API ದಸ್ತಾವೇಜೀಕರಣ
Speech to Speech AI ಅನ್ನು ನಿಮ್ಮ ಅಪ್ಲಿಕೇಶನ್ಗಳಲ್ಲಿ ಸುಲಭವಾಗಿ ಬಳಸಲು, ಒಂದು ಸರಳವಾದ REST API ಅನ್ನು ಬಳಸಿ.
ತಕ್ಷಣದ ಆರಂಭComment
Speech to Speech AI API ಅನ್ನು 5 ನಿಮಿಷಕ್ಕಿಂತ ಕಡಿಮೆ ಸಮಯದಲ್ಲಿ ಬಳಸಲು ಪ್ರಾರಂಭಿಸಿ.
ಮೂಲ URL
https://api.speechtospeechai.com/v1
1. ಒಂದು ಕೆಲಸವನ್ನು ಆರಂಭಿಸು
ಪ್ರತಿಯೊಂದು ಉಪಕರಣ ನಿಮ್ಮ API ಕೀಲಿಯನ್ನು ಹೊಂದಿರುವ ಬೊಸ್ಟ್ ಆಗಿದೆ. ಉತ್ತರ ಒಂದು ಕಾರ್ಯಕ್ಷಮ ಸೂಚಕ, ಆಡಿಯೊ ಅಲ್ಲ.
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. ಫಲಿತಾಂಶಕ್ಕಾಗಿ ಬಾಲ್
ಸ್ಥಿತಿಯನ್ನು ಪರಿಶೀಲಿಸುವ ಮೊದಲು ಪ್ರತಿ ಕ್ಷಣಕ್ಕೆ ಕೆಲವು ಸೆಕೆಂಡುಗಳಿಗೆ ಕಾರ್ಯಕ್ಕಾಗಿ ಕೇಳು, ನಂತರ ಫಲಿತಾಂಶ_urlಯನ್ನು ನಕಲಿಳಿಸು.
curl "https://api.speechtospeechai.com/v1/speech/results/?uuid=3f2c..." \
-H "Authorization: Bearer YOUR_API_KEY"
{"status": "completed", "result_url": "https://.../output.mp3"}
ದೃಢೀಕರಣ
ಎಲ್ಲಾ API ಮನವಿಗಳು ಅಗತ್ಯವಾಗಿದೆ API ಕೀಲಿ ಮೂಲಕ Authorization ಶಿರೋ.
Authorization: Bearer YOUR_API_KEY
ಧ್ವನಿ ಕ್ಲಿಂಗಿಂಗ್
/v1/voice-clone/
ಒಂದು ಚಿಕ್ಕ ರೆಫರೆನ್ಸ್ ರೆಕಾರ್ಡಿಂಗ್ನಲ್ಲಿ ಒಂದು ವಚನವನ್ನು ನುಡಿಸಿರಿ.
ಮನವಿ (multitp/tara)
| ಮಾಪನಾಂಕ ನಿರ್ಣಯ (ಕ್ಯಾಲಿಬ್ರೇಷನ್) | ಬಗೆ | ಅಗತ್ಯ | ವಿವರಣೆ |
|---|---|---|---|
reference_audio |
file | ಹೌದು | Conford ಗೆ 10-30 ಸೆಕೆಂಡುಗಳ ವರೆಗಿನ ಧ್ವನಿ ರೆಕಾರ್ಡು ಮಾಡಲು, 60 ಸೆಕೆಂಡುಗಳವರೆಗೆ ಸಲಹೆ ಮಾಡಲಾಗಿದೆ |
text |
string | ಹೌದು | ಆ ಧ್ವನಿಯಲ್ಲಿ ಮಾತಾಡಬೇಕಾದ ಪಠ್ಯ |
model |
string | ಇಲ್ಲ | ಭಾಷಾಚೌಕ, ಓಪನ್ ಸ್ನಾಯು, ಆಮೆ ಅಥವಾ gpt-svats |
language |
string | ಇಲ್ಲ | ಭಾಷೆ ಸಂಜ್ಞೆ (ಪೂರ್ವನಿಯೋಜಿತ: en) |
ಪ್ರತ್ಯುತ್ತರ
ಒಂದು ಕಾರ್ಯದ ಗುರುತು (uid). PolLF/v1/ SHAT/ results/? uuid= ಸ್ಥಿತಿ ತೀರಿ, ಫಲಿತಾಂಶ_url
ಮಾತು
/v1/tts/
ಪದಗಳನ್ನು ಧ್ವನಿ ಆಡಿಯಾಗೆ ಬದಲಾಯಿಸು.
ಮನವಿ (multitp/tara)
| ಮಾಪನಾಂಕ ನಿರ್ಣಯ (ಕ್ಯಾಲಿಬ್ರೇಷನ್) | ಬಗೆ | ಅಗತ್ಯ | ವಿವರಣೆ |
|---|---|---|---|
text |
string | ಹೌದು | ಬದಲಾಯಿಸಲು ಪಠ್ಯ (ಅಗಾತ್ರ 5000 ಅಕ್ಷರಗಳು) |
model |
string | ಇಲ್ಲ | ಕೋಕೋರೋ (ಪೂರ್ವನಿಯೋಜಿತ), ಪೈನುಕಾರ, ವಿಟ್ಸ್ ಅಥವಾ ಬೋಗುಣಿ) |
voice_id |
string | ಇಲ್ಲ | /v1/mark/ subs/? ಮಾತೃಕೆ (ಮೌಲ್ಯ) ಇಂದ ಧ್ವನಿ ಸೂಚನೆ |
language |
string | ಇಲ್ಲ | ಭಾಷೆ ಸಂಜ್ಞೆ (ಪೂರ್ವನಿಯೋಜಿತ: en) |
speed |
float | ಇಲ್ಲ | ವೇಗದ ಗುಣಕ (0.5-2.0, ಪೂರ್ವನಿಯೋಜಿತವಾಗಿ 1.0). |
format |
string | ಇಲ್ಲ | Vwa (ಪೂರ್ವನಿಯೋಜಿತ), pmp3, ಗ್ಯೂ ಅಥವಾ ಪ್ಲೇಗ್. SINML ಟ್ಯಾಗ್ಗಳನ್ನು sythess ಗೆ ಮೊದಲು ತೆಗೆದು ಹಾಕಲಾಗುತ್ತದೆ. |
ಪ್ರತ್ಯುತ್ತರ
ಒಂದು ಕಾರ್ಯದ ಗುರುತು (uid). PolLF/v1/ SHAT/ results/? uuid= ಸ್ಥಿತಿ ತೀರಿ, ಫಲಿತಾಂಶ_url
ಮಾತಿನಲ್ಲಿ
/v1/transcribe/
ಆಡಿಯೋವನ್ನು ಉಪಘಟನೆಗಳೊಂದಿಗೆ ಪಠ್ಯಕ್ಕೆ ಅನುವಾದಿಸು.
ಮನವಿ (multitp/tara)
| ಮಾಪನಾಂಕ ನಿರ್ಣಯ (ಕ್ಯಾಲಿಬ್ರೇಷನ್) | ಬಗೆ | ಅಗತ್ಯ | ವಿವರಣೆ |
|---|---|---|---|
file |
file | ಹೌದು | ರೆಂಡರಿಂಗ್ ಮಾಡಲು ಆಡಿಯೋ/ವೀಡಿಯೋ ಕಡತ |
model |
string | ಇಲ್ಲ | ದೊಡ್ಡ-v3 (ಪೂರ್ವ) ಅಥವ ಸುರ್ಬೋ |
language |
string | ಇಲ್ಲ | ಭಾಷೆ ಸಂಜ್ಞೆ, ಅಥವಾ ಇದನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಸ್ವಯಂ ಆರೋಹಿಸು (ಪೂರ್ವನಿಯೋಜಿತ) |
enable_word_timestamps |
bool | ಇಲ್ಲ | ಪ್ರತಿ ಪದಕ್ಕೆ ಒಂದು ಆರಂಭ ಮತ್ತು ಕೊನೆಯನ್ನು ಸೇರಿಸು |
callback_url |
string | ಇಲ್ಲ | ಕೆಲಸವು ಮುಗಿದಾಗ post ಅನ್ನು ಪಡೆದುಕೊಳ್ಳುವಂಥ URL |
ಪ್ರತ್ಯುತ್ತರ
ಒಂದು ಕಾರ್ಯದ ಗುರುತು (uid). ಪೊಲ್ಗೆನ್ /v1 ಗೆ/ರಾಂಕ್ /train/results/hh? uuid=(uuid=) ಕೆಲಸ ಪೂರ್ಣವಾಗುವ ತನಕ; ನಂತರ ಉತ್ತರವು ಪಠ್ಯ, ಭಾಷೆ ಮತ್ತು ವರ್ಗಗಳನ್ನು ಹೊಂದುತ್ತದೆ.
ಲಭ್ಯವಿರುವ ಮಾದರಿಗಳು
ಪಠ್ಯದಿಂದ ವಾಚನದ ಮಾದರಿಗಗಳುComment
| ಮಾದರಿ ID | ವಿವರಣೆ | ಅದಕ್ಕೆ ಉತ್ತಮ |
|---|---|---|
kokoro |
ವೇಗವಾದ ಬಹುಭಾಷೀಯ TS | ಸಾಮಾನ್ಯ ಬಳಕೆಯು, ಕೆಳಮಟ್ಟದ ಆರಂಭಿಕ |
piper |
ಲೈಸನ್ಸ್ ಮಾಡಲಾಗಿರುವ ಧ್ವನಿ ಮಾತ್ರ (ಲೈಸನ್ಸ್ ಮಾಡಲಾಗಿರುವ ಧ್ವನಿಗಳು ಮಾತ್ರ) | ವೇಗವಾಗಿ 11 ಭಾಷೆಗಳಲ್ಲಿ ಭಾಷಾಂತರಿಸಲಾಗಿದೆ |
vits |
LJ ವಾಚಕರೊಂದಿಗೆ ಮತ್ತು 108 VCTK ಇಂಗ್ಲಿಷ್ ಭಾಷಣಕರ್ತರು | ಇಂಗ್ಲೀಷ್ ಆಕ್ಟ್ಸಸ್ |
bark |
ಜನ್ರೇಟಿವ್ ಟಿಟಿಎಸ್ (Generative TTS): 13 ಭಾಷೆಗಳಲ್ಲಿ 130 ಪೂರ್ವ-ನಿಗದಿತ ಆಯ್ಕೆಗಳು. | ಬದಲಾಗುತ್ತದೆ, ಧ್ವನಿ ನಿವಾರಕ (ಸಂಪರ್ಕತ) |
openvoice |
ಧ್ವನಿ ವ್ಯವಸ್ಥ್ಯಾ (eevolution) ಮತ್ತು ಆಯ್ಕೆ ವೀಕ್ಷಣೆ | ವೃತ್ತ ಚೌಕಕ್ಕೆ ಪರ್ಯಾಯ |
chatterbox |
ಜೀರೋ- ಭೌತ ವ್ಯವಸ್ಥ್ಯಾ ಕಿಟಿಕಿ (systall) 23 ಭಾಷೆಗಳಲ್ಲಿ; ಪೂರ್ವನಿಯೋಜಿತ ಧ್ವನಿ ಪರಿವರ್ತನೆ (ಸ್ಯಾಂಗ್) | ಒಂದು ಚಿಕ್ಕ ನಮೂನೆಯಿಂದ ಕ್ಲೋವ್ ಮಾಡುತ್ತಿರುವುದು |
ಭಾಷೆಗೆ- ಪಠ್ಯದ ಮಾದರಿಗಳ ಮಾದರಿಗಳು
| ಮಾದರಿ ID | ವಿವರಣೆ | ಅದಕ್ಕೆ ಉತ್ತಮ |
|---|---|---|
whisper-large-v3 |
OpenAI Whisper Large v3 | ಅತಿ ನಿಷ್ಕೃಷ್ಟ, ಬಹುವಚನದಲ್ಲಿ |
whisper-turbo |
ವೇಗಕ್ಕಾಗಿ ಆಸ್ಪಿರಿಜೆಡ್ ಶ್ಸ್ಪರ್ | ವೇಗವಾಗಿ ಪಾರದರ್ಶಕಗೊಳಿಸುವಿಕೆ |
ದೋಷದ ಕೋಡೆಕ್ಸ್
| ಕೋಡ್ | ಸ್ಥಿತಿಗತಿ | ವಿವರಣೆ |
|---|---|---|
invalid_api_key |
401 | ಅಮಾನ್ಯವಾಗಿದೆAPI ಕೀಲಿಯು |
insufficient_credits |
402 | ಈ ಕಾರ್ಯಕ್ಕೆ ಸಾಕಷ್ಟು ಪೂರಕವಾದ ಪೂರಕಗಳು ಇಲ್ಲ |
rate_limit_exceeded |
429 | ಬಹಳಷ್ಟು ಬೇಡಿಕೆಗಳು |
invalid_request |
400 | ತಪ್ಪಾದ ಮನವಿ ದೇಹ |
model_not_found |
404 | ಕೋರಿದ ಮಾದರಿ ಅಸ್ತಿತ್ವದಲ್ಲಿಲ್ಲ |
voice_not_found |
404 | ಕೋರಿದ ಧ್ವನಿ ಅಸ್ತಿತ್ವದಲ್ಲಿಲ್ಲ |
file_too_large |
413 | അപಡಿಸಲಾದ ಕಡತದ ಗಾತ್ರದ ಮಿತಿಯನ್ನು ಮೀರಿದೆ |
server_error |
500 | ಆಂತರಿಕ ಪರಿಚಾರಕ ದೋಷ |