreviazioni e simboli vengono convertite nella forma parlata prima della lettura. Disattivato di default. Predefinito: |
optimize_streaming_latency | No | Livello di latenza di streaming del modello: 0 (default) mantiene la migliore qualità audio; 1 usa un primo blocco audio più piccolo per far arrivare prima il suono, con una lie… |
Prezzi
$0.018 / 1.000 caratteri
Fatturato ogni 1.000 caratteri del testo inviato, contando spazi, punteggiatura e tag vocali. Il preventivo prima dell'avvio è il prezzo finale.
Casi d’uso
Messaggi vocali e app di compagnia
Un inciso sussurrato, una risata al momento giusto, un respiro prima della battuta successiva: tutto scritto nel copione come tag, così l'interpretazione fa parte del testo che salvi e riproduci.
Audiolibri e narrativa a puntate
Fino a 15.000 caratteri per richiesta, una voce narrante che resta la stessa da un capitolo all’altro e un cursore di velocità per una lettura serale più lenta. Nessun capitolo viene filtrato o attenuato lungo il percorso.
Narrazione multilingue
Fai leggere lo stesso copione in inglese, giapponese, francese, coreano, arabo e altre lingue, con una delle cinque voci multilingue o con una voce madrelingua per ciascuna lingua.
Linee telefoniche e menu vocali
Chiedi μ-law o A-law a 8 kHz e l'audio arriva nel formato che un sistema telefonico riproduce direttamente, senza passaggi di conversione.
Consigli avanzati
Scrivi il copione in text
Fino a 15.000 caratteri. Metti [pause], [laugh], [breath] o … esattamente dove li vuoi; la punteggiatura dà il ritmo.
Scegli una voce e una lingua
voice_idè eve di default. Eve, Ara, Leo, Rex e Sal parlano tutte le lingue supportate; le altre voci sono tarate su una sola. Lascia language su auto, a meno che un copione breve o in più lingue non venga letto nella lingua sbagliata.Imposta ritmo e formato
speed va da 0,7 a 1,5. Lascia
output_formatsu mp3 per l'ascolto, scegli wav per il montaggio, oppure pcm, mulaw e alaw a 8 kHz per la telefonia.
Cosa restituisce
Un file audio per task: MP3 a 24 kHz, 128 kbps, mono, salvo richieste diverse. Il file viene copiato nello storage di SpicyAPI e conservato per 14 giorni. Il risultato non contiene tempi per parola né sottotitoli.
Scegliere una voce
voice_id accetta una delle 71 voci predefinite; il default è eve. Eve, Ara, Leo, Rex e Sal parlano tutte le lingue supportate. Le altre 66 sono tarate ciascuna su una lingua — mandarino, russo, italiano, hindi, francese, spagnolo, danese, vietnamita, inglese, svedese, finlandese, turco, giapponese, coreano, portoghese, olandese, polacco, thailandese, arabo o tedesco — e leggono al meglio in quella. Il modulo elenca ogni voce con nome, genere e lingua.
Dirigere l'interpretazione con i tag
Scrivi l'interpretazione in text. I tag singoli producono un suono in quel punto: [pause], [long-pause], [hum-tune], [laugh], [chuckle], [giggle], [cry], [tsk], [tongue-click], [lip-smack], [breath], [inhale], [exhale], [sigh]. I tag che racchiudono il testo cambiano le parole al loro interno: <soft>, <whisper>, <loud>, <build-intensity>, <decrease-intensity>, <higher-pitch>, <lower-pitch>, <slow>, <fast>, <sing-song>, <singing>, <laugh-speak>, <emphasis>. I tag che abbiamo provato sono stati interpretati e mai letti come parole.
Velocità, lingua e formato
speed va da 0,7 a 1,5. language viene rilevata se resta su auto; impostala quando un copione breve o in più lingue viene letto nella lingua sbagliata. output_format è mp3 di default; wav va bene per il montaggio, e pcm, mulaw e alaw sono flussi senza intestazione per la telefonia: abbinali a sample_rate 8000. bitrate riguarda solo l'MP3. optimize_streaming_latency (0, 1 o 2) è il livello di latenza di streaming del modello: più è alto, più il primo blocco audio è piccolo, con possibile perdita di qualità nei punti di giunzione; 0 mantiene la migliore qualità.
Fatturazione
Fatturato ogni 1.000 caratteri di text, contando spazi, punteggiatura, a capo e tag. Il conteggio è noto prima dell'avvio del task, quindi il preventivo è l'importo finale. Voce, lingua, velocità e formato non cambiano il prezzo. Le richieste non riuscite non vengono fatturate.
Contenuti
SpicyAPI non aggiunge alcun filtro dei contenuti. Nei nostri test gli script più forti che abbiamo inviato sono stati letti parola per parola, senza saltare nulla e senza clip tagliate.
SpicyAPI non aggiunge filtri sui contenuti: i copioni NSFW vengono letti così come sono scritti. Sei responsabile dei copioni che invii e dell'uso dell'audio ottenuto, compreso non spacciarlo 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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "xai/grok-tts/text-to-speech",
"input": {
"text": "Welcome back. Your files finished rendering a minute ago and are ready to download.",
"bitrate": 128000,
"language": "auto",
"voice_id": "eve",
"sample_rate": 24000,
"output_format": "mp3"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Nel riferimento dell’API trovi autenticazione, schema completo, polling e gestione degli errori.
