Введение
Отправьте текст для озвучивания, системный голос, эмоцию и, при желании, подсказку языка. Задача возвращает один аудиофайл с текстом, прочитанным этим голосом и с этой эмоцией: MP3 в моно на 32 кГц, если вы не задали output_format, sample_rate, bitrate или audio_channels. speed, pitch и volume регулируют подачу, а pronunciation_dict фиксирует чтение отдельных слов. Теги звуков в круглых скобках, например (sighs) или (laughs), стоящие в тексте, исполняются как звуки, а не зачитываются вслух. SpicyAPI не применяет фильтр контента: каждый сценарий читается так, как написан. Оплата — за каждые 1 000 символов отправленного текста.
| Характеристика | Значение |
|---|---|
| Ввод | Текст |
| Вывод | Аудио |
| Обязательное поле | text — от 1 до 5000 символов |
| Необязательные поля |
|
| Результат | Один аудиофайл: по умолчанию MP3 (32 кГц, моно), либо WAV, FLAC, PCM |
| Тарифицируемое количество | Символы отправленного text, за каждую 1000 |
| Типичное время | Около 8 секунд для 300 символов |
| Хранение | Сгенерированный звук хранится 14 дней |
Параметры запроса
| Параметр | Обязательно | Описание |
|---|---|---|
text | Да | Слова, которые нужно произнести, в точности как написано. Звуковые метки в скобках, такие как (sighs) или (laughs), воспроизводятся как звук, а не зачитываются. Не менее 1 символов · Не более 5000 символов |
voice_id | Нет | Один из 472 системных голосов. Значение по умолчанию — Calm_Woman. |
emotion | Нет | Одна из семи фиксированных эмоций — neutral, happy, sad, angry, fearful, disgusted или surprised — применяемая ко всему озвучиванию. Значение по умолчанию — neutral. |
speed | Нет | Скорость речи от 0,5 (медленнее) до 2 (быстрее); 1 — обычный темп голоса. Цену не меняет. |
pitch | Нет | Сдвиг высоты тона в полутонах, от -12 до 12; 0 сохраняет собственную высоту голоса. Цену не меняет. |
volume | Нет | Множитель громкости от 0,1 до 10; 1 — обычный уровень. Цену не меняет. |
language | Нет | Подсказка, улучшающая произношение для одного из 40 языков. Значение по умолчанию — auto, которое определяет язык по сценарию. |
output_format | Нет | Формат файла: mp3 (по умолчанию), wav, flac или pcm, то есть «сырые» 16-битные отсчёты little-endian без заголовка с выбранными |
sample_rate | Нет | Частота дискретизации звука в Гц: 8000, 16000, 22050, 24000, 32000, 44100. По умолчанию: 32000. |
bitrate | Нет | Битрейт MP3 в битах в секунду: 32000, 64000, 128000 или 256000. По умолчанию: 128000; действует, только если |
audio_channels | Нет | Каналы на выходе: mono (по умолчанию) или stereo. Цену не меняет. |
english_normalization | Нет | Если включено, числа, даты и сокращения в английском тексте читаются так, как их произнёс бы человек, например 1990 — как «nineteen ninety». По умолчанию выключено. По умолчанию: |
pronunciation_dict | Нет | До 100 пар {alias, pronunciation}. Каждое вхождение alias в text читается как pronunciation: обычными словами (Omg → Oh my god) или в МФА в скобках, например (rɪˈzjuːm). Не более 100 элементов |
Стоимость
$0.12 / 1000 символов
Тарификация за каждую 1000 символов отправленного текста, включая пробелы и знаки препинания. Смета перед запуском — окончательная цена.
Сценарии использования
Закадровая озвучка для коротких видео
Озвучка для объясняющих роликов, видео о продукте и постов в соцсетях. Цена определяется длиной сценария, поэтому стоимость партии известна ещё до начала.
Многоязычный контент
Зачитайте один и тот же сценарий, указав язык из 40 поддерживаемых, или оставьте language на auto и позвольте сценарию решить.
Аудиоистории без цензуры
Сценарии читаются как написаны, без фильтра контента. В наших тестах модель произносила каждое слово монологов и описательных сцен, которые отклоняют другие сервисы, исполняя вздохи и звуковые пометки вместо того, чтобы зачитывать их вслух.
Эмоциональная озвучка персонажей
Задайте одну из семи эмоций на запрос — happy, sad, angry, fearful, disgusted или surprised — и позвольте меткам (sighs), (laughs) или (breath) в сценарии формировать исполнение.
Руководство по промптам и практические советы
Отправьте сценарий в text
Напишите его в точности так, как он должен звучать, с пунктуацией для пауз и звуковыми метками вроде (sighs) в скобках там, где их нужно воспроизвести. До 5000 символов.
Выберите голос и эмоцию
voice_idпо умолчанию — Calm_Woman; emotion по умолчанию — neutral и принимает одно из семи фиксированных значений.При необходимости добавьте подсказку языка
Оставьте language на auto, чтобы язык определялся по сценарию, или задайте один из 40 языков, когда короткому или смешанному сценарию нужна помощь с произношением.
Что возвращается
Один аудиофайл на задачу: MP3 моно 32 кГц, если не менять output_format, sample_rate, bitrate или audio_channels. Файл копируется в хранилище SpicyAPI и хранится 14 дней.
Выбор голоса
voice_id принимает один из 472 системных голосов, например Calm_Woman, Deep_Voice_Man, Lively_Girl или Elegant_Man, значение по умолчанию — Calm_Woman. Клонирование и загрузка референсного голоса не предусмотрены.
Настройка эмоции
emotion принимает одно из семи фиксированных значений — neutral, happy, sad, angry, fearful, disgusted или surprised — и применяется ко всему озвучиванию. По умолчанию — neutral.
Звуковые метки
Теги в круглых скобках внутри text, например (sighs), (laughs), (breath) или (gasps), исполняются как звуки, а не зачитываются вслух. В наших тестах это работало и для сценариев, которые отклоняют другие сервисы, и для обычных.
Язык
Язык определяется по сценарию. language указывает подсказку из 40 языков, включая путунхуа, кантонский, английский, арабский, русский, испанский, французский, португальский, немецкий, японский, итальянский, корейский, польский и другие, чтобы улучшить произношение короткого или смешанного сценария.
Управление подачей
speed (0,5–2), pitch (от -12 до 12 полутонов) и volume (0,1–10) настраивают чтение, не меняя цену. pronunciation_dict принимает до 100 пар {alias, pronunciation}, чтобы имя, аббревиатура или заимствованное слово всегда читались так, как вам нужно: обычными словами или в МФА в скобках. english_normalization читает числа, даты и сокращения в английском тексте так, как их произнёс бы человек.
Формат вывода
output_format выбирает mp3 (по умолчанию), wav, flac или pcm; sample_rate — от 8000 до 44100 Гц, bitrate задаёт битрейт MP3, а audio_channels переключает на стерео. pcm — это «сырые» 16-битные отсчёты little-endian без заголовка, поэтому в браузере их не прослушать; выберите wav, если нужны те же отсчёты в проигрываемом файле.
Тарификация
Тарификация за каждую 1000 символов text, включая пробелы, знаки препинания и переносы строк. Количество символов известно ещё до начала задачи, поэтому смета совпадает с итоговым списанием. Неудачные запросы не тарифицируются.
Контент
SpicyAPI не добавляет фильтр контента. В наших тестах сценарии, которые отклоняют другие сервисы, читались слово в слово, теги звуков исполнялись как написано, без пропусков.
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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "minimax/speech-2.8-hd/text-to-speech",
"input": {
"text": "Welcome back. Your files finished rendering a minute ago and are ready to download.",
"emotion": "neutral",
"language": "auto",
"voice_id": "Calm_Woman",
"output_format": "mp3"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Аутентификация, полная схема, опрос статуса и обработка ошибок описаны в справочнике API.
