ઝડપી શરૂઆત
૫ મિનિટમાં Speech to Speech AI API સાથે શરૂઆત કરો.
આધાર URL
https://api.speechtospeechai.com/v1
૧. કાર્ય શરૂ કરો
દરેક સાધન તમારી API કી સાથે POST છે. જવાબ કામ id છે, ઓડિયો નથી.
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"}
૨. પરિણામ માટે પોલ
દરેક થોડી સેકન્ડો માટે કામ માટે પૂછો જ્યાં સુધી સ્થિતિ સમાપ્ત ન થાય, પછી result_url ડાઉનલોડ કરો.
curl "https://api.speechtospeechai.com/v1/speech/results/?uuid=3f2c..." \
-H "Authorization: Bearer YOUR_API_KEY"
{"status": "completed", "result_url": "https://.../output.mp3"}
સત્તાધિકરણ
બધા API સૂચનોને API કી મારફતે સત્તાધિકરણની જરૂર છે Authorization હેડર.
Authorization: Bearer YOUR_API_KEY
અવાજ ક્લોનિંગ
/v1/voice-clone/
ટૂંકી સંદર્ભ રેકોર્ડિંગની અવાજમાં લખાણ બોલો.
વિનંતી શરીર (બહુભાગી/ફોર્મ-ડેટા)
| પરિમાણો | પ્રકાર | જરૂરી | વર્ણન |
|---|---|---|---|
reference_audio |
file | હા | ક્લોન કરવા માટે અવાજ રેકોર્ડિંગ (10-30 સેકન્ડો સૂચવાયેલ છે, 60 સુધી) |
text |
string | હા | આ અવાજમાં બોલવા માટેનું લખાણ |
model |
string | નહિં | ચેટબોક્સ, ઓપનવોઇસ, ટૉર્ટીઝ અથવા gpt-sovits |
language |
string | નહિં | ભાષા કોડ (મૂળભૂત: en) |
જવાબ
કામ id (uuid). પોલ GET /v1/speech/results/?uuid= જ્યાં સુધી સ્થિતિ સમાપ્ત થાય અને result_url ડાઉનલોડ થાય ત્યાં સુધી.
લખાણથી વાણી
/v1/tts/
લખાણને બોલવાની ઓડિયોમાં ફેરવો.
વિનંતી શરીર (બહુભાગી/ફોર્મ-ડેટા)
| પરિમાણો | પ્રકાર | જરૂરી | વર્ણન |
|---|---|---|---|
text |
string | હા | ફેરબદલી કરવા માટેનું લખાણ (મહત્તમ ૫૦૦૦ અક્ષરો) |
model |
string | નહિં | કોકોરો (મૂળભૂત), પાઇપર, વિટ્સ અથવા બાર્ક |
voice_id |
string | નહિં | GET /v1/speech/voices/?model= માંથી અવાજ id |
language |
string | નહિં | ભાષા કોડ (મૂળભૂત: en) |
speed |
float | નહિં | ઝડપ ગુણક (0.5-2.0, મૂળભૂત ૧.૦) |
format |
string | નહિં | wav (મૂળભૂત), mp3, ogg અથવા flac. SSML ટેગો સંયોજન પહેલાં દૂર કરવામાં આવે છે. |
જવાબ
કામ id (uuid). પોલ GET /v1/speech/results/?uuid= જ્યાં સુધી સ્થિતિ સમાપ્ત થાય અને result_url ડાઉનલોડ થાય ત્યાં સુધી.
બોલી થી લખાણ
/v1/transcribe/
સમયસમાચાર સાથે લખાણમાં ઓડિયોનું અનુવાદ કરો.
વિનંતી શરીર (બહુભાગી/ફોર્મ-ડેટા)
| પરિમાણો | પ્રકાર | જરૂરી | વર્ણન |
|---|---|---|---|
file |
file | હા | ટ્રાન્સક્રિપ્શન માટે ઓડિયો/વિડિયો ફાઈલ |
model |
string | નહિં | large-v3 (મૂળભૂત) અથવા ટર્બો |
language |
string | નહિં | ભાષા કોડ, અથવા તેને શોધવા માટે આપોઆપ (મૂળભૂત) |
enable_word_timestamps |
bool | નહિં | દરેક શબ્દને શરૂઆત અને અંત સમય ઉમેરો |
callback_url |
string | નહિં | URL કે જે POST દ્વારા પરિણામને મેળવે છે જ્યારે કામ સમાપ્ત થાય છે |
જવાબ
કામ id (uuid). પોલ GET /v1/transcribe/results/?uuid= જ્યાં સુધી સ્થિતિ સમાપ્ત ન થાય ત્યાં સુધી; જવાબ પછી લખાણ, ભાષા અને સેગમેન્ટો લાવશે.
ઉપલબ્ધ મોડેલો
લખાણ-થી-ભાષા મોડેલો
| મોડેલ ID | વર્ણન | માટે શ્રેષ્ઠ |
|---|---|---|
kokoro |
ઝડપી બહુભાષી TTS | સામાન્ય વપરાશ, ઓછું લૅટેન્સી |
piper |
હળવા બહુભાષી TTS (ફક્ત વેપારિક લાઇસન્સ થયેલ અવાજો) | ૧૧ ભાષાઓમાં ઝડપી રેન્ડરિંગ |
vits |
LJSpeech plus 108 VCTK English speakers | અંગ્રેજી ઉચ્ચારણો |
bark |
જનરેટીવ TTS, ૧૩ ભાષાઓમાં ૧૩૦ પૂર્વસુયોજનો | વિવિધ, વ્યક્ત કરનાર પૂરું પાડનાર (ધીમો) |
openvoice |
અવાજ ક્લોનિંગ અને વૈકલ્પિક અવાજ રૂપાંતરણ | ચેટબોક્સ માટે વૈકલ્પિક |
chatterbox |
૨૩ ભાષાઓમાં ઝીરો-શોટ અવાજ ક્લોનિંગ; મૂળભૂત અવાજ રૂપાંતરણ મોડેલ | ટૂંકા નમૂનામાંથી ક્લોનિંગ |
બોલી-થી-લખાણ મોડેલો
| મોડેલ ID | વર્ણન | માટે શ્રેષ્ઠ |
|---|---|---|
whisper-large-v3 |
OpenAI Whisper Large v3 | ઊંચી ચોકસાઈ, બહુભાષી |
whisper-turbo |
ઝડપ માટે શ્રેષ્ઠ થયેલ Whisper | ઝડપી લખાણ બદલો |
ભૂલ કોડ્સ
| કોડ | સ્થિતિ | વર્ણન |
|---|---|---|
invalid_api_key |
401 | અયોગ્ય અથવા ગુમ થયેલ API કી |
insufficient_credits |
402 | આ ક્રિયા માટે પૂરતા ક્રેડિટ નથી |
rate_limit_exceeded |
429 | ઘણી બધી વિનંતીઓ |
invalid_request |
400 | અયોગ્ય રીતે બંધબેસતુ વિનંતી શરીર |
model_not_found |
404 | વિનંતી થયેલ મોડેલ અસ્તિત્વ ધરાવતુ નથી |
voice_not_found |
404 | વિનંતી થયેલ અવાજ અસ્તિત્વ ધરાવતો નથી |
file_too_large |
413 | અપલોડ કરેલ ફાઇલ માપ મર્યાદાને વટાવે છે |
server_error |
500 | આંતરિક સર્વર ભૂલ |