Introdução
Envie o texto a ser lido e, opcionalmente, uma de 30 vozes, um sotaque, um estilo, um ritmo, uma cena e uma breve nota sobre a interpretação; para uma conversa, envie o diálogo e os falantes em vez do texto. A tarefa retorna um arquivo WAV (24 kHz, 16 bits, mono) com o roteiro lido naquela voz, ou em até duas vozes para um diálogo, geralmente em segundos. Molde a leitura com a pontuação; indicações entre colchetes, como [sighs], não são executadas de forma confiável e às vezes são lidas em voz alta. A SpicyAPI não aplica filtro de conteúdo, então cada roteiro é lido exatamente como escrito. A cobrança é por segundo de áudio retornado.
| Campo | Valor |
|---|---|
| Entrada | Texto |
| Saída | Áudio |
| Campo obrigatório | text (1 a 5.000 caracteres) ou dialogue (até 20 falas) |
| Campos opcionais |
|
| Resultado | Um arquivo WAV, 24 kHz, 16 bits, mono |
| Clipe mais longo | 16.384 tokens de áudio |
| Quantidade cobrada | Segundos de áudio devolvido, medidos a partir do arquivo |
| Retenção | O áudio gerado é mantido por 14 dias |
Parâmetros da requisição
| Parâmetro | Obrigatório | Descrição |
|---|---|---|
text | Não | As palavras a serem faladas, exatamente como escritas. pelo menos 1 caracteres · no máximo 5000 caracteres |
dialogue | Não | Uma conversa roteirizada para até duas vozes, usada no lugar de text: até 20 falas, cada uma com speaker (um nome de speakers) e text de até 250 caracteres. pelo menos 1 itens · no máximo 20 itens |
speakers | Não | O elenco de dialogue: uma ou duas entradas, cada uma com um name ao qual as falas se referem, um |
voice_id | Não | Uma de 30 vozes pré-criadas, cada uma com um caráter fixo. O padrão é Kore. |
style | Não | Jeito geral da leitura. Deixe vazio para usar o jeito padrão da voz. |
pace | Não | Ritmo da leitura: natural, |
accent | Não | Sotaque do inglês usado na leitura. Se você não definir, vale o sotaque próprio da voz. |
instructions | Não | Instrução livre sobre como ler: ritmo, clima, distância do microfone, ouvinte. Molda a interpretação e não é falada. no máximo 1000 caracteres |
scene | Não | Onde e para quem as palavras são ditas, por exemplo “um quarto de hotel silencioso depois da meia-noite”. Molda a interpretação e não é lido em voz alta. no máximo 500 caracteres |
temperature | Não | Variação entre as tomadas, de 0 a 2: valores mais altos deixam a interpretação menos previsível. Se você não definir, vale o padrão do modelo. |
Preços
$0.00021 / segundo
Cobrado por segundo de áudio devolvido. Uma retenção de 660 segundos é aplicada enquanto a tarefa é executada, e a parte não usada é liberada quando o áudio é medido.
Casos de uso
Narração em alto volume
Textos de produto, roteiros de aulas, leituras de artigos e lotes de falas curtas em que o tempo de resposta e o custo importam mais do que a nuance atuada.
Vozes de personagens e companheiros
Dê a um personagem de chat uma voz própria e responda em segundos. Frases curtas e de estilo falado, além de uma pontuação cuidadosa, carregam a maior parte do tom.
Histórias em áudio sem censura
Os roteiros passam sem filtro de conteúdo. Em nossos testes, o modelo falou cada palavra dos monólogos mais ousados e das cenas narradas que enviamos, sem pular nada nem cortar antes do fim.
Trilhas de voz para vídeo
Gere a fala aqui e depois entregue o WAV a um modelo de avatar falante ou de sincronização labial para que um rosto a interprete. A duração do áudio define a duração do clipe seguinte.
Guia de prompt e dicas práticas
Envie o roteiro em texto
Escreva exatamente como deve ser falado, incluindo a pontuação para pausas. Até 5.000 caracteres.
Escolha uma voz
voice_idusa Kore por padrão. Cada uma das 30 vozes tem um caráter fixo, então escolha uma vez e mantenha para uma série.Escreva sons como sons
Para suspiros, risadas ou gemidos, escreva-os por extenso — "Mmm…", "ha…", "ahh…" — em vez de usar tags entre colchetes, que esse modelo às vezes lê em voz alta.
O que ele devolve
Um arquivo WAV por tarefa: 24 kHz, 16 bits, PCM mono. O arquivo é copiado para o armazenamento da SpicyAPI e mantido por 14 dias. O resultado não tem marcação de tempo por palavra nem legendas.
Escolhendo uma voz
voice_id aceita uma de 30 vozes pré-criadas e usa Kore por padrão. Cada voz tem um caráter fixo — por exemplo, Kore firme, Charon informativa, Puck animada, Enceladus ofegante, Achernar suave, Algenib rouca, Sulafat calorosa, Gacrux madura. A voz não muda com o idioma do roteiro.
Moldando a leitura
Além de text e voice_id, estas configurações moldam a leitura:
style,accentepacedefinem o jeito, o sotaque do inglês e o ritmo; sem eles, a voz mantém os seus.instructionsrecebe texto livre sobre como ler, escenediz onde e para quem as palavras são ditas. Nenhum dos dois é lido em voz alta.temperature(0–2) define quanto a interpretação varia entre as tomadas.
A pontuação continua carregando boa parte da interpretação: vírgulas e reticências desaceleram, frases curtas deixam tudo mais conversado.
Indicações entre colchetes como [sighs] não são interpretadas de forma confiável — em nossos testes, o modelo às vezes lia em voz alta a palavra dentro dos colchetes. Escreva os sons por extenso em vez disso ("Mmm…", "ahh…"). Se as indicações interpretadas forem importantes, use o Gemini 3.8 Flash TTS.
Neste modelo, a direção enviada para uma única voz pode ser lida em voz alta no início do clipe. Por isso, quando uma solicitação de uma só voz traz style, accent, pace, instructions ou scene, a SpicyAPI a envia no formato de dois falantes do modelo, com um segundo falante em silêncio, o que mantém as notas fora do áudio. A cobrança não muda: você paga pelos segundos retornados.
Duas vozes em um clipe
Para uma conversa, envie dialogue no lugar de text, junto com speakers com o elenco: uma ou duas entradas, cada uma com um name, um voice_id e, opcionalmente, accent, style, pace e profile, uma descrição curta de quem fala que não é lida em voz alta. Cada fala de dialogue é {speaker, text}, em que speaker é um desses nomes; as falas são interpretadas em ordem, até 20 falas de 250 caracteres cada. O que uma entrada não definir vem de accent, style e pace do nível superior. A conversa inteira volta como um único arquivo WAV, cobrado por segundo como qualquer outra solicitação.
Duração e timing
text aceita até 5.000 caracteres. Em nossos testes, um parágrafo de 270 caracteres resultou em 22–26 segundos de áudio, e a tarefa mediana terminou de gerar em cerca de 7 segundos. O modelo para em 16.384 tokens de áudio por clipe.
Cobrança
Cobrado por segundo de áudio devolvido, medido a partir do arquivo. Enquanto a tarefa é executada, uma retenção de 660 segundos é aplicada no seu saldo, e a parte não usada é liberada quando a tarefa é liquidada. Solicitações com falha não são cobradas.
Conteúdo
A SpicyAPI não adiciona filtro de conteúdo. Em nossos testes, cada roteiro foi lido palavra por palavra, inclusive os mais ousados, sem pular nada e sem nenhum clipe encerrado antes do tempo.
A SpicyAPI não adiciona nenhum filtro de conteúdo: roteiros NSFW são lidos exatamente como escritos. Você é responsável pelos roteiros que envia e pelo uso que faz do áudio resultante, incluindo não apresentá-lo como as palavras de uma pessoa real.
Início rápido da 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"
Consulte a referência da API para autenticação, esquema completo, polling e tratamento de erros.
