API દસ્તાવેજ

Speech to Speech AI ને તમારા કાર્યક્રમોમાં સરળ REST API સાથે સંકલિત કરો.

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
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
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.

હેડર
Authorization: Bearer YOUR_API_KEY
તમારા API કી તમારા માંથી મેળવો ખાતા ડેશબોર્ડ.

અવાજ ક્લોનિંગ

POST /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

POST /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

POST /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