Введение
Отправьте текст для чтения и по желанию один из 30 голосов, акцент, стиль, темп, сцену и короткую пометку о подаче; для разговора вместо text отправьте dialogue и speakers. Задача возвращает один файл WAV (24 кГц, 16 бит, моно) со сценарием, прочитанным этим голосом, а для диалога — максимум двумя голосами. В сценарии указания в квадратных скобках вроде [whispering], [sighs] или [laughing] отыгрываются, а не зачитываются, а пунктуация задаёт паузы. SpicyAPI не применяет фильтр контента: сценарии, которые заблокировало бы официальное приложение, читаются так, как написаны. Оплата — за каждую 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 |
| Самый длинный клип | 16 384 аудиотокена |
| Тарифицируемое количество | Секунды возвращённого звука, измеренные по файлу |
| Хранение | Сгенерированный звук хранится 14 дней |
Параметры запроса
| Параметр | Обязательно | Описание |
|---|---|---|
text | Нет | Слова, которые нужно произнести, в точности как написано. Указания в квадратных скобках, такие как [whispering] или [sighs], разыгрываются, 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, 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
$0.00032 / секунда
Тарификация за каждую секунду возвращённого звука. Пока задача выполняется, удерживается сумма, эквивалентная 660 секундам, а неиспользованная часть высвобождается после измерения звука.
Сценарии использования
Аудиокниги и длинные повествования
Главы, сказки на ночь и сериализованная художественная проза, читаемые ровным, стабильным рассказчиком. Выберите голос один раз и придерживайтесь его: один и тот же голос звучит одинаково от главы к главе.
Голоса персонажей и компаньонов
Дайте персонажу чата собственный голос. Указание [whispering] и короткие разговорные фразы превращают обычный текст в реплики, звучащие так, будто предназначены только для одного слушателя.
Аудиоистории без цензуры
Сценарии без фильтров читаются так, как написаны. В наших тестах модель озвучивала каждое слово отправленных монологов и повествования и исполняла пометки в квадратных скобках, например вздохи и ахи, вместо того чтобы зачитывать теги.
Голосовые дорожки для видео
Сгенерируйте реплику здесь, а затем передайте WAV модели говорящего аватара или синхронизации губ, чтобы её озвучило лицо на экране. Длительность звука задаёт длительность итогового клипа.
Руководство по промптам и практические советы
Отправьте сценарий текстом
Напишите его в точности так, как он должен прозвучать, включая пунктуацию для пауз. До 5000 символов.
Выберите голос
По умолчанию
voice_id— Kore. Каждый из 30 голосов имеет неизменный характер, поэтому выберите один раз и придерживайтесь его на протяжении серии.Впишите режиссуру в сценарий
Размещайте указания в квадратных скобках именно там, где они должны происходить, — [whispering], [sighs], [laughing], [gasping]. Они разыгрываются, а не зачитываются вслух.
Что возвращается
Один файл WAV на задачу: 24 кГц, 16 бит, моно PCM. Файл копируется в хранилище SpicyAPI и хранится 14 дней. Результат не содержит пословных таймингов 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 шёпотный, Achernar мягкий, Algenib хрипловатый, Sulafat тёплый, Gacrux зрелый. Голос не меняется в зависимости от языка сценария.
Управление подачей
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.
Прямо в text:
- Указания в квадратных скобках, такие как
[whispering],[sighs],[laughing]или[gasping], разыгрываются, а не зачитываются вслух. - Запятые, многоточия и точки задают паузы.
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 5000 символов. В наших тестах абзац из 270 символов превращался в 20–24 секунды звука. Модель останавливается на 16 384 аудиотокенах на клип. Большинство задач завершается меньше чем за минуту.
Тарификация
Тарификация за каждую секунду возвращённого звука, измеренную по файлу. Пока задача выполняется, на балансе удерживается сумма, эквивалентная 660 секундам, а неиспользованная часть высвобождается при завершении расчёта по задаче. Неудачные запросы не тарифицируются.
Контент
SpicyAPI не добавляет никакого контент-фильтра. В наших тестах сценарии без фильтров читались слово в слово, а пометки в квадратных скобках, например вздохи и ахи, исполнялись, а не зачитывались.
SpicyAPI не добавляет фильтр контента: сценарии читаются так, как написаны, без какого-либо смягчения. Вы несёте ответственность за отправляемые сценарии и за то, как используете полученный звук, включая недопустимость 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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "google/gemini-3.8-flash-tts/text-to-speech",
"input": {
"text": "Welcome back. Your files finished rendering a minute ago and are ready to download.",
"voice_id": "Kore"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Аутентификация, полная схема, опрос статуса и обработка ошибок описаны в справочнике API.
