Introduzione
Invia il testo da leggere, una voce di sistema, un’emozione e, facoltativamente, un suggerimento di lingua. L’attività restituisce un file audio con lo script letto in quella voce e con quell’emozione: un MP3 mono a 32 kHz, a meno che non imposti output_format, sample_rate, bitrate o audio_channels. speed, pitch e volume regolano l’interpretazione e pronunciation_dict fissa la pronuncia di parole specifiche. I tag sonori tra parentesi, come (sighs) o (laughs), inseriti nel testo vengono eseguiti come suoni, non letti ad alta voce. SpicyAPI non applica alcun filtro dei contenuti; lo script viene letto esattamente come inviato. Si fattura ogni 1.000 caratteri del testo inviato.
| Campo | Valore |
|---|---|
| Input | Testo |
| Output | Audio |
| Campo obbligatorio | text — da 1 a 5.000 caratteri |
| Campi facoltativi |
|
| Risultato | Un file audio: MP3 (32 kHz, mono) per impostazione predefinita, oppure WAV, FLAC, PCM |
| Quantità fatturata | Caratteri di text inviati, ogni 1.000 |
| Tempo tipico | Circa 8 secondi per 300 caratteri |
| Conservazione | L'audio generato viene conservato per 14 giorni |
Parametri della richiesta
| Parametro | Obbligatorio | Nota |
|---|---|---|
text | Sì | Le parole da pronunciare, esattamente come sono scritte. I tag sonori tra parentesi come (sighs) o (laughs) vengono interpretati come suoni, non letti ad alta voce. almeno 1 caratteri · al massimo 5000 caratteri |
voice_id | No | Una delle 472 voci di sistema. Valore predefinito: Calm_Woman. |
emotion | No | Una delle sette emozioni fisse — neutral, happy, sad, angry, fearful, disgusted o surprised — applicata all'intera lettura. Valore predefinito: neutral. |
speed | No | Velocità del parlato da 0,5 (più lenta) a 2 (più veloce); 1 è il ritmo normale della voce. Non cambia il prezzo. |
pitch | No | Spostamento dell'intonazione in semitoni, da -12 a 12; 0 mantiene l'altezza naturale della voce. Non cambia il prezzo. |
volume | No | Moltiplicatore del volume da 0,1 a 10; 1 è il livello normale. Non cambia il prezzo. |
language | No | Un'indicazione che migliora la pronuncia per una delle 40 lingue. Valore predefinito: auto, che rileva la lingua dallo script. |
output_format | No | Formato del file: mp3 (predefinito), wav, flac oppure pcm, cioè campioni grezzi a 16 bit little-endian senza intestazione, al |
sample_rate | No | Frequenza di campionamento dell'audio in Hz: 8000, 16000, 22050, 24000, 32000, 44100. Valore predefinito: 32000. |
bitrate | No | Bitrate dell'MP3 in bit al secondo: 32000, 64000, 128000 o 256000. Valore predefinito: 128000; vale solo quando |
audio_channels | No | Canali in uscita: mono (predefinito) o stereo. Non cambia il prezzo. |
english_normalization | No | Se attivo, numeri, date e abbreviazioni nel testo inglese vengono letti come li direbbe una persona, per esempio 1990 come “nineteen ninety”. Predefinito: |
pronunciation_dict | No | Fino a 100 coppie {alias, pronunciation}. al massimo 100 elementi |
Prezzi
$0.072 / 1.000 caratteri
Fatturato ogni 1.000 caratteri del testo inviato, contando spazi e punteggiatura. Il preventivo mostrato prima dell'esecuzione è il prezzo finale.
Casi d’uso
Voci fuori campo per video brevi
Narrazione per video esplicativi, clip di prodotto e post social. Il prezzo è fissato dalla lunghezza dello script, quindi sai quanto costerà un batch prima di iniziare.
Contenuti multilingue
Leggi lo stesso script indicando una lingua tra le 40 supportate, oppure lascia language su auto e lascia decidere allo script.
Storie audio senza censura
Non c’è alcun filtro dei contenuti sullo script. Nei nostri test il modello ha pronunciato ogni parola dei monologhi più audaci e delle scene narrate che abbiamo provato, eseguendo le indicazioni di respiro e di suono invece di leggerle ad alta voce.
Letture di personaggi con emozione
Imposta una delle sette emozioni per richiesta — happy, sad, angry, fearful, disgusted o surprised — e lascia che i tag (sighs), (laughs) o (breath) nello script modellino l'interpretazione.
Consigli avanzati
Invia lo script in text
Scrivilo esattamente come deve essere pronunciato, con la punteggiatura per le pause e i tag sonori come (sighs) tra parentesi dove vuoi che vengano interpretati. Fino a 5.000 caratteri.
Scegli voce ed emozione
voice_idha come valore predefinito Calm_Woman; emotion ha come valore predefinito neutral e accetta uno dei sette valori fissi.Aggiungi un'indicazione di lingua se serve
Lascia language su auto per rilevarla dallo script, oppure imposta una delle 40 lingue quando uno script breve o misto ha bisogno di aiuto con la pronuncia.
Cosa restituisce
Un file audio per task: un MP3 mono a 32 kHz, salvo che tu cambi output_format, sample_rate, bitrate o audio_channels. Il file viene copiato nello storage di SpicyAPI e conservato per 14 giorni.
Scegliere una voce
voice_id accetta una delle 472 voci di sistema, come Calm_Woman, Deep_Voice_Man, Lively_Girl o Elegant_Man, e ha come valore predefinito Calm_Woman. Non è previsto alcun clonaggio né il caricamento di una voce di riferimento.
Impostare un'emozione
emotion accetta uno dei sette valori fissi — neutral, happy, sad, angry, fearful, disgusted o surprised — e si applica all'intera lettura. Il valore predefinito è neutral.
Tag sonori
I tag tra parentesi all’interno di text, come (sighs), (laughs), (breath) o (gasps), vengono eseguiti come suoni invece di essere letti ad alta voce. Nei nostri test questo ha tenuto sia per gli script più audaci sia per quelli normali.
Lingua
La lingua viene rilevata dallo script. language indica una delle 40 lingue, tra cui mandarino, cantonese, inglese, arabo, russo, spagnolo, francese, portoghese, tedesco, giapponese, italiano, coreano, polacco e altre, per migliorare la pronuncia di uno script breve o misto.
Controllare l'interpretazione
speed (0,5–2), pitch (da -12 a 12 semitoni) e volume (0,1–10) regolano la lettura senza cambiare il prezzo. pronunciation_dict accetta fino a 100 coppie {alias, pronunciation}, così un nome, una sigla o un prestito viene letto sempre come vuoi tu: con parole normali o in IPA tra parentesi. english_normalization legge numeri, date e abbreviazioni nel testo inglese come li direbbe una persona.
Formato di output
output_format sceglie mp3 (predefinito), wav, flac o pcm; sample_rate va da 8000 a 44100 Hz, bitrate imposta il bitrate dell'MP3 e audio_channels passa allo stereo. pcm sono campioni grezzi a 16 bit little-endian senza intestazione, quindi non si possono ascoltare nel browser; scegli wav se vuoi gli stessi campioni in un file riproducibile.
Fatturazione
Fatturato ogni 1.000 caratteri di text, contando spazi, punteggiatura e interruzioni di riga. Il numero di caratteri è noto prima dell'inizio del task, quindi il preventivo corrisponde all'addebito finale. Le richieste fallite non vengono fatturate.
Contenuto
SpicyAPI non aggiunge alcun filtro dei contenuti. Nei nostri test ogni script, per quanto forte, è stato letto parola per parola, con i tag sonori eseguiti come scritti e senza saltare nulla.
SpicyAPI non applica 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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "minimax/speech-2.8-turbo/text-to-speech",
"input": {
"text": "Welcome back. Your files finished rendering a minute ago and are ready to download.",
"emotion": "neutral",
"language": "auto",
"voice_id": "Calm_Woman",
"output_format": "mp3"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Nel riferimento dell’API trovi autenticazione, schema completo, polling e gestione degli errori.
