Введение
Отправьте текст для озвучки и, по желанию, голос, язык, скорость и формат вывода. Задача возвращает один аудиофайл — по умолчанию MP3 24 кГц — с текстом, прочитанным этим голосом. Теги речи, записанные в тексте, например [laugh] или …, воспроизводятся, а не читаются. SpicyAPI не применяет фильтр контента, и сценарии читаются как написано. Оплата — за каждые 1 000 символов отправленного текста.
| Характеристика | Значение |
|---|---|
| Ввод | Текст |
| Вывод | Аудио |
| Обязательное поле | text — от 1 до 15 000 символов, речевые теги допускаются |
| Необязательные поля |
|
| Результат | Один аудиофайл; по умолчанию MP3, 24 кГц, 128 кбит/с, моно |
| Тарифицируемое количество | Символы отправленного текста, за каждую 1000, теги включены |
| Типичное время | От 3 до 8 секунд на 170–320 символов |
| Хранение | Сгенерированное аудио хранится 14 дней |
Параметры запроса
| Параметр | Обязательно | Описание |
|---|---|---|
text | Да | Слова для произнесения в точности как написано, с необязательными речевыми тегами вроде [laugh] или …. От 1 до 15 000 символов. Не менее 1 символов · Не более 15000 символов |
voice_id | Нет | Один из 71 готового голоса, подписанного именем, полом и языком. Eve (по умолчанию), Ara, Leo, Rex и Sal говорят на всех поддерживаемых языках; остальные настроены на один язык. |
language | Нет | Язык чтения в виде кода языка или auto (по умолчанию), чтобы определить его по сценарию. Задавайте, когда короткий или многоязычный сценарий читается не на том языке. |
speed | Нет | Скорость речи от 0,7 (медленнее) до 1,5 (быстрее); по умолчанию 1,0. На цену не влияет. |
output_format | Нет | Кодирование аудио: mp3 (по умолчанию), wav или потоки без заголовка pcm, mulaw и alaw для телефонии. На цену не влияет. |
sample_rate | Нет | Частота дискретизации в Гц: 8000, 16000, 22050, 24000 (по умолчанию), 44100 или 48000. Для телефонных линий — 8000 вместе с mulaw или alaw, для студийной работы — 44100 или 48000. |
bitrate | Нет | Битрейт MP3 в битах в секунду: от 32000 до 192000, по умолчанию 128000. Действует только при |
text_normalization | Нет | Если включено, письменные формы — числа, сокращения и символы — перед чтением переводятся в произносимую форму. По умолчанию выключено. По умолчанию: |
optimize_streaming_latency | Нет | Уровень задержки потоковой передачи модели: 0 (по умолчанию) сохраняет лучшее качество звука; 1 уменьшает первый аудиофрагмент, чтобы звук появлялся быстрее, с небольшой потерей… |
Стоимость
$0.018 / 1000 символов
Тарификация за каждую 1000 символов отправленного текста, включая пробелы, знаки препинания и речевые теги. Смета перед запуском — окончательная цена.
Сценарии использования
Голосовые сообщения и приложения-компаньоны
Шёпотом сказанная фраза, смех в нужном месте, вдох перед следующей репликой — всё записывается в сценарий тегами, так что подача становится частью текста, который вы храните и воспроизводите снова.
Аудиокниги и сериальная проза
До 15 000 символов в одном запросе, голос рассказчика, который не меняется от главы к главе, и ползунок скорости для неспешного чтения перед сном. Ни одна глава по пути не фильтруется и не смягчается.
Многоязычное озвучивание
Озвучьте один и тот же сценарий на английском, японском, французском, корейском, арабском и других языках — одним из пяти многоязычных голосов или родным голосом для каждого языка.
Телефонные линии и голосовые меню
Запросите μ-law или A-law на 8 кГц, и аудио придёт в формате, который телефонная система воспроизводит напрямую, без шага конвертации.
Руководство по промптам и практические советы
Напишите сценарий в text
До 15 000 символов. Ставьте [pause], [laugh], [breath] или … ровно там, где они нужны; ритм задают знаки препинания.
Выберите голос и язык
voice_idпо умолчанию — eve. Eve, Ara, Leo, Rex и Sal говорят на всех поддерживаемых языках; остальные голоса настроены на один. Оставьте language в auto, если только короткий или многоязычный сценарий не читается не на том языке.Задайте темп и формат
speed — от 0,7 до 1,5. Для прослушивания оставьте
output_formatв mp3, для монтажа выберите wav, для телефонии — pcm, mulaw и alaw на 8 кГц.
Что возвращается
Один аудиофайл на задачу — MP3 на 24 кГц, 128 кбит/с, моно, если не запрошено иное. Файл копируется в хранилище SpicyAPI и хранится 14 дней. Пословных меток времени и субтитров в результате нет.
Выбор голоса
voice_id принимает один из 71 готового голоса, по умолчанию eve. Eve, Ara, Leo, Rex и Sal говорят на всех поддерживаемых языках. Остальные 66 настроены каждый на один язык — путунхуа, русский, итальянский, хинди, французский, испанский, датский, вьетнамский, английский, шведский, финский, турецкий, японский, корейский, португальский, нидерландский, польский, тайский, арабский или немецкий — и лучше всего читают на нём. В форме каждый голос показан с именем, полом и языком.
Управление подачей через теги
Вписывайте подачу в text. Одиночные теги дают один звук в этом месте: [pause], [long-pause], [hum-tune], [laugh], [chuckle], [giggle], [cry], [tsk], [tongue-click], [lip-smack], [breath], [inhale], [exhale], [sigh]. Обрамляющие теги меняют слова внутри себя: <soft>, <whisper>, <loud>, <build-intensity>, <decrease-intensity>, <higher-pitch>, <lower-pitch>, <slow>, <fast>, <sing-song>, <singing>, <laugh-speak>, <emphasis>. Опробованные теги отыгрывались и ни разу не зачитывались как слова.
Скорость, язык и формат
speed — от 0,7 до 1,5. language определяется автоматически, если оставить auto; задавайте его, когда короткий или многоязычный сценарий читается не на том языке. output_format по умолчанию — mp3; wav подходит для монтажа, а pcm, mulaw и alaw — потоки без заголовка для телефонии, используйте их с sample_rate 8000. bitrate влияет только на MP3. optimize_streaming_latency (0, 1 или 2) — уровень задержки потоковой передачи модели: чем он выше, тем меньше первый аудиофрагмент и тем вероятнее потеря качества на стыках фрагментов; 0 сохраняет лучшее качество.
Тарификация
За каждую 1000 символов text, включая пробелы, знаки препинания, переносы строк и теги. Количество известно до запуска задачи, поэтому смета — это итоговая сумма. Голос, язык, скорость и формат на цену не влияют. Неудачные запросы не тарифицируются.
Контент
SpicyAPI не добавляет фильтра контента. В наших тестах самые сильные отправленные сценарии читались слово в слово, без пропусков и без обрезанных клипов.
SpicyAPI не добавляет фильтр контента: NSFW-сценарии читаются так, как написаны. Вы отвечаете за отправляемые сценарии и за использование полученного 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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "xai/grok-tts/text-to-speech",
"input": {
"text": "Welcome back. Your files finished rendering a minute ago and are ready to download.",
"bitrate": 128000,
"language": "auto",
"voice_id": "eve",
"sample_rate": 24000,
"output_format": "mp3"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Аутентификация, полная схема, опрос статуса и обработка ошибок описаны в справочнике API.
