API मिसिलिकरण

एक सरल REST API संग आफ्नो अनुप्रयोगहरूमा Speech to Speech AI एकीकृत।

छिटो सुरुआत

तल मा Speech to Speech AI एपीआई संग सुरु गर्नुहोस्5मिनेट.

आधार यूआरएल
https://api.speechtospeechai.com/v1
१. एउटा काम सुरु गर्नुहोस्

प्रत्येक उपकरण तपाईँको API कुञ्जीसँग POST हो । जवाफ काम आईडी हो, अडियो होइन ।

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. परिणाम लागि Poll

वस्तुस्थिति पूरा नहुन्जेल हरेक केही सेकेन्डमा कामका लागि सोध्नुहोस्, त्यसपछि result_url डाउनलोड गर्नुहोस् ।

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

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

प्रमाणीकरण

सबै API अनुरोधहरूमा एक API कुञ्जी मार्फत प्रमाणीकरण आवश्यक Authorization हेडर

हेडर
Authorization: Bearer YOUR_API_KEY
आफ्नो API कुञ्जी प्राप्त खाता ड्याकबोर्ड.

आवाज क्लोनिङ

POST /v1/voice-clone/

छोटो सन्दर्भ रेकर्डिङको आवाजमा पाठ बोल्नुहोस् ।

अनुरोध मुख्य भाग (बहुभाग/रूप-डेटा)
परिमिति प्रकार आवश्यक वर्णन
reference_audio file हो क्लोन गर्न आवाजको रेकर्डिङ (१०-३० सेकेन्ड सिफारिस गरिएको, ६० सम्म)
text string हो त्यो आवाजमा बोल्ने पाठ
model string होइन च्याटबक्स, ओपनभ्वाइस, टर्टोइज वा जीपीटी-सोभिट्स
language string होइन भाषा सङ्केत (पूर्वनिर्धारित: en)
प्रतिक्रिया

एक काम आईडी (uuid) । स्थिति पूरा र डाउनलोड result_url सम्म पोल GET /v1/speech/results/?uuid= ।

पाठबाट भाषण

POST /v1/tts/

Convert text to speech audio.

अनुरोध मुख्य भाग (बहुभाग/रूप-डेटा)
परिमिति प्रकार आवश्यक वर्णन
text string हो रूपान्तरण गर्न पाठ (अधिकतम ५००० क्यारेक्टर)
model string होइन कोकोरो (पूर्वनिर्धारित), पाइपर, भिट्स वा बार्क
voice_id string होइन GET /v1/speech/voices/?model= बाट आवाज आईडी
language string होइन भाषा सङ्केत (पूर्वनिर्धारित: en)
speed float होइन गति गुणक (०.५-२.०, पूर्वनिर्धारित १.०)
format string होइन wav (पूर्वनिर्धारित), mp3, ogg वा flac । SSML ट्यागहरू संश्लेषण गर्नु अघि हटाइन्छ ।
प्रतिक्रिया

एक काम आईडी (uuid) । स्थिति पूरा र डाउनलोड result_url सम्म पोल GET /v1/speech/results/?uuid= ।

पाठमा भाषण

POST /v1/transcribe/

समय चिन्हसँग पाठमा अडियो प्रतिलिपि गर्नुहोस् ।

अनुरोध मुख्य भाग (बहुभाग/रूप-डेटा)
परिमिति प्रकार आवश्यक वर्णन
file file हो अडियो/भिडियो फाइललाई प्रतिलिपि गर्न
model string होइन ठूलो-v3 (पूर्वनिर्धारित) वा टर्बो
language string होइन भाषा सङ्केत, वा यसलाई पत्ता लगाउन स्वत: (पूर्वनिर्धारित)
enable_word_timestamps bool होइन प्रत्येक शब्दमा सुरु र अन्त्य समय थप्नुहोस्
callback_url string होइन काम समाप्त हुँदा POST द्वारा परिणाम प्राप्त गर्ने यूआरएल
प्रतिक्रिया

एउटा काम आईडी (uuid) । स्थिति पूरा नहुन्जेलसम्म पोल GET /v1/transcribe/results/?uuid=; त्यसपछि जवाफले पाठ, भाषा र खण्डहरू बोक्दछ ।

उपलब्ध नमूना

पाठ-बाट-वाचन नमूना
नमूना आईडी वर्णन यसका लागि उत्तम
kokoro छिटो बहुभाषिक TTS सामान्य प्रयोग, कम लास्टिङ
piper हल्का बहुभाषिक TTS (व्यावसायिक रूपमा लाइसेन्स गरिएको आवाजहरू मात्र) 11 भाषाहरूमा छिटो रेन्डरहरू
vits LJSpeech प्लस १०८ VCTK अंग्रेजी वक्ताहरू अङ्ग्रेजी उच्चारण
bark जनरेटिभ TTS, १३ भाषाहरूमा १३० पूर्वनिर्धारित विविध, अभिव्यक्तिपूर्ण वितरण (धीमा)
openvoice आवाज क्लोनिङ र वैकल्पिक आवाज रूपान्तरण च्याटरबाकसको विकल्प
chatterbox 23 भाषाहरूमा शून्य-शट आवाज क्लोनिङ; पूर्वनिर्धारित आवाज रूपान्तरण मोडेल छोटो नमूनाबाट क्लोनिङ
पाठमा भाषण मोडल
नमूना आईडी वर्णन यसका लागि उत्तम
whisper-large-v3 OpenAI Whisper Large v3 उच्चतम शुद्धता, बहुभाषिक
whisper-turbo गतिका लागि अनुकूलित Whisper छिटो प्रतिलिपि

त्रुटि सङ्केत

सङ्केत वस्तुस्थिति वर्णन
invalid_api_key 401 अवैध वा हराइरहेको API कुञ्जी
insufficient_credits 402 यो सञ्चालनका लागि पर्याप्त क्रेडिट छैन
rate_limit_exceeded 429 धेरै अनुरोध
invalid_request 400 विकृत अनुरोध मुख्य भाग
model_not_found 404 अनुरोध गरिएको नमूना अवस्थित छैन
voice_not_found 404 अनुरोध गरिएको आवाज अवस्थित छैन
file_too_large 413 अपलोड गरिएको फाइल साइज सीमा भन्दा बढी छ
server_error 500 आन्तरिक सर्भर त्रुटि