Введение
Отправьте текст для озвучки и, по желанию, один из 30 голосов, акцент, стиль, темп, сцену и короткую заметку о подаче; для разговора отправьте реплики и говорящих вместо текста. Задача возвращает один WAV-файл (24 кГц, 16 бит, моно) с текстом, прочитанным этим голосом, или до двух голосов для диалога, обычно за секунды. Задавайте подачу пунктуацией: скобочные указания вроде [sighs] надёжно не исполняются и иногда читаются вслух. SpicyAPI не применяет фильтр контента, поэтому каждый сценарий читается как написано. 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 файл WAV, 24 кГц, 16 бит, моно |
| Максимальная длина клипа | 16 384 аудиотокена |
| Тарифицируемая величина | Секунды возвращённого аудио, измеренные по файлу |
| Хранение | Сгенерированное аудио хранится 14 дней |
Параметры запроса
| Параметр | Обязательно | Описание |
|---|---|---|
text | Нет | Слова, которые нужно произнести, ровно в том виде, в каком они написаны. 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, каждый с неизменным характером. 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. Если не задан, голос сохраняет собственный акцент. |
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
$0.00021 / секунда
Оплата взимается за каждую секунду возвращённого аудио. Пока задача выполняется, блокируется сумма, эквивалентная 660 секундам, а неиспользованная часть освобождается после измерения аудио.
Сценарии использования
Массовая озвучка
Тексты для товаров, сценарии уроков, начитка статей и пакеты коротких реплик, где скорость и стоимость важнее актёрских нюансов.
Голоса персонажей и компаньонов
Дайте чат-персонажу собственный голос и отвечайте за считаные секунды. Короткие разговорные фразы и аккуратная пунктуация задают большую часть тона.
Аудиоистории без цензуры
Сценарии проходят без фильтра контента. В наших тестах модель произносила каждое слово самых смелых монологов и описательных сцен, которые мы отправляли, без пропусков и обрывов.
Голосовые дорожки для видео
Сгенерируйте реплику здесь, а затем передайте WAV-файл модели говорящего аватара или синхронизации губ, чтобы её отыграло лицо. Длина аудио задаёт длину получившегося клипа.
Руководство по промптам и практические советы
Отправьте сценарий в виде текста
Запишите его именно так, как он должен звучать, включая пунктуацию для пауз. До 5 000 символов.
Выберите голос
По умолчанию
voice_id— Kore. Каждый из 30 голосов имеет неизменный характер, поэтому выберите один голос и сохраняйте его для всей серии.Записывайте звуки как звуки
Вздохи, смех или стоны записывайте буквами — «Mmm…», «ha…», «ahh…» — вместо тегов в квадратных скобках, которые эта модель иногда зачитывает вслух.
Что возвращает модель
Один файл WAV на задачу: 24 кГц, 16 бит, моно PCM. Файл копируется в хранилище SpicyAPI и хранится 14 дней. В результате нет пометок времени по словам или субтитров.
Выбор голоса
voice_id принимает один из 30 готовых голосов, по умолчанию — Kore. У каждого голоса неизменный характер — например, Kore твёрдый, Charon информативный, Puck бодрый, Enceladus с придыханием, Achernar мягкий, Algenib хрипловатый, Sulafat тёплый, Gacrux зрелый. Голос не меняется в зависимости от языка сценария.
Как формировать подачу
Помимо text и voice_id, чтение формируют эти настройки:
style,accentиpaceзадают манеру, английский акцент и ритм; без них голос сохраняет собственные.instructionsпринимает свободный текст о том, как читать, аsceneговорит, где и кому произносятся слова. Ни то ни другое не зачитывается.temperature(0–2) задаёт, насколько подача различается между дублями.
Пунктуация по-прежнему во многом определяет подачу: запятые и многоточия замедляют её, а короткие предложения делают разговорнее.
Указания в квадратных скобках, такие как [sighs], отыгрываются не всегда надёжно — в наших тестах модель иногда просто зачитывала вслух слово в скобках. Вместо этого записывайте звуки буквами («Mmm…», «ahh…»). Если важно, чтобы указания действительно отыгрывались, используйте Gemini 3.8 Flash TTS.
В этой модели режиссура, отправленная для одного голоса, может быть зачитана в начале клипа. Поэтому, если запрос с одним голосом содержит style, accent, pace, instructions или scene, SpicyAPI отправляет его в двухголосом формате модели с молчащим вторым говорящим, и пометки не попадают в аудио. Оплата не меняется: вы платите за возвращённые секунды.
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.
Длина и тайминг
text принимает до 5 000 символов. В наших тестах абзац из 270 символов превращался в 22–26 секунд аудио, а медианное время генерации задачи составляло около 7 секунд. Модель останавливается на 16 384 аудиотокенах на клип.
Тарификация
Оплата взимается за каждую секунду возвращённого аудио, измеренную по файлу. Пока задача выполняется, на балансе блокируется сумма, эквивалентная 660 секундам, а неиспользованная часть освобождается при завершении расчёта по задаче. Неудачные запросы не оплачиваются.
Контент
SpicyAPI не добавляет фильтра контента. В наших тестах каждый сценарий был прочитан слово в слово, включая самые смелые, без пропусков и без преждевременно оборванных клипов.
SpicyAPI не добавляет никаких фильтров контента: сценарии NSFW читаются дословно, как написаны. Вы несёте ответственность за отправляемые сценарии и за то, как вы используете полученное аудио, в том числе за то, чтобы не выдавать его 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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "google/gemini-3.8-flash-lite-tts/text-to-speech",
"input": {
"text": "Welcome back. Your files finished rendering a minute ago and are ready to download.",
"voice_id": "Kore"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Аутентификация, полная схема, опрос статуса и обработка ошибок описаны в справочнике API.
