Introdução
Envie o texto a ser lido e, opcionalmente, uma voz, um idioma, uma velocidade e um formato de saída. A tarefa retorna um arquivo de áudio — MP3 de 24 kHz por padrão — com o roteiro lido naquela voz. As tags de fala escritas no texto, como [laugh] ou …, são executadas em vez de lidas. A SpicyAPI não aplica filtro de conteúdo, e os roteiros são lidos como escritos. A cobrança é por 1.000 caracteres do texto enviado.
| Campo | Valor |
|---|---|
| Entrada | Texto |
| Saída | Áudio |
| Campo obrigatório | text — de 1 a 15.000 caracteres, tags de voz permitidas |
| Campos opcionais |
|
| Resultado | Um arquivo de áudio; MP3, 24 kHz, 128 kbps, mono por padrão |
| Quantidade cobrada | Caracteres do texto enviado, a cada 1.000, tags incluídas |
| Tempo típico | De 3 a 8 segundos para 170 a 320 caracteres |
| Retenção | O áudio gerado fica guardado por 14 dias |
Parâmetros da requisição
| Parâmetro | Obrigatório | Descrição |
|---|---|---|
text | Sim | As palavras a serem ditas, exatamente como escritas, com tags de voz opcionais como [laugh] ou …. De 1 a 15.000 caracteres. pelo menos 1 caracteres · no máximo 15000 caracteres |
voice_id | Não | Uma das 71 vozes prontas, identificadas por nome, gênero e idioma. Eve (padrão), Ara, Leo, Rex e Sal falam todos os idiomas compatíveis; as demais são ajustadas para um idioma. |
language | Não | O idioma de leitura como código de idioma, ou auto (padrão) para detectá-lo a partir do roteiro. Defina quando um roteiro curto ou com vários idiomas sair no idioma errado. |
speed | Não | Velocidade da fala de 0,7 (mais lenta) a 1,5 (mais rápida); padrão 1,0. Não altera o preço. |
output_format | Não | Codificação de áudio: mp3 (padrão), wav, ou os fluxos sem cabeçalho pcm, mulaw e alaw para telefonia. Não altera o preço. |
sample_rate | Não | Taxa de amostragem em Hz: 8000, 16000, 22050, 24000 (padrão), 44100 ou 48000. Use 8000 com mulaw ou alaw para linhas telefônicas e 44100 ou 48000 para trabalho de estúdio. |
bitrate | Não | Taxa de bits do MP3 em bits por segundo: de 32000 a 192000, padrão 128000. Só vale quando |
text_normalization | Não | Quando ativado, formas escritas como números, abreviações e símbolos são convertidas para a forma falada antes da leitura. Desativado por padrão. Valor padrão: |
optimize_streaming_latency | Não | Nível de latência de streaming do modelo: 0 (padrão) mantém a melhor qualidade de áudio; 1 usa um primeiro trecho de áudio menor para o som chegar antes, com leve perda de quali… |
Preços
$0.018 / 1.000 caracteres
Cobrança a cada 1.000 caracteres do texto enviado, contando espaços, pontuação e tags de voz. O orçamento antes de rodar é o preço final.
Casos de uso
Mensagens de voz e apps de companhia
Um comentário sussurrado, uma risada na hora certa, uma respiração antes da próxima fala — escritos no roteiro como tags, então a interpretação faz parte do texto que você guarda e reproduz de novo.
Audiolivros e ficção seriada
Até 15.000 caracteres por requisição, uma voz de narrador que se mantém a mesma de capítulo em capítulo e um controle de velocidade para uma leitura noturna mais lenta. Nenhum capítulo é filtrado ou amenizado no caminho.
Narração multilíngue
Leia o mesmo roteiro em inglês, japonês, francês, coreano, árabe e outros idiomas, com uma das cinco vozes multilíngues ou com uma voz nativa para cada idioma.
Linhas telefônicas e menus de voz
Peça μ-law ou A-law a 8 kHz e o áudio chega no formato que um sistema telefônico toca direto, sem etapa de conversão.
Guia de prompt e dicas práticas
Escreva o roteiro em text
Até 15.000 caracteres. Coloque [pause], [laugh], [breath] ou … exatamente onde você quiser; a pontuação dá o ritmo.
Escolha uma voz e um idioma
voice_idé eve por padrão. Eve, Ara, Leo, Rex e Sal falam todos os idiomas compatíveis; as outras vozes são ajustadas para um só. Deixe language em auto, a menos que um roteiro curto ou com vários idiomas saia no idioma errado.Defina o ritmo e o formato
speed vai de 0,7 a 1,5. Deixe
output_formatem mp3 para ouvir, escolha wav para editar, ou pcm, mulaw e alaw a 8 kHz para telefonia.
O que volta
Um arquivo de áudio por tarefa — MP3 a 24 kHz, 128 kbps, mono, a menos que você peça outra coisa. O arquivo é copiado para o armazenamento da SpicyAPI e fica guardado por 14 dias. O resultado não traz tempos por palavra nem legendas.
Escolher uma voz
voice_id aceita uma das 71 vozes prontas; o padrão é eve. Eve, Ara, Leo, Rex e Sal falam todos os idiomas compatíveis. As outras 66 são ajustadas cada uma para um idioma — mandarim, russo, italiano, hindi, francês, espanhol, dinamarquês, vietnamita, inglês, sueco, finlandês, turco, japonês, coreano, português, holandês, polonês, tailandês, árabe ou alemão — e leem melhor nele. O formulário lista cada voz com nome, gênero e idioma.
Dirigir a interpretação com tags
Escreva a interpretação em text. As tags pontuais fazem um som naquele ponto: [pause], [long-pause], [hum-tune], [laugh], [chuckle], [giggle], [cry], [tsk], [tongue-click], [lip-smack], [breath], [inhale], [exhale], [sigh]. As tags que envolvem trechos mudam as palavras dentro delas: <soft>, <whisper>, <loud>, <build-intensity>, <decrease-intensity>, <higher-pitch>, <lower-pitch>, <slow>, <fast>, <sing-song>, <singing>, <laugh-speak>, <emphasis>. As tags que testamos foram interpretadas e nunca lidas como palavras.
Velocidade, idioma e formato
speed vai de 0,7 a 1,5. language é detectado quando fica em auto; defina-o quando um roteiro curto ou com vários idiomas sair no idioma errado. output_format é mp3 por padrão; wav serve para edição, e pcm, mulaw e alaw são fluxos sem cabeçalho para telefonia — combine-os com sample_rate 8000. bitrate só afeta o MP3. optimize_streaming_latency (0, 1 ou 2) é o nível de latência de streaming do modelo: quanto maior, menor o primeiro trecho de áudio, com possível perda de qualidade nas emendas entre trechos; 0 mantém a melhor qualidade.
Cobrança
Cobrança a cada 1.000 caracteres de text, contando espaços, pontuação, quebras de linha e tags. A contagem é conhecida antes de a tarefa começar, então o orçamento é o valor final. Voz, idioma, velocidade e formato não alteram o preço. Solicitações que falham não são cobradas.
Conteúdo
A SpicyAPI não adiciona filtro de conteúdo. Em nossos testes, os roteiros mais fortes que enviamos foram lidos palavra por palavra, sem pular nada e sem clipe cortado.
A SpicyAPI não adiciona filtro de conteúdo: roteiros NSFW são lidos como foram escritos. Você é responsável pelos roteiros que envia e pelo uso do áudio gerado, inclusive por não apresentá-lo como 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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "xai/grok-tts/text-to-speech",
"input": {
"text": "Welcome back. Your files finished rendering a minute ago and are ready to download.",
"bitrate": 128000,
"language": "auto",
"voice_id": "eve",
"sample_rate": 24000,
"output_format": "mp3"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Consulte a referência da API para autenticação, esquema completo, polling e tratamento de erros.
