API Dokumentasyon
Isama Speech to Speech AI sa iyong mga application na may isang simpleng REST API.
Mabilis na pagsisimula
Magsimula sa Speech to Speech AI API sa ilalim ng5minuto.
Base URL
https://api.speechtospeechai.com/v1
1. Magsisimula ng trabaho
Ang bawat tool ay isang POST sa iyong API key. Ang sagot ay isang trabaho id, hindi ang audio.
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. Poll para sa resulta
Magtanong para sa trabaho sa bawat ilang segundo hanggang sa ang katayuan ay nakumpleto, pagkatapos ay i-download ang result_url.
curl "https://api.speechtospeechai.com/v1/speech/results/?uuid=3f2c..." \
-H "Authorization: Bearer YOUR_API_KEY"
{"status": "completed", "result_url": "https://.../output.mp3"}
Pag-authenticate
Lahat ng mga kahilingan API nangangailangan ng pag-verify sa pamamagitan ng isang API key sa Authorization Ang Header!
Authorization: Bearer YOUR_API_KEY
Voice Cloning
/v1/voice-clone/
Magsalita ng isang teksto sa boses ng isang maikling reference recording.
Humingi ng katawan (multipart / form-data)
| Parameter | Uri | Kinakailangan | Paglalarawan |
|---|---|---|---|
reference_audio |
file | Oo | Pag-record ng boses upang i-clone (10-30 segundo inirerekomenda, hanggang sa 60) |
text |
string | Oo | Text upang makipag-usap sa boses na |
model |
string | Hindi | chatterbox, openvoice, tortoise o gpt-sovits |
language |
string | Hindi | Ang code ng wika (default: en) |
Tugon
Ang isang trabaho id (uuid). Poll GET /v1/speech/results/?uuid= hanggang sa katayuan ay nakumpleto at i-download ang resulta_url.
Teksto sa Pagsasalita
/v1/tts/
I-convert ang teksto sa pagsasalita audio.
Humingi ng katawan (multipart / form-data)
| Parameter | Uri | Kinakailangan | Paglalarawan |
|---|---|---|---|
text |
string | Oo | Teksto upang i-convert (max 5000 character) |
model |
string | Hindi | kokoro (default), piper, vits o bark |
voice_id |
string | Hindi | Ang mga ito ay: 1. ang mga salitang may 1/ |
language |
string | Hindi | Ang code ng wika (default: en) |
speed |
float | Hindi | Speed multiplier (0.5-2.0, default 1.0) |
format |
string | Hindi | Ang mga ito ay ang mga sumusunod: MP3, WAV, OGG, FLAC, at ang mga SSML tags ay tinanggal bago ang synthesis. |
Tugon
Ang isang trabaho id (uuid). Poll GET /v1/speech/results/?uuid= hanggang sa katayuan ay nakumpleto at i-download ang resulta_url.
Pagsasalita sa Teksto
/v1/transcribe/
I-transcribe ang audio sa teksto na may timestamps.
Humingi ng katawan (multipart / form-data)
| Parameter | Uri | Kinakailangan | Paglalarawan |
|---|---|---|---|
file |
file | Oo | Audio / video file upang i-transcribe |
model |
string | Hindi | malaking-v3 (default) o turbo |
language |
string | Hindi | Language code, o auto upang matukoy ito (default) |
enable_word_timestamps |
bool | Hindi | Magdagdag ng isang simula at katapusan ng oras sa bawat salita |
callback_url |
string | Hindi | URL na tumatanggap ng resulta sa pamamagitan ng POST kapag ang trabaho ay nagtatapos |
Tugon
Poll GET /v1/transcribe/results/?uuid= hanggang sa katayuan ay nakumpleto; ang sagot pagkatapos ay nagdadala ng teksto, wika at segment.
Available na Modelo
Mga modelong Text-to-Speech
| Model ID | Paglalarawan | Pinakamahusay para sa |
|---|---|---|
kokoro |
Mabilis multilingual TTS | Pangkalahatang paggamit, mababang latency |
piper |
Magaan multilingual TTS (komersyal lisensyadong boses lamang) | Mabilis na renders sa 11 wika |
vits |
LJSpeech plus 108 VCTK English speakers | Ang Ingles na accents |
bark |
Generative TTS, 130 presets sa 13 wika | Iba-iba, masining na pagpapadala (mabagal) |
openvoice |
Voice cloning at opsyonal na conversion ng boses | Alternatibong sa Chatterbox |
chatterbox |
Zero-shot boses cloning sa 23 wika; default na modelo ng conversion ng boses | Cloning mula sa isang maikling sample |
Mga modelong Speech-to-Text
| Model ID | Paglalarawan | Pinakamahusay para sa |
|---|---|---|
whisper-large-v3 |
OpenAI Whisper Large v3 | Mataas na katumpakan, multilingual |
whisper-turbo |
Optimized whisper para sa bilis | Mabilis na transcription |
Mga Kode ng Error
| Code | Katayuan | Paglalarawan |
|---|---|---|
invalid_api_key |
401 | Walang bisa o nawawala API key |
insufficient_credits |
402 | Hindi sapat na credits para sa operasyon na ito |
rate_limit_exceeded |
429 | Masyadong maraming mga kahilingan |
invalid_request |
400 | Malformed katawan ng kahilingan |
model_not_found |
404 | Hindi umiiral ang hiniling na modelo |
voice_not_found |
404 | Hindi umiiral ang hiniling na boses |
file_too_large |
413 | Na-upload na file lumampas sa laki ng limitasyon |
server_error |
500 | Panloob na server error |