Flýtistart
Byrjaðu með Speech to Speech AI API í undir 5 mínútur.
Grunnslóð
https://api.speechtospeechai.com/v1
1. Byrjaðu starf
Hvert tól er POST með API lykilinn þinn. Svarið er starf ID, ekki hljóð.
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 fyrir niðurstöðuna
Biðja um starf á nokkrum sekúndum þar til stöðu er lokið, þá sækja 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"}
Auðkenning
Allar API beiðnir þurfa staðfestingu með API lykli í Authorization haus.
Authorization: Bearer YOUR_API_KEY
Raddklóðun
/v1/voice-clone/
Talaðu texta í rödd stuttrar tilvísunar upptöku.
Beiðni Body (multipart/form-data)
| Breyta | Tegund | Nauðsynlegt | Lýsing |
|---|---|---|---|
reference_audio |
file | Já | Upptöku rödd til að klóna (10-30 sekúndur mælt með, allt að 60) |
text |
string | Já | Texti til að tala í þeirri rödd |
model |
string | Nei | chatterbox, openvoice, tortoise eða gpt-sovits |
language |
string | Nei | Tungumálakóði (sjálfgefið: en) |
Svar
Poll GET /v1/speech/results/?uuid= þar til stöðu er lokið og sækja result_url.
Texti í tal
/v1/tts/
Umbreyta texta í tal hljóð.
Beiðni Body (multipart/form-data)
| Breyta | Tegund | Nauðsynlegt | Lýsing |
|---|---|---|---|
text |
string | Já | Texti til að breyta (hámark 5000 stafir) |
model |
string | Nei | kokoro (sjálfgefið), piper, vits eða bark |
voice_id |
string | Nei | Voice id frá GET /v1/speech/voices/?model= |
language |
string | Nei | Tungumálakóði (sjálfgefið: en) |
speed |
float | Nei | Hraði margfaldari (0.5-2.0, sjálfgefið 1.0) |
format |
string | Nei | wav (sjálfgefið), mp3, ogg eða flac. SSML merki eru fjarlægð áður en myndun hefst. |
Svar
Poll GET /v1/speech/results/?uuid= þar til stöðu er lokið og sækja result_url.
Tal í texta
/v1/transcribe/
Skrifaðu hljóð í texta með tímastimpil.
Beiðni Body (multipart/form-data)
| Breyta | Tegund | Nauðsynlegt | Lýsing |
|---|---|---|---|
file |
file | Já | Hljóð-/myndskrá til að afrita |
model |
string | Nei | large- v3 (sjálfgefið) eða turbo |
language |
string | Nei | Tungumálakóði, eða sjálfvirkt til að greina það (sjálfgefið) |
enable_word_timestamps |
bool | Nei | Bæta við upphafs- og lokatíma við hvert orð |
callback_url |
string | Nei | Slóð sem fær niðurstöðuna með POST þegar verkinu lýkur |
Svar
Poll GET /v1/transcribe/results/?uuid= þar til stöðu er lokið; svarið ber þá texta, tungumál og hluta.
Tiltækar gerðir
Texti-í-tal módel
| Tegundarnefni | Lýsing | Best fyrir |
|---|---|---|
kokoro |
Fast fjöltyngdur TTS | Almenn notkun, lág leynd |
piper |
Léttur fjöltyngdur TTS (aðeins í viðskiptalegum leyfum) | Fast gerir á 11 tungumálum |
vits |
LJSpeech auk 108 VCTK ensku hátalara | Enska greindarvísitala |
bark |
Generative TTS, 130 forstillingar á 13 tungumálum | Fjölbreytt, tjáningarmikil afhendingu (hægt) |
openvoice |
Voice klónun og valfrjáls rödd viðskipti | Valkostur við Chatterbox |
chatterbox |
Zero-skot rödd klónun á 23 tungumálum; sjálfgefið rödd umbreytingu líkan | Klónun úr stuttu sýni |
Tal- í- texta módel
| Tegundarnefni | Lýsing | Best fyrir |
|---|---|---|
whisper-large-v3 |
OpenAI Whisper Large v3 | Hæsta nákvæmni, fjöltyngdur |
whisper-turbo |
Bjartsýni Whisper fyrir hraða | Hröð útskrift |
Villa
| Kóði | Staða | Lýsing |
|---|---|---|
invalid_api_key |
401 | Ógild eða vantar API lykil |
insufficient_credits |
402 | Ekki næg eintök fyrir þessa aðgerð |
rate_limit_exceeded |
429 | Of margar beiðnir |
invalid_request |
400 | Ógild beiðni |
model_not_found |
404 | Beðið líkan er ekki til |
voice_not_found |
404 | Beðið rödd er ekki til |
file_too_large |
413 | Skráin sem var hlaðið inn fer yfir stærðartakmörk |
server_error |
500 | Innri þjónsvilla |