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 -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 "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.
Authorization: Bearer YOUR_API_KEY
आवाज क्लोन
/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
/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
/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 |