Wprowadzenie
Wyślij tekst do odczytania i opcjonalnie jeden z 30 głosów, akcent, styl, tempo, scenę i krótką uwagę o sposobie wypowiedzi; w przypadku rozmowy wyślij dialog i mówców zamiast tekstu. Zadanie zwraca jeden plik WAV (24 kHz, 16 bitów, mono) z tekstem odczytanym tym głosem lub do dwóch głosów w dialogu, zwykle w ciągu sekund. Kształtuj czytanie interpunkcją; wskazówki w nawiasach kwadratowych, np. [sighs], nie są niezawodnie wykonywane i czasem są czytane na głos. SpicyAPI nie stosuje filtra treści, więc każdy skrypt jest czytany zgodnie z zapisem. Opłata jest naliczana za sekundę zwróconego dźwięku.
| Pole | Wartość |
|---|---|
| Wejście | Tekst |
| Wyjście | Audio |
| Pole wymagane | text (od 1 do 5000 znaków) lub dialogue (do 20 kwestii) |
| Pola opcjonalne |
|
| Wynik | Jeden plik WAV, 24 kHz, 16 bitów, mono |
| Najdłuższy klip | 16 384 tokeny audio |
| Rozliczana wielkość | Sekundy zwróconego audio, mierzone na podstawie pliku |
| Przechowywanie | Wygenerowane audio jest przechowywane przez 14 dni |
Parametry żądania
| Parametr | Wymagane | Uwaga |
|---|---|---|
text | Nie | Słowa do wypowiedzenia, dokładnie takie, jak zostały zapisane. od 1 znaków · do 5000 znaków |
dialogue | Nie | Rozpisany dialog maksymalnie dwóch głosów, używany zamiast text: do 20 kwestii, każda z speaker (imię z speakers) i text o długości do 250 znaków. Kwestie są odgrywane po kolei. od 1 elementów · do 20 elementów |
speakers | Nie | Obsada dla dialogue: jeden lub dwa wpisy, każdy z name, do którego odwołują się kwestie, |
voice_id | Nie | Jeden z 30 gotowych głosów, z których każdy ma stały charakter. Domyślnie Kore. |
style | Nie | Ogólny sposób mówienia. Zostaw puste, aby głos czytał w swoim domyślnym stylu. |
pace | Nie | Rytm odczytu: natural, |
accent | Nie | Angielski akcent używany podczas lektury. Bez ustawienia głos zachowuje własny akcent. |
instructions | Nie | Dowolna wskazówka do lektury: tempo, nastrój, odległość od mikrofonu, słuchacz. Kształtuje wykonanie i nie jest wypowiadana. do 1000 znaków |
scene | Nie | Gdzie i do kogo padają słowa, np. „cichy pokój hotelowy po północy”. do 500 znaków |
temperature | Nie | Zróżnicowanie między podejściami, od 0 do 2: wyższe wartości sprawiają, że interpretacja jest mniej przewidywalna. Bez ustawienia obowiązuje wartość domyślna modelu. |
Cennik
$0.00021 / sekunda
Opłata naliczana za każdą sekundę zwróconego audio. Podczas wykonywania zadania blokowana jest kwota odpowiadająca 660 sekundom, a niewykorzystana część zostaje zwolniona, gdy audio zostanie zmierzone.
Zastosowania
Narracja na dużą skalę
Teksty produktowe, scenariusze lekcji, odczyty artykułów i partie krótkich kwestii, gdzie czas realizacji i koszt liczą się bardziej niż aktorskie niuanse.
Głosy postaci i towarzyszy
Nadaj postaci czatu własny głos i odpowiadaj w kilka sekund. Krótkie, mówione zdania i staranna interpunkcja odpowiadają za większość tonu wypowiedzi.
Nieocenzurowane historie audio
Skrypty przechodzą bez filtra treści. W naszych testach model wypowiadał każde słowo najśmielszych monologów i opisanych scen, które wysłaliśmy, bez pomijania czegokolwiek i bez urywania klipu.
Ścieżki głosowe do wideo
Wygeneruj tu kwestię, a następnie przekaż plik WAV do modelu gadającego awatara lub synchronizacji ust, aby odegrała ją twarz. Długość audio wyznacza długość powstałego później klipu.
Wskazówki
Wyślij scenariusz jako tekst
Zapisz go dokładnie tak, jak ma zostać wypowiedziany, wraz z interpunkcją oznaczającą pauzy. Do 5000 znaków.
Wybierz głos
Domyślną wartością
voice_idjest Kore. Każdy z 30 głosów ma stały charakter, więc wybierz go raz i zachowaj dla całej serii.Zapisuj dźwięki jako dźwięki
Westchnienia, śmiech czy jęki zapisuj fonetycznie — „Mmm…”, „ha…”, „ahh…” — zamiast używać tagów w nawiasach kwadratowych, które ten model czasami odczytuje na głos.
Co zwraca
Jeden plik WAV na zadanie: 24 kHz, 16 bitów, mono PCM. Plik jest kopiowany do magazynu SpicyAPI i przechowywany przez 14 dni. Wynik nie zawiera znaczników czasu dla poszczególnych słów ani napisów.
Wybór głosu
voice_id przyjmuje jeden z 30 gotowych głosów, a domyślną wartością jest Kore. Każdy głos ma stały charakter — na przykład Kore jest stanowczy, Charon rzeczowy, Puck energiczny, Enceladus z przydechem, Achernar miękki, Algenib chropowaty, Sulafat ciepły, Gacrux dojrzały. Głos nie zmienia się wraz z językiem scenariusza.
Kształtowanie odczytu
Oprócz text i voice_id odczyt kształtują te ustawienia:
style,accentipaceustalają sposób mówienia, angielski akcent i rytm; bez nich głos zachowuje własne.instructionsprzyjmuje dowolny tekst o tym, jak czytać, ascenemówi, gdzie i do kogo padają słowa. Żadne z nich nie jest czytane na głos.temperature(0–2) określa, jak bardzo wykonanie różni się między podejściami.
Interpunkcja nadal niesie dużą część wykonania: przecinki i wielokropki je spowalniają, a krótkie zdania nadają mu bardziej rozmowny charakter.
Wskazówki w nawiasach kwadratowych, takie jak [sighs], nie są odgrywane niezawodnie — w naszych testach model czasami odczytywał słowo w nawiasach na głos. Zamiast tego zapisuj dźwięki fonetycznie („Mmm…”, „ahh…”). Jeśli zależy Ci na odgrywanych wskazówkach, skorzystaj z Gemini 3.8 Flash TTS.
W tym modelu reżyseria wysłana dla jednego głosu może zostać odczytana na początku klipu. Dlatego gdy żądanie z jednym głosem zawiera style, accent, pace, instructions lub scene, SpicyAPI wysyła je w dwugłosowym formacie modelu z milczącym drugim mówcą, co utrzymuje uwagi poza nagraniem. Rozliczenie się nie zmienia: płacisz za zwrócone sekundy.
Dwa głosy w jednym klipie
Dla rozmowy wyślij dialogue zamiast text oraz speakers z obsadą: jeden lub dwa wpisy, każdy z name, voice_id i opcjonalnie accent, style, pace oraz profile, czyli krótkim opisem mówiącej osoby, który nie jest odczytywany. Każda kwestia w dialogue to {speaker, text}, gdzie speaker jest jednym z tych imion; kwestie są odgrywane po kolei, do 20 kwestii po 250 znaków. Czego wpis nie ustawia, jest brane z pól accent, style i pace najwyższego poziomu. Cała rozmowa wraca jako jeden plik WAV i jest rozliczana za sekundę jak każde inne żądanie.
Długość i czas
text przyjmuje do 5000 znaków. W naszych testach akapit liczący 270 znaków zamienił się w 22–26 sekund audio, a mediana czasu generowania zadania wyniosła około 7 sekund. Model zatrzymuje się po 16 384 tokenach audio na klip.
Rozliczenie
Opłata naliczana za każdą sekundę zwróconego audio, mierzoną na podstawie pliku. Podczas wykonywania zadania na saldzie blokowana jest kwota odpowiadająca 660 sekundom, a niewykorzystana część zostaje zwolniona po rozliczeniu zadania. Za nieudane żądania nie naliczamy opłaty.
Treść
SpicyAPI nie dodaje filtra treści. W naszych testach każdy skrypt został odczytany słowo w słowo, także najśmielsze, bez pomijania czegokolwiek i bez urwanych klipów.
SpicyAPI nie dodaje żadnego filtra treści: scenariusze NSFW są odczytywane dokładnie tak, jak zostały napisane. Odpowiadasz za wysyłane scenariusze i za sposób wykorzystania powstałego audio, w tym za to, by nie podawać go za wypowiedź 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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "google/gemini-3.8-flash-lite-tts/text-to-speech",
"input": {
"text": "Welcome back. Your files finished rendering a minute ago and are ready to download.",
"voice_id": "Kore"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Uwierzytelnianie, pełny schemat, odpytywanie i obsługę błędów opisuje dokumentacja API.
