Wprowadzenie
Wyślij do 1000 znaków angielskiego tekstu oraz opcjonalnie informację, jak ekspresyjny, zróżnicowany i ściśle prowadzony ma być odczyt. Zadanie zwraca jeden plik WAV (24 kHz, 16 bitów, mono) odczytany wbudowanym głosem Chatterbox albo głosem z krótkiego klipu wysłanego w reference_audio_url. Znaczniki takie jak są odczytywane na głos, dlatego zamiast nich zapisz dźwięki fonetycznie. SpicyAPI nie stosuje filtra treści: skrypty bez filtra są czytane dokładnie tak, jak napisano. Każde żądanie kosztuje tyle samo.
| Pole | Wartość |
|---|---|
| Wejście | Tekst |
| Wyjście | Audio |
| Pole wymagane | text — od 1 do 1000 znaków po angielsku |
| Pola opcjonalne | exaggeration (0–1), temperature (0,05–2), |
| Wynik | Jeden plik WAV, 24 kHz, 16 bitów, mono |
| Głos | Wbudowany głos albo sklonowany z |
| Rozliczana ilość | Stała opłata za żądanie |
| Przechowywanie | Wygenerowane nagranie jest przechowywane przez 14 dni |
Parametry żądania
| Parametr | Wymagane | Uwaga |
|---|---|---|
text | Tak | Do 1000 znaków angielskiego tekstu, odczytywanych dokładnie tak, jak zostały napisane. Znaczniki takie jak są odczytywane na głos; zamiast nich zapisz dźwięki fonetycznie. od 1 znaków · do 1000 znaków |
reference_audio_url | Nie | Opcjonalny klip MP3 lub WAV z głosem do naśladowania: prześlij go albo podaj publiczny URL. Odczyt przejmuje barwę głosu z tego klipu; słowa z klipu nie są powtarzane. od 1 znaków |
exaggeration | Nie | Jak emocjonalny jest odczyt, od 0 (płaski) do 1 (dramatyczny). Wartość domyślna: 0,5. |
temperature | Nie | Zróżnicowanie między podejściami, od 0,05 do 2. Wartość domyślna: 0,7. |
guidance_scale | Nie | Jak ściśle odczyt trzyma się naturalnego tempa tekstu, od 0,1 do 1. Wartość domyślna: 0,5; obniż ją, aby spowolnić zbyt szybki odczyt. |
Cennik
$0.036 / żądanie
Stała opłata za żądanie obejmujące do 1000 znaków.
Zastosowania
Kwestie do gier i animacji
Krótkie, wyraziste kwestie postaci, w których energia liczy się bardziej niż dobór barwy głosu. Podnieś exaggeration przy krzyku, śmiechu lub zadyszanych kwestiach.
Głosy prototypowe
Nadaj głos demo, storyboardowi lub chatbotowi, zanim wybierzesz docelowy głos — w stałej cenie za linijkę.
Nieocenzurowane historie audio
Skrypty bez filtra są czytane tak, jak napisano. W naszych testach model wypowiadał każde słowo wysłanych monologów i narracji, także zapisane słownie dźwięki.
Ścieżki głosowe do wideo
Wygeneruj tutaj kwestię, a następnie przekaż plik WAV do modelu mówiącego awatara lub lip-syncu, by twarz ją odegrała.
Wskazówki
Wyślij skrypt jako tekst
Do 1000 znaków angielskiego tekstu, z interpunkcją wyznaczającą pauzy. Śmiech i westchnienia zapisuj słownie: znaczniki są odczytywane na głos.
Ustaw energię
Domyślna wartość exaggeration to 0,5. Podnieś ją przy kwestiach dramatycznych lub zadyszanych, obniż przy spokojnej narracji.
Dostrój w razie potrzeby
Obniż
guidance_scale, aby spowolnić zbyt szybki odczyt; podnieś temperature, aby uzyskać większą różnorodność między podejściami.
Co zwraca
Jeden plik WAV na zadanie: 24 kHz, 16 bitów, mono PCM. Plik jest kopiowany do zasobów SpicyAPI i przechowywany przez 14 dni. Wynik nie zawiera znaczników czasowych dla poszczególnych słów ani napisów.
O głosie
Chatterbox to otwartoźródłowy angielski model od Resemble AI (licencja MIT). Bez odniesienia czyta wbudowanym głosem; listy głosów nie ma. Wyślij w reference_audio_url krótki klip MP3 lub WAV, aby sklonować głos: odczyt przejmuje barwę klipu, a nie jego słowa. Najlepiej sprawdza się kilka sekund jednego czystego głosu, bez muzyki, a do głosu trzeba mieć prawa.
Sterowanie
exaggeration(0–1, domyślnie 0,5): jak emocjonalny jest odczyt.temperature(0,05–2, domyślnie 0,7): zróżnicowanie między podejściami.guidance_scale(0,1–1, domyślnie 0,5): jak ściśle odczyt trzyma się tempa tekstu; wartość około 0,3 spowalnia szybką, dramatyczną wymowę.
W naszych testach znaczniki takie jak <laugh>, <sigh> czy [gasp] były odczytywane na głos jako słowa. Zamiast nich zapisz dźwięki fonetycznie: „ha…”, „mmm…”, „ahh…”.
Długość
text przyjmuje do 1000 znaków. W naszych testach akapit liczący 270 znaków dał około 15 sekund audio; większość zadań kończyła się w 10–30 sekund.
Rozliczenie
Stała opłata za żądanie. Nieudane żądania nie są obciążane opłatą.
Treść
SpicyAPI nie dodaje żadnego filtra treści. W naszych testach skrypty bez filtra były czytane słowo w słowo, bez pomijania czegokolwiek i bez przedwczesnego kończenia klipów.
SpicyAPI nie dodaje filtra treści: skrypty są czytane tak, jak napisano, bez żadnego łagodzenia. Odpowiadasz za wysyłane skrypty oraz za sposób wykorzystania powstałego nagrania, w tym za to, by nie przedstawiać go jako wypowiedzi prawdziwej osoby.
Szybki start z 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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "resemble-ai/chatterbox-v1/text-to-speech",
"input": {
"text": "Welcome back. Your files finished rendering a minute ago and are ready to download."
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Uwierzytelnianie, pełny schemat, odpytywanie i obsługę błędów opisuje dokumentacja API.