آغاز سریع
با API Speech to Speech AI در کمتر از ۵ دقیقه شروع کنید.
نشانی وب پایه
https://api.speechtospeechai.com/v1
1. Start a job
هر ابزار POST با کلید API شماست. پاسخ یک شناسه کار است، نه صدا.
curl -X POST https://api.speechtospeechai.com/v1/tts/ \
-H "Authorization: Bearer YOUR_API_KEY" \
-F "text=Hello! Welcome to Speech to Speech AI." \
-F "model=kokoro" \
-F "voice_id=af_heart" \
-F "format=mp3"
{"uuid": "3f2c...", "job_id": "...", "status": "queued"}
2. نظرسنجی برای نتیجه
هر چند ثانیه یک بار وظیفه را درخواست کنید تا وضعیت کامل شود، سپس URL نتیجه را دانلود کنید.
curl "https://api.speechtospeechai.com/v1/speech/results/?uuid=3f2c..." \
-H "Authorization: Bearer YOUR_API_KEY"
{"status": "completed", "result_url": "https://.../output.mp3"}
احراز هویت
تمام درخواستهای API نیازمند احراز هویت از طریق یک کلید API در Authorization سري
Authorization: Bearer YOUR_API_KEY
شبیهسازی صدا
/v1/voice-clone/
یک متن را با صدای یک ضبط مرجع کوتاه بگویید.
بدنۀ درخواست) چندبخشی/دادههای فرم (
| پارامتر | نوع | لازم | توصیف |
|---|---|---|---|
reference_audio |
file | آره | ضبط صدا برای شبیهسازی (۱۰-۳۰ ثانیه توصیه میشود، تا ۶۰) |
text |
string | آره | متنی که با آن صدا صحبت خواهد شد |
model |
string | نه | chatterbox، openvoice، tortoise یا gpt-sovits |
language |
string | نه | کد زبان) پیشفرض: en ( |
پاسخ
یک شناسه کار (uuid). تا زمانی که وضعیت تکمیل شود و URL نتیجه را دانلود کنید، پرس و جو GET /v1/speech/results/?uuid= را انجام دهید.
متن به گفتار
/v1/tts/
تبدیل متن به صدای گفتار.
بدنۀ درخواست) چندبخشی/دادههای فرم (
| پارامتر | نوع | لازم | توصیف |
|---|---|---|---|
text |
string | آره | متن برای تبدیل) حداکثر ۵۰۰۰ نویسه ( |
model |
string | نه | kokoro (پیشفرض)، piper، vits یا bark |
voice_id |
string | نه | شناسه صدا از GET /v1/speech/voices/?model= |
language |
string | نه | کد زبان) پیشفرض: en ( |
speed |
float | نه | Speed multiplier (0.5-2.0, default 1.0) |
format |
string | نه | wav (قبلفرض)، mp3 ، ogg یا flac. برچسبهای SSML قبل از ترکیب حذف میشوند. |
پاسخ
یک شناسه کار (uuid). تا زمانی که وضعیت تکمیل شود و URL نتیجه را دانلود کنید، پرس و جو GET /v1/speech/results/?uuid= را انجام دهید.
تبدیل گفتار به متن
/v1/transcribe/
رونوشت صدا به متن با علامت زمان.
بدنۀ درخواست) چندبخشی/دادههای فرم (
| پارامتر | نوع | لازم | توصیف |
|---|---|---|---|
file |
file | آره | پروندۀ صوتی/ویدئویی برای رونوشت |
model |
string | نه | بزرگ- v3) پیشفرض (یا توربو |
language |
string | نه | کد زبان ، یا تشخیص خودکار آن) پیشفرض ( |
enable_word_timestamps |
bool | نه | افزودن زمان آغاز و پایان به هر کلمه |
callback_url |
string | نه | نشانی وب که هنگام پایان کار، با POST نتیجه را دریافت میکند |
پاسخ
یک شناسه کار (uuid). پرس و جو GET /v1/transcribe/results/?uuid= تا زمانی که وضعیت تکمیل شود؛ پاسخ پس از آن متن، زبان و بخشها را حمل میکند.
مدلهای موجود
مدلهای متن به گفتار
| شناسۀ مدل | توصیف | بهترین برای |
|---|---|---|
kokoro |
TTS سریع چندزبانه | کاربرد عمومی ، تأخیر کم |
piper |
TTS چندزبانه سبک وزن (تنها صداهای مجوزدار تجاری) | رندرهای سریع در ۱۱ زبان |
vits |
LJSpeech plus 108 VCTK انگلیسی زبانان | لهجه انگلیسی |
bark |
TTS تولیدکننده، ۱۳۰ پیشفرض در ۱۳ زبان | ارائه متنوع و بیانگر) آهسته ( |
openvoice |
شبیهسازی صدا و تبدیل گزینشی صدا | جایگزین برای Chatterbox |
chatterbox |
شبیهسازی صدای Zero-shot در ۲۳ زبان؛ مدل پیشفرض تبدیل صدا | شبیهسازی از نمونه کوتاه |
مدلهای گفتار به متن
| شناسۀ مدل | توصیف | بهترین برای |
|---|---|---|
whisper-large-v3 |
OpenAI Whisper Large v3 | بالاترین دقت، چندزبانه |
whisper-turbo |
Whisper برای سرعت بهینه شده | رونوشت سریع |
کدهای خطا
| کد | وضعیت | توصیف |
|---|---|---|
invalid_api_key |
401 | کلید API نامعتبر یا گمشده |
insufficient_credits |
402 | اعتبار کافی برای این عملیات وجود ندارد |
rate_limit_exceeded |
429 | درخواستهای زیادی وجود دارد |
invalid_request |
400 | بدنۀ درخواست نامنظم |
model_not_found |
404 | مدل درخواست شده وجود ندارد |
voice_not_found |
404 | صدای درخواست شده وجود ندارد |
file_too_large |
413 | پروندۀ بارگذاریشده از حد اندازه تجاوز میکند |
server_error |
500 | خطای کارساز داخلی |