Wprowadzenie
Wyślij tekst do odczytania i opcjonalnie jeden z 30 głosów, akcent, styl, tempo, scenę oraz krótką notatkę o wykonaniu; dla rozmowy wyślij dialogue i speakers zamiast text. Zadanie zwraca jeden plik WAV (24 kHz, 16 bitów, mono) ze skryptem odczytanym tym głosem, a w przypadku dialogu maksymalnie dwoma głosami. W skrypcie wskazówki w nawiasach kwadratowych, takie jak [whispering], [sighs] czy [laughing], są odgrywane zamiast czytane, a interpunkcja wyznacza pauzy. SpicyAPI nie stosuje filtra treści: skrypty, które oficjalna aplikacja by zablokowała, są czytane dokładnie tak, jak napisano. Rozliczenie następuje 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 ilość | Sekundy zwróconego nagrania, mierzone na podstawie pliku |
| Przechowywanie | Wygenerowane nagrania są przechowywane przez 14 dni |
Parametry żądania
| Parametr | Wymagane | Uwaga |
|---|---|---|
text | Nie | Słowa, które mają zostać wypowiedziane, dokładnie tak, jak zostały napisane. 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, każdy o ustalonym charakterze. 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
$0.00032 / sekunda
Opłata naliczana za każdą sekundę zwróconego nagrania. Podczas wykonywania zadania blokowana jest kwota odpowiadająca 660 sekundom, a niewykorzystana część jest zwalniana po zmierzeniu nagrania.
Zastosowania
Audiobooki i długie narracje
Rozdziały, bajki na dobranoc i historie w odcinkach czytane stałym, spójnym głosem narratora. Wybierz głos raz i trzymaj się go — ten sam głos brzmi spójnie od rozdziału do rozdziału.
Głosy postaci i towarzyszy czatu
Nadaj postaci z czatu własny głos. Wskazówka [whispering] w połączeniu z krótkimi, mówionymi zdaniami zmienia zwykły tekst w kwestie, które brzmią, jakby były skierowane do jednego słuchacza.
Nieocenzurowane historie audio
Skrypty bez filtra są czytane tak, jak napisano. W naszych testach model wypowiadał każde słowo wysłanych monologów i narracji, a wskazówki w nawiasach kwadratowych, jak westchnienia i sapnięcia, odgrywał zamiast odczytywać tagi.
Ścieżki głosowe do wideo
Wygeneruj tutaj kwestię, a następnie przekaż plik WAV do modelu mówiącego awatara lub lip-syncu, by twarz ją odegrała. Długość nagrania wyznacza długość późniejszego klipu.
Wskazówki
Wyślij skrypt jako tekst
Napisz go dokładnie tak, jak ma zostać wypowiedziany, łącznie z interpunkcją wyznaczającą pauzy. Do 5000 znaków.
Wybierz głos
Domyślna wartość
voice_idto Kore. Każdy z 30 głosów ma ustalony charakter, więc wybierz jeden raz i trzymaj się go w całej serii.Umieść reżyserię w skrypcie
Wstaw wskazówki w nawiasach kwadratowych dokładnie tam, gdzie mają wystąpić — [whispering], [sighs], [laughing], [gasping]. Są one odgrywane, a nie odczytywane na głos.
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.
Wybór głosu
voice_id przyjmuje jeden z 30 gotowych głosów, domyślnie Kore. Każdy głos ma ustalony charakter — na przykład Kore jest stanowczy, Charon rzeczowy, Puck energiczny, Enceladus szeptany, Achernar miękki, Algenib chrapliwy, Sulafat ciepły, Gacrux dojrzały. Głos nie zmienia się w zależności od języka skryptu.
Kierowanie sposobem wykonania
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.
Bezpośrednio w text:
- Wskazówki w nawiasach kwadratowych, takie jak
[whispering],[sighs],[laughing]czy[gasping], są odgrywane, a nie odczytywane na głos. - Przecinki, wielokropki i kropki wyznaczają pauzy.
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 trwania
text przyjmuje do 5000 znaków. W naszych testach akapit liczący 270 znaków dawał 20–24 sekundy nagrania. Model zatrzymuje się po 16 384 tokenach audio na klip. Większość zadań kończy się w mniej niż minutę.
Rozliczenie
Opłata naliczana za każdą sekundę zwróconego nagrania, mierzoną na podstawie pliku. Podczas wykonywania zadania na saldzie blokowana jest kwota odpowiadająca 660 sekundom, a niewykorzystana część jest zwalniana po rozliczeniu zadania. Nieudane żądania nie są obciążane opłatą.
Treść
SpicyAPI nie dodaje żadnego filtra treści. W naszych testach skrypty bez filtra były czytane słowo w słowo, a wskazówki w nawiasach kwadratowych, jak westchnienia i sapnięcia, były odgrywane zamiast odczytywane.
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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "google/gemini-3.8-flash-tts/text-to-speech",
"input": {
"text": "Welcome back. Your files finished rendering a minute ago and are ready to download.",
"voice_id": "Kore"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Uwierzytelnianie, pełny schemat, odpytywanie i obsługę błędów opisuje dokumentacja API.
