Введение
Отправьте текст для озвучивания и, при желании, голос, акцент, манеру речи, темп, сцену и короткую заметку о подаче; для диалога отправьте реплики и говорящих вместо текста. Задача возвращает один WAV-файл (24 кГц, 16 бит, моно) с текстом, прочитанным этим голосом, или в диалоге — до двух голосов. Модель следует указаниям простым языком (медленнее, ближе к микрофону, с усмешкой, устало) и исполняет пометки в квадратных скобках, например [sighs], вместо того чтобы зачитывать их вслух. SpicyAPI не применяет фильтр контента: каждый сценарий читается так, как написан. Оплата — за секунду возвращённого аудио.
| Характеристика | Значение |
|---|---|
| Ввод | Текст |
| Вывод | Аудио |
| Обязательное поле | text (от 1 до 5000 символов) или dialogue (до 20 реплик) |
| Необязательные поля |
|
| Результат | Один WAV-файл, 24 кГц, 16 бит, моно |
| Самый длинный клип | Около 655 секунд (16 384 аудиотокена) |
| Оплачиваемый объём | Секунды возвращённого аудио, измеренные по файлу |
| Хранение | Сгенерированное аудио хранится 14 дней |
Параметры запроса
| Параметр | Обязательно | Описание |
|---|---|---|
text | Нет | Слова для озвучки — ровно так, как написаны. Пометки в квадратных скобках вроде [sighs] отыгрываются, а не зачитываются. Не менее 1 символов · Не более 5000 символов |
dialogue | Нет | Диалог по сценарию для одного-двух голосов вместо text: до 20 реплик, у каждой speaker (имя из speakers) и text длиной до 250 символов. Реплики звучат по порядку. Не менее 1 элементов · Не более 20 элементов |
speakers | Нет | Состав для dialogue: одна или две записи, у каждой name, на который ссылаются реплики, |
voice_id | Нет | Один из 30 готовых голосов, у каждого свой постоянный характер. По умолчанию Kore. |
style | Нет | Общая манера чтения. Оставьте пустым, чтобы голос читал в своей манере по умолчанию. |
pace | Нет | Ритм чтения: natural, |
accent | Нет | Английский акцент для озвучки. По умолчанию neutral. |
instructions | Нет | Свободное указание к подаче: темп, настроение, расстояние до микрофона, слушатель. Влияет на исполнение и не произносится. Не более 1000 символов |
scene | Нет | Где и кому говорятся слова, например «тихий гостиничный номер после полуночи». Влияет на подачу и не зачитывается. Не более 500 символов |
temperature | Нет | Вариативность между дублями, от 0 до 2: чем выше значение, тем менее предсказуема подача. Если не задано, используется значение модели по умолчанию. |
Стоимость
$0.00045 / секунда
Оплата за каждую секунду возвращённого аудио. Во время задачи резервируется сумма за 660 секунд, неиспользованная часть освобождается после измерения аудио.
Сценарии использования
Аудиокниги и длинная озвучка
Главы, сказки на ночь и сериальная проза в исполнении ровного голоса рассказчика. Выберите голос один раз и не меняйте его: один и тот же голос с теми же указаниями звучит одинаково от главы к главе.
Голоса персонажей и компаньонов
Дайте персонажу чата собственный голос. Шёпот и короткое указание превращают ровный текст в реплики, которые звучат так, будто их говорят одному слушателю, а не объявляют со сцены.
Аудиоистории без цензуры
Сценарии читаются как написаны, без фильтра контента. В наших тестах модель произносила каждое слово и реплик от первого лица, и описательных сцен, не пропуская слов и не обрывая клип раньше времени.
Голосовые дорожки для видео
Сгенерируйте реплику здесь, а затем передайте WAV модели говорящего аватара или синхронизации губ, чтобы её произнесло лицо в кадре. Длина аудио задаёт длину клипа на следующем шаге.
Руководство по промптам и практические советы
Отправьте сценарий в text
Пишите ровно так, как нужно произнести, с пунктуацией для пауз. До 5000 символов.
Выберите голос, при необходимости — стиль и акцент
По умолчанию
voice_id— Kore, accent — neutral. Задавайте style только тогда, когда нужна определённая манера, например whisper.Задайте подачу в instructions
Одно-два предложения о темпе, настроении и слушателе работают лучше списка прилагательных. Указание не зачитывается.
Что возвращается
Один WAV-файл на задачу: PCM 24 кГц, 16 бит, моно. Файл копируется в хранилище SpicyAPI и хранится 14 дней. В результате нет таймингов слов и субтитров.
Выбор голоса
voice_id принимает один из 30 готовых голосов, по умолчанию Kore. У каждого голоса свой постоянный характер: например, Kore — твёрдый, Charon — деловой, Puck — бодрый, Enceladus — с придыханием, Achernar — мягкий, Algenib — хрипловатый, Sulafat — тёплый, Gacrux — зрелый. Голос не меняется вместе с языком сценария.
Режиссура подачи
styleзадаёт общую манеру:whisper,empathetic,vocal_smile,newscaster,promo_hypeилиdeadpan. Без него голос читает в своей манере по умолчанию.accentвыбирает английский акцент, по умолчаниюneutral.paceзадаёт ритм:natural,rapid_fire,the_driftилиstaccato.instructionsпринимает свободный текст о том, как читать: темп, настроение, расстояние до микрофона, к кому обращаются.sceneговорит, где и кому произносятся слова. Ни то ни другое не зачитывается.temperature(0–2) задаёт, насколько подача различается между дублями.- Внутри
textпометки в квадратных скобках вроде[sighs]или[whispering]отыгрываются, а не зачитываются.
Два голоса в одном клипе
Для разговора отправьте dialogue вместо text, а также speakers с составом: одна или две записи, у каждой name, voice_id и по желанию accent, style, pace и profile — краткое описание говорящего, которое не зачитывается. Каждая реплика в dialogue — это {speaker, text}, где speaker — одно из этих имён; реплики звучат по порядку, до 20 реплик по 250 символов. Всё, что в записи не задано, берётся из accent, style и pace верхнего уровня. Весь разговор возвращается одним файлом WAV и оплачивается посекундно, как любой другой запрос.
Длительность и время выполнения
text принимает до 5000 символов. В наших тестах абзац из 270 символов дал 23–29 секунд аудио в зависимости от голоса и стиля. Модель останавливается на 16 384 аудиотокенах — примерно на 655 секундах. Большинство задач завершается меньше чем за минуту.
Оплата
Оплата за каждую секунду возвращённого аудио, длительность измеряется по файлу. Пока задача выполняется, на балансе резервируется сумма за 660 секунд — самый длинный клип, который может выдать модель, — а неиспользованная часть освобождается при расчёте задачи. Неудачные запросы не оплачиваются.
Контент
SpicyAPI не добавляет фильтр контента. В наших тестах сценарии, которые отклоняют другие сервисы, читались слово в слово, без пропусков и без досрочно обрезанных клипов.
SpicyAPI не добавляет фильтр контента: сценарии читаются так, как написаны, независимо от содержания. Вы отвечаете за сценарии, которые отправляете, и за использование полученного аудио, включая то, что его не выдают за слова реального человека.
Быстрый старт 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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "google/gemini-2.5-pro-tts/text-to-speech",
"input": {
"text": "Welcome back. Your files finished rendering a minute ago and are ready to download.",
"accent": "neutral",
"voice_id": "Kore"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Аутентификация, полная схема, опрос статуса и обработка ошибок описаны в справочнике API.
