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
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
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.

ಹೆಡರ್
Authorization: Bearer YOUR_API_KEY
ನಿಮ್ಮ API ಕೀಲಿಯನ್ನು ಪಡೆದುಕೊಳ್ಳಿ ಖಾತೆ ಡ್ಯಾಶ್‌ ಮಾಡ್ಯೂಲ್.

ಧ್ವನಿ ಕ್ಲಿಂಗಿಂಗ್

POST /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

POST /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

POST /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