Wprowadzenie
Wyślij tekst do odczytania i opcjonalnie głos, język, prędkość i format wyjściowy. Zadanie zwraca jeden plik audio — domyślnie MP3 24 kHz — z tekstem odczytanym tym głosem. Znaczniki mowy wpisane w tekst, np. [laugh] czy …, są wykonywane, a nie czytane. SpicyAPI nie stosuje filtra treści, a skrypty są odczytywane zgodnie z zapisem. Opłata jest naliczana za każde 1000 znaków wysłanego tekstu.
| Pole | Wartość |
|---|---|
| Wejście | Tekst |
| Wyjście | Audio |
| Pole wymagane | text — od 1 do 15 000 znaków, tagi mowy dozwolone |
| Pola opcjonalne |
|
| Wynik | Jeden plik audio; domyślnie MP3, 24 kHz, 128 kb/s, mono |
| Rozliczana ilość | Znaki wysłanego tekstu, za każde 1000, łącznie z tagami |
| Typowy czas | Od 3 do 8 sekund dla 170–320 znaków |
| Przechowywanie | Wygenerowany dźwięk jest przechowywany przez 14 dni |
Parametry żądania
| Parametr | Wymagane | Uwaga |
|---|---|---|
text | Tak | Słowa do wypowiedzenia, dokładnie tak, jak je napisano, z opcjonalnymi tagami mowy, np. [laugh] lub …. od 1 znaków · do 15000 znaków |
voice_id | Nie | Jeden z 71 gotowych głosów, opisanych imieniem, płcią i językiem. |
language | Nie | Język czytania jako kod języka albo auto (domyślnie), aby wykryć go ze scenariusza. Ustaw go, gdy krótki lub wielojęzyczny scenariusz jest czytany w niewłaściwym języku. |
speed | Nie | Tempo mowy od 0,7 (wolniej) do 1,5 (szybciej); domyślnie 1,0. Nie wpływa na cenę. |
output_format | Nie | Kodowanie dźwięku: mp3 (domyślnie), wav albo strumienie bez nagłówka pcm, mulaw i alaw dla telefonii. Nie wpływa na cenę. |
sample_rate | Nie | Częstotliwość próbkowania w Hz: 8000, 16000, 22050, 24000 (domyślnie), 44100 lub 48000. Dla linii telefonicznych 8000 razem z mulaw lub alaw, do pracy studyjnej 44100 lub 48000. |
bitrate | Nie | Przepływność MP3 w bitach na sekundę: od 32000 do 192000, domyślnie 128000. Działa tylko przy |
text_normalization | Nie | Po włączeniu formy pisane, takie jak liczby, skróty i symbole, są przed czytaniem zamieniane na formę mówioną. Domyślnie wyłączone. Domyślnie: |
optimize_streaming_latency | Nie | Poziom opóźnienia strumieniowania modelu: 0 (domyślnie) zachowuje najlepszą jakość dźwięku; 1 zmniejsza pierwszy fragment audio, by dźwięk pojawiał się szybciej, z niewielką utr… |
Cennik
$0.018 / 1000 znaków
Rozliczenie za każde 1000 znaków wysłanego tekstu, łącznie ze spacjami, interpunkcją i tagami mowy. Wycena przed uruchomieniem jest ceną ostateczną.
Zastosowania
Wiadomości głosowe i aplikacje towarzyszące
Szeptem rzucona uwaga, śmiech we właściwym miejscu, oddech przed kolejną kwestią — wszystko wpisane w scenariusz jako tagi, więc interpretacja staje się częścią tekstu, który przechowujesz i odtwarzasz.
Audiobooki i powieści w odcinkach
Do 15 000 znaków w jednym żądaniu, głos narratora, który nie zmienia się między rozdziałami, i suwak prędkości do spokojniejszego czytania przed snem. Żaden rozdział nie jest po drodze filtrowany ani łagodzony.
Narracja wielojęzyczna
Ten sam scenariusz można przeczytać po angielsku, japońsku, francusku, koreańsku, arabsku i w innych językach — jednym z pięciu głosów wielojęzycznych albo rodzimym głosem dla każdego języka.
Linie telefoniczne i menu głosowe
Wybierz μ-law lub A-law 8 kHz, a dźwięk przyjdzie w formacie, który system telefoniczny odtwarza bezpośrednio, bez kroku konwersji.
Wskazówki
Wpisz scenariusz w text
Do 15 000 znaków. Wstaw [pause], [laugh], [breath] albo … dokładnie tam, gdzie mają się znaleźć; rytm nadaje interpunkcja.
Wybierz głos i język
voice_iddomyślnie ma wartość eve. Eve, Ara, Leo, Rex i Sal mówią we wszystkich obsługiwanych językach; pozostałe głosy są dostrojone do jednego. Zostaw language na auto, chyba że krótki lub wielojęzyczny scenariusz jest czytany w niewłaściwym języku.Ustaw tempo i format
speed przyjmuje wartości od 0,7 do 1,5. Do odsłuchu zostaw
output_formatna mp3, do montażu wybierz wav, a dla telefonii pcm, mulaw i alaw w 8 kHz.
Co jest zwracane
Jeden plik audio na zadanie — MP3 24 kHz, 128 kb/s, mono, o ile nie zażądasz inaczej. Plik jest kopiowany do magazynu SpicyAPI i przechowywany przez 14 dni. Wynik nie zawiera znaczników czasu słów ani napisów.
Wybór głosu
voice_id przyjmuje jeden z 71 gotowych głosów; domyślnie eve. Eve, Ara, Leo, Rex i Sal mówią we wszystkich obsługiwanych językach. Pozostałe 66 głosów jest dostrojonych każdy do jednego języka — mandaryńskiego, rosyjskiego, włoskiego, hindi, francuskiego, hiszpańskiego, duńskiego, wietnamskiego, angielskiego, szwedzkiego, fińskiego, tureckiego, japońskiego, koreańskiego, portugalskiego, niderlandzkiego, polskiego, tajskiego, arabskiego lub niemieckiego — i w nim czyta najlepiej. Formularz pokazuje każdy głos z imieniem, płcią i językiem.
Reżyseria za pomocą tagów
Interpretację wpisz w text. Pojedyncze tagi dają jeden dźwięk w danym miejscu: [pause], [long-pause], [hum-tune], [laugh], [chuckle], [giggle], [cry], [tsk], [tongue-click], [lip-smack], [breath], [inhale], [exhale], [sigh]. Tagi obejmujące tekst zmieniają słowa w środku: <soft>, <whisper>, <loud>, <build-intensity>, <decrease-intensity>, <higher-pitch>, <lower-pitch>, <slow>, <fast>, <sing-song>, <singing>, <laugh-speak>, <emphasis>. Sprawdzone tagi były odgrywane i nigdy nie zostały odczytane jako słowa.
Tempo, język i format
speed przyjmuje wartości od 0,7 do 1,5. language jest wykrywany przy ustawieniu auto; ustaw go, gdy krótki lub wielojęzyczny scenariusz jest czytany w niewłaściwym języku. output_format domyślnie ma wartość mp3; wav nadaje się do montażu, a pcm, mulaw i alaw to strumienie bez nagłówka dla telefonii — łącz je z sample_rate 8000. bitrate dotyczy tylko MP3. optimize_streaming_latency (0, 1 lub 2) to poziom opóźnienia strumieniowania modelu: im wyższy, tym mniejszy pierwszy fragment audio i możliwa utrata jakości na styku fragmentów; 0 zachowuje najlepszą jakość.
Rozliczenie
Za każde 1000 znaków text, łącznie ze spacjami, interpunkcją, podziałami wierszy i tagami. Liczba znaków jest znana przed startem zadania, więc wycena to kwota ostateczna. Głos, język, tempo i format nie wpływają na cenę. Nieudane żądania nie są rozliczane.
Treść
SpicyAPI nie dodaje filtra treści. W naszych testach najmocniejsze wysłane przez nas skrypty zostały odczytane słowo w słowo, bez pomijania czegokolwiek i bez skróconych klipów.
SpicyAPI nie dodaje filtra treści: scenariusze NSFW są czytane tak, jak je napisano. Odpowiadasz za wysyłane scenariusze i za sposób użycia powstałego dźwięku, w tym za to, by nie przedstawiać go jako słów 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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "xai/grok-tts/text-to-speech",
"input": {
"text": "Welcome back. Your files finished rendering a minute ago and are ready to download.",
"bitrate": 128000,
"language": "auto",
"voice_id": "eve",
"sample_rate": 24000,
"output_format": "mp3"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Uwierzytelnianie, pełny schemat, odpytywanie i obsługę błędów opisuje dokumentacja API.
