Wprowadzenie
Wyślij tekst do odczytania, głos systemowy, emocję i opcjonalnie podpowiedź języka. Zadanie zwraca jeden plik audio z tekstem odczytanym tym głosem i tą emocją: MP3 mono 32 kHz, chyba że ustawisz output_format, sample_rate, bitrate lub audio_channels. speed, pitch i volume regulują sposób wykonania, a pronunciation_dict ustala czytanie konkretnych słów. Znaczniki dźwięku w nawiasach, jak (sighs) czy (laughs), umieszczone w tekście są wykonywane jako dźwięki, a nie czytane na głos. SpicyAPI nie stosuje filtra treści: każdy skrypt jest odczytywany tak, jak napisano. Rozliczenie za każde 1000 znaków wysłanego tekstu.
| Pole | Wartość |
|---|---|
| Wejście | Tekst |
| Wyjście | Audio |
| Pole wymagane | text — od 1 do 5000 znaków |
| Pola opcjonalne |
|
| Wynik | Jeden plik audio: domyślnie MP3 (32 kHz, mono), albo WAV, FLAC, PCM |
| Rozliczana ilość | Znaki wysłanego text, za każde 1000 |
| Typowy czas | Około 8 sekund dla 300 znaków |
| Przechowywanie | Wygenerowane nagranie jest przechowywane przez 14 dni |
Parametry żądania
| Parametr | Wymagane | Uwaga |
|---|---|---|
text | Tak | Słowa do wypowiedzenia, dokładnie tak, jak zostały zapisane. Znaczniki dźwiękowe w nawiasach, takie jak (sighs) czy (laughs), są odgrywane jako dźwięk, a nie czytane na głos. od 1 znaków · do 5000 znaków |
voice_id | Nie | Jeden z 472 głosów systemowych. Wartość domyślna: Calm_Woman. |
emotion | Nie | Jedna z siedmiu ustalonych emocji — neutral, happy, sad, angry, fearful, disgusted lub surprised — zastosowana do całego odczytu. Wartość domyślna: neutral. |
speed | Nie | Tempo mowy od 0,5 (wolniej) do 2 (szybciej); 1 to zwykłe tempo głosu. Nie zmienia ceny. |
pitch | Nie | Przesunięcie wysokości głosu w półtonach, od -12 do 12; 0 zachowuje naturalną wysokość głosu. Nie zmienia ceny. |
volume | Nie | Mnożnik głośności od 0,1 do 10; 1 to normalny poziom. Nie zmienia ceny. |
language | Nie | Wskazówka poprawiająca wymowę dla jednego z 40 języków. Wartość domyślna: auto, która wykrywa język na podstawie skryptu. |
output_format | Nie | Format pliku: mp3 (domyślnie), wav, flac lub pcm, czyli surowe 16-bitowe próbki little-endian bez nagłówka, z wybranymi |
sample_rate | Nie | Częstotliwość próbkowania dźwięku w Hz: 8000, 16000, 22050, 24000, 32000, 44100. Wartość domyślna: 32000. |
bitrate | Nie | Przepływność pliku MP3 w bitach na sekundę: 32000, 64000, 128000 lub 256000. Wartość domyślna: 128000; ma zastosowanie tylko wtedy, gdy |
audio_channels | Nie | Kanały wyjściowe: mono (domyślnie) lub stereo. Nie zmienia ceny. |
english_normalization | Nie | Po włączeniu liczby, daty i skróty w tekście angielskim są czytane tak, jak powiedziałby je człowiek, np. 1990 jako „nineteen ninety”. Domyślnie: |
pronunciation_dict | Nie | Do 100 par {alias, pronunciation}. Każde wystąpienie alias w text jest czytane jako pronunciation: zwykłymi słowami (Omg → Oh my god) albo zapisem IPA w nawiasach, np. do 100 elementów |
Cennik
$0.12 / 1000 znaków
Opłata naliczana za każde 1000 znaków wysłanego tekstu, licząc spacje i znaki interpunkcyjne. Wycena pokazana przed uruchomieniem jest ceną ostateczną.
Zastosowania
Lektor do krótkich filmów
Narracja do filmów instruktażowych, klipów produktowych i postów w mediach społecznościowych. Cena jest ustalana przez długość skryptu, więc znasz koszt partii jeszcze przed rozpoczęciem.
Treści wielojęzyczne
Odczytaj ten sam skrypt, wskazując język spośród 40 obsługiwanych, albo zostaw language na auto i pozwól zdecydować skryptowi.
Nagrania audio bez cenzury
Skrypty są odczytywane tak, jak napisano, bez filtra treści. W naszych testach model wypowiadał każde słowo monologów i opisanych scen, które inne usługi odrzucają, wykonując wskazówki oddechu i dźwięku zamiast czytać je na głos.
Postacie z emocjami
Ustaw jedną z siedmiu emocji na żądanie — happy, sad, angry, fearful, disgusted lub surprised — i pozwól, by znaczniki (sighs), (laughs) lub (breath) w skrypcie kształtowały interpretację.
Wskazówki
Wyślij skrypt w text
Napisz go dokładnie tak, jak ma być wypowiedziany, ze znakami interpunkcyjnymi oznaczającymi pauzy i znacznikami dźwiękowymi, takimi jak (sighs) w nawiasach, tam gdzie mają zostać odegrane. Do 5000 znaków.
Wybierz głos i emocję
voice_iddomyślnie ma wartość Calm_Woman; emotion domyślnie ma wartość neutral i przyjmuje jedną z siedmiu ustalonych wartości.W razie potrzeby dodaj wskazówkę językową
Zostaw language na auto, aby język był wykrywany na podstawie skryptu, albo ustaw jeden z 40 języków, gdy krótki lub mieszany skrypt potrzebuje pomocy z wymową.
Co zwraca
Jeden plik audio na zadanie: MP3 mono 32 kHz, o ile nie zmienisz output_format, sample_rate, bitrate ani audio_channels. Plik jest kopiowany do magazynu SpicyAPI i przechowywany przez 14 dni.
Wybór głosu
voice_id przyjmuje jeden z 472 głosów systemowych, na przykład Calm_Woman, Deep_Voice_Man, Lively_Girl lub Elegant_Man, domyślnie Calm_Woman. Nie ma klonowania ani przesyłania głosu referencyjnego.
Ustawianie emocji
emotion przyjmuje jedną z siedmiu ustalonych wartości — neutral, happy, sad, angry, fearful, disgusted lub surprised — i dotyczy całego odczytu. Domyślną wartością jest neutral.
Znaczniki dźwiękowe
Znaczniki w nawiasach wewnątrz text, takie jak (sighs), (laughs), (breath) czy (gasps), są wykonywane jako dźwięki, a nie czytane na głos. W naszych testach dotyczyło to zarówno skryptów, które inne usługi odrzucają, jak i zwykłych.
Język
Język jest wykrywany na podstawie skryptu. language wskazuje jeden z 40 języków, w tym mandaryński, kantoński, angielski, arabski, rosyjski, hiszpański, francuski, portugalski, niemiecki, japoński, włoski, koreański, polski i inne, aby poprawić wymowę krótkiego lub mieszanego skryptu.
Sterowanie odczytem
speed (0,5–2), pitch (od -12 do 12 półtonów) i volume (0,1–10) regulują odczyt bez zmiany ceny. pronunciation_dict przyjmuje do 100 par {alias, pronunciation}, dzięki czemu imię, skrót czy zapożyczenie jest zawsze czytane tak, jak chcesz: zwykłymi słowami albo zapisem IPA w nawiasach. english_normalization czyta liczby, daty i skróty w tekście angielskim tak, jak powiedziałby je człowiek.
Format wyjściowy
output_format wybiera mp3 (domyślnie), wav, flac lub pcm; sample_rate mieści się w zakresie od 8000 do 44100 Hz, bitrate ustala przepływność MP3, a audio_channels przełącza na stereo. pcm to surowe 16-bitowe próbki little-endian bez nagłówka, więc nie da się ich odsłuchać w przeglądarce; wybierz wav, jeśli chcesz te same próbki w pliku, który da się odtworzyć.
Rozliczenie
Opłata naliczana za każde 1000 znaków text, licząc spacje, znaki interpunkcyjne i podziały wiersza. Liczba znaków jest znana jeszcze przed rozpoczęciem zadania, więc wycena stanowi ostateczną kwotę obciążenia. Nieudane żądania nie są rozliczane.
Treść
SpicyAPI nie dodaje filtra treści. W naszych testach skrypty, które inne usługi odrzucają, zostały odczytane słowo w słowo, znaczniki dźwięku wykonane zgodnie z zapisem, bez pomijania czegokolwiek.
SpicyAPI nie dodaje filtra treści: skrypty są odczytywane tak, jak napisano, cokolwiek zawierają. Odpowiadasz za skrypty, które wysyłasz, i za sposób wykorzystania uzyskanego audio, 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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "minimax/speech-2.8-hd/text-to-speech",
"input": {
"text": "Welcome back. Your files finished rendering a minute ago and are ready to download.",
"emotion": "neutral",
"language": "auto",
"voice_id": "Calm_Woman",
"output_format": "mp3"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Uwierzytelnianie, pełny schemat, odpytywanie i obsługę błędów opisuje dokumentacja API.
