ចាប់ផ្ដើមរហ័ស
ចាប់ផ្តើមជាមួយ Speech to Speech AI API នៅក្រោម5នាទី។
URL មូលដ្ឋាន
https://api.speechtospeechai.com/v1
១. ចាប់ផ្ដើមការងារ
ឧបករណ៍នីមួយៗគឺ POST ជាមួយកូនសោ API របស់អ្នក ។ ចម្លើយគឺលេខសម្គាល់ការងារ មិនមែនអូឌីយ៉ូទេ ។
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. សំឡេងឆ្នោតសម្រាប់លទ្ធផល
សំណូមពរការងាររាល់វិនាទីមួយចំនួនរហូតដល់ស្ថានភាពត្រូវបានបញ្ចប់ បន្ទាប់មកទាញយក 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"}
ការផ្ទៀងផ្ទាត់ភាពត្រឹមត្រូវ
សំណើ API ទាំងអស់ត្រូវការការផ្ទៀងផ្ទាត់ភាពត្រឹមត្រូវតាមរយៈកូនសោ API នៅក្នុង Authorization បឋមកថា ។
Authorization: Bearer YOUR_API_KEY
ការក្លូនសំឡេង
/v1/voice-clone/
និយាយអត្ថបទជាសំឡេងនៃការថតសេចក្ដីយោងខ្លី ។
តួសំណើ (ផ្នែកច្រើន/ ទិន្នន័យសំណុំបែបបទ)
| ប៉ារ៉ាម៉ែត្រ | ប្រភេទ | ចាំបាច់ | សេចក្ដីពិពណ៌នា |
|---|---|---|---|
reference_audio |
file | បាទ/ ចាស | ការថតសំឡេងដើម្បីក្លូន (10- 30 វិនាទីដែលបានផ្ដល់អនុសាសន៍រហូតដល់ 60) |
text |
string | បាទ/ ចាស | អត្ថបទដែលត្រូវនិយាយក្នុងសំឡេងនោះ |
model |
string | គ្មាន | chatterbox openvoice tortoise ឬ gpt-sovits |
language |
string | គ្មាន | កូដភាសា (លំនាំដើម ៖ en) |
ការឆ្លើយតប
លេខសម្គាល់ការងារ (uuid) ។ សំណួរ GET /v1/speech/results/?uuid= រហូតទាល់តែស្ថានភាពត្រូវបានបញ្ចប់និងទាញយក result_url ។
អត្ថបទទៅជាការនិយាយ
/v1/tts/
បម្លែងអត្ថបទទៅជាអូឌីយ៉ូនិយាយ ។
តួសំណើ (ផ្នែកច្រើន/ ទិន្នន័យសំណុំបែបបទ)
| ប៉ារ៉ាម៉ែត្រ | ប្រភេទ | ចាំបាច់ | សេចក្ដីពិពណ៌នា |
|---|---|---|---|
text |
string | បាទ/ ចាស | អត្ថបទត្រូវបម្លែង (អតិបរមា ៥០០០ តួអក្សរ) |
model |
string | គ្មាន | kokoro (លំនាំដើម) piper vits ឬ bark |
voice_id |
string | គ្មាន | លេខសម្គាល់សំឡេងពី GET /v1/speech/voices/?model= |
language |
string | គ្មាន | កូដភាសា (លំនាំដើម ៖ en) |
speed |
float | គ្មាន | Speed multiplier (0.5-2.0, default 1.0) |
format |
string | គ្មាន | wav (លំនាំដើម) mp3 ogg ឬ flac ។ ស្លាក SSML ត្រូវបានយកចេញមុនពេលសំយោគ ។ |
ការឆ្លើយតប
លេខសម្គាល់ការងារ (uuid) ។ សំណួរ GET /v1/speech/results/?uuid= រហូតទាល់តែស្ថានភាពត្រូវបានបញ្ចប់និងទាញយក result_url ។
និយាយទៅអត្ថបទ
/v1/transcribe/
បម្លែងអូឌីយ៉ូទៅអត្ថបទជាមួយនឹងត្រាពេលវេលា ។
តួសំណើ (ផ្នែកច្រើន/ ទិន្នន័យសំណុំបែបបទ)
| ប៉ារ៉ាម៉ែត្រ | ប្រភេទ | ចាំបាច់ | សេចក្ដីពិពណ៌នា |
|---|---|---|---|
file |
file | បាទ/ ចាស | ឯកសារអូឌីយ៉ូ/វីដេអូដែលត្រូវបម្លែង |
model |
string | គ្មាន | ធំ- v3 (លំនាំដើម) ឬ ធុងបាស |
language |
string | គ្មាន | កូដភាសា ឬស្វ័យប្រវត្តិដើម្បីរកវា (លំនាំដើម) |
enable_word_timestamps |
bool | គ្មាន | បន្ថែមពេលវេលាចាប់ផ្ដើម និងបញ្ចប់ទៅពាក្យនីមួយៗ |
callback_url |
string | គ្មាន | URL ដែលទទួលលទ្ធផលដោយ POST ពេលការងារបញ្ចប់ |
ការឆ្លើយតប
លេខសម្គាល់ការងារ (uuid) ។ សំណួរ GET /v1/transcribe/results/?uuid= រហូតដល់ស្ថានភាពត្រូវបានបញ្ចប់ បន្ទាប់មកចម្លើយមានអត្ថបទ ភាសា និងផ្នែក ។
ម៉ូដែលដែលមាន
អត្ថបទទៅជាម៉ូដែលនិយាយ
| លេខសម្គាល់ម៉ូដែល | សេចក្ដីពិពណ៌នា | ល្អបំផុតសម្រាប់ |
|---|---|---|
kokoro |
TTS ច្រើនភាសាលឿន | ការប្រើទូទៅ ពន្យារពេលទាប |
piper |
TTS ច្រើនភាសាស្រាល (តែសំឡេងដែលបានអនុញ្ញាតពាណិជ្ជកម្មប៉ុណ្ណោះ) | បង្ហាញរហ័សក្នុងភាសា ១១ |
vits |
LJSpeech បន្ថែមអ្នកនិយាយភាសាអង់គ្លេស VCTK 108 | វណ្ណយុត្តអង់គ្លេស |
bark |
TTS បង្កើតឡើង កំណត់ជាមុន 130 ក្នុង 13 ភាសា | ផ្ដល់ការបង្ហាញដែលមានលក្ខណៈខុសៗគ្នា (យឺត) |
openvoice |
ការក្លូនសំឡេង និងការបម្លែងសំឡេងជាជម្រើស | ជម្រើសសម្រាប់ Chatterbox |
chatterbox |
ក្លូនសំឡេង Zero-shot ក្នុង ២៣ ភាសា ម៉ូដែលបម្លែងសំឡេងលំនាំដើម | ការក្លូនពីគំរូខ្លី |
ម៉ូដែលនិយាយទៅអត្ថបទ
| លេខសម្គាល់ម៉ូដែល | សេចក្ដីពិពណ៌នា | ល្អបំផុតសម្រាប់ |
|---|---|---|
whisper-large-v3 |
OpenAI Whisper Large v3 | ភាពត្រឹមត្រូវខ្ពស់បំផុត ភាសាច្រើន |
whisper-turbo |
បានធ្វើឲ្យល្អបំផុត Whisper សម្រាប់ល្បឿន | បដិសេធការបម្លែងរហ័ស |
កូដកំហុស
| កូដ | ស្ថានភាព | សេចក្ដីពិពណ៌នា |
|---|---|---|
invalid_api_key |
401 | សោ API មិនត្រឹមត្រូវ ឬបាត់ |
insufficient_credits |
402 | គ្មានពិន្ទុគ្រប់គ្រាន់សម្រាប់ប្រតិបត្តិការនេះទេ |
rate_limit_exceeded |
429 | សំណើច្រើនពេក |
invalid_request |
400 | តួសំណើដែលមានលក្ខណៈមិនត្រឹមត្រូវ |
model_not_found |
404 | មិនមានម៉ូដែលដែលបានស្នើឡើយ |
voice_not_found |
404 | គ្មានសំឡេងដែលបានស្នើទេ |
file_too_large |
413 | ឯកសារដែលបានផ្ទុកឡើងលើសពីដែនកំណត់ទំហំ |
server_error |
500 | កំហុសម៉ាស៊ីនបម្រើខាងក្នុង |