API दस्तऐवजीकरण

Speech to Speech AI ला तुमच्या ॲप्लिकेशन्समध्ये एका साध्या REST API च्या माध्यमातून समाकलित करा.

जलद प्रारंभ

Speech to Speech AI API वापरणे फक्त ५ मिनिटांत सुरू करा.

आधार URL
https://api.speechtospeechai.com/v1
1. कार्य सुरू करा

प्रत्येक साधन तुमच्या API किल्लीसह POST आहे. उत्तर कार्य id आहे, ऑडिओ नाही.

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. निकालासाठी मतमोजणी

नंतर प्रत्येक वेळी त्याचे वजन कमी होत जाते व नंतर ते पुन्हा वाढते.

cURL
curl "https://api.speechtospeechai.com/v1/speech/results/?uuid=3f2c..." \
  -H "Authorization: Bearer YOUR_API_KEY"

{"status": "completed", "result_url": "https://.../output.mp3"}

अधिप्रमाणन

सर्व API विनंती करीता यातील API किल्लीद्वारे अधिप्रमाणन आवश्यक आहे Authorization शिर्षक.

शिर्षक
Authorization: Bearer YOUR_API_KEY
तुमच्या API किल्लीला तुमच्या पासून प्राप्त करा खाते डॅशबोर्ड.

आवाज क्लोन

POST /v1/voice-clone/

या पुस्तकात एक छोटीशी माहिती देऊन त्याचे वर्णन केले आहे.

विनंती मुख्य भाग (बहुभाग/फॉर्म-डेटा)
परिमाण प्रकार आवश्यक वर्णन
reference_audio file होय क्लोन करीता आवाजाची नोंदणी (10-30 सेकंद सुचविले, 60 पर्यंत)
text string होय या आवाजात बोलण्याकरीता पाठ्य
model string नाही चॅटरबॉक्स, ओपनवॉइस, टॉर्टॉइस किंवा gpt-सोविट्स
language string नाही भाषा कोड (मासिक)
प्रतिसाद

कार्य id (uuid). स्थिती पूर्ण होईपर्यंत व result_url डाऊनलोड करण्यापर्यंत Poll GET /v1/speech/results/?uuid=.

पाठ्य ते वक्तव्य

POST /v1/tts/

मजकूरला ऑडिओमध्ये रूपांतरित करा.

विनंती मुख्य भाग (बहुभाग/फॉर्म-डेटा)
परिमाण प्रकार आवश्यक वर्णन
text string होय रूपांतरण करीता पाठ्य (कमाल 5000 अक्षरे)
model string नाही कोकोरो (मूलभूत), पाइपर, विट्स किंवा बारक
voice_id string नाही GET /v1/speech/voices/?model= पासून आवाजाची ओळख
language string नाही भाषा कोड (मासिक)
speed float नाही वेग गुणक (0.5- 2.0, मुलभूत 1.0)
format string नाही wav (मूलभूत), mp3, ogg किंवा flac. सिंथेसिस करण्यापूर्वी SSML टॅग काढून टाकले जातात.
प्रतिसाद

कार्य id (uuid). स्थिती पूर्ण होईपर्यंत व result_url डाऊनलोड करण्यापर्यंत Poll GET /v1/speech/results/?uuid=.

वार्तालाप ते पाठ्य

POST /v1/transcribe/

वेळचिन्हांसह ऑडिओ पाठ्यमध्ये रूपांतरित करा.

विनंती मुख्य भाग (बहुभाग/फॉर्म-डेटा)
परिमाण प्रकार आवश्यक वर्णन
file file होय ऑडिओ/व्हिडिओ फाइलचे रूपांतर करा
model string नाही मोठे- v3 (मूलभूत) किंवा टर्बो
language string नाही भाषा कोड, किंवा स्वचलित शोधण्याकरीता (मासिक)
enable_word_timestamps bool नाही प्रत्येक शब्द करीता प्रारंभ व समाप्त वेळ जोडा
callback_url string नाही कार्य संपल्यावर POST द्वारे परिणाम प्राप्त करणारे URL
प्रतिसाद

कार्य id (uuid). स्थिती पूर्ण होईपर्यंत GET /v1/transcribe/results/?uuid= पॉल करा; उत्तर पाठ्य, भाषा व खंड सोबत घेऊन येते.

उपलब्ध मॉडेल

Text-to-Speech Models
नमुना ID वर्णन सर्वोत्तम
kokoro जलद बहुभाषिक TTS सर्वसाधारण वापर, कमी लाटेन्सी
piper हलके बहुभाषिक TTS (केवळ व्यावसायिक परवानाकृत आवाज) 11 भाषांतरे
vits एल.जे. स्पीच (LJSpeech) आणि 108 व्हिसीटीके (VCTK) इंग्रजी भाषिक বক্তृंचे एकत्रित डेटासेट. इंग्रजी उच्चारण
bark जनरेटिव्ह TTS, १३ भाषांमधील १३० पूर्वनिर्धारीत विविध, अभिव्यक्तीपूर्ण पुरवठा (मंद)
openvoice आवाज क्लोन आणि वैकल्पिक आवाज रूपांतरण चॅटरबॉक्स करीता पर्यायी
chatterbox २३ भाषांतील Zero-shot आवाज क्लोनिंग; मुलभूत आवाज रूपांतर मॉडेल लहान नमूने पासून क्लोन
भाषण-आधारित मजकूर रूपांतरण प्रणाली.
नमुना ID वर्णन सर्वोत्तम
whisper-large-v3 OpenAI Whisper Large v3 सर्वात जास्त अचूकता, बहुभाषिक
whisper-turbo वेग करीता Whisper सुलभ केले जलद ट्रान्सक्रिप्शन

त्रुटी कोड

कोड स्थिती वर्णन
invalid_api_key 401 अवैध किंवा हयात API कि
insufficient_credits 402 या कार्यपद्धती करीता पुरेसे क्रेडिट नाही
rate_limit_exceeded 429 खूपच जास्त विनंती
invalid_request 400 अवैध विनंती मुख्य भाग
model_not_found 404 विनंतीकृत नमूना अस्तित्वात नाही
voice_not_found 404 विनंतीकृत आवाज अस्तित्वात नाही
file_too_large 413 अपलोड केलेले फाइल आकार मर्यादा ओलांडले
server_error 500 आंतरीक सर्वर त्रुटी