API ଦଲିଲିକରଣ

ଗୋଟିଏ ସରଳ REST API ସହିତ Speech to Speech AI କୁ ଆପଣଙ୍କର ପ୍ରୟୋଗଗୁଡ଼ିକରେ ସମନ୍ୱିତ କରନ୍ତୁ।

ଦ୍ରୁତ ଆରମ୍ଭ

Speech to Speech AI API ସହିତ5ମିନିଟ ମଧ୍ୟରେ ଆରମ୍ଭ କରନ୍ତୁ।

ଆଧାର URL
https://api.speechtospeechai.com/v1
1. Start a job

ପ୍ରତ୍ୟେକ ସାଧନଟି ଆପଣଙ୍କର API କି ସହିତ POST ଅଟେ। ଉତ୍ତରଟି ଗୋଟିଏ କାର୍ଯ୍ୟ ID ଅଟେ, ଧ୍ୱନି ନୁହେଁ।

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. ଫଳାଫଳ ପାଇଁ ପଲିସି

ସ୍ଥିତି ସମ୍ପୂର୍ଣ୍ଣ ହେବା ପର୍ଯ୍ୟନ୍ତ ପ୍ରତି କିଛି ସେକେଣ୍ଡରେ କାର୍ଯ୍ୟ ପାଇଁ ପଚାରନ୍ତୁ, ତା'ପରେ result_url ଆହରଣ କରନ୍ତୁ।

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

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

ବୈଧିକରଣ

ସମସ୍ତ API ଅନୁରୋଧଗୁଡ଼ିକ ପାଇଁ ଗୋଟିଏ API କି ମାଧ୍ୟମରେ ବୈଧିକରଣ ଆବଶ୍ୟକ Authorization ଶୀର୍ଷକ

ଶୀର୍ଷକ
Authorization: Bearer YOUR_API_KEY
ଆପଣଙ୍କର API କିକୁ ଆପଣଙ୍କର ଖାତା ଡେସ୍କଟପ.

ଭାଷା କ୍ଲୋନିଙ୍ଗ

POST /v1/voice-clone/

ଗୋଟିଏ ସଂକ୍ଷିପ୍ତ ସଂଦେଷ ରେକର୍ଡର ସ୍ୱରରେ ଗୋଟିଏ ପାଠ୍ୟକୁ କହିବା।

ଅନୁରୋଧ ଶରୀରର (ବିଭିନ୍ନ ଅଂଶ/ଫର୍ମ-ତାରିଖ)
ପ୍ରାଚଳଗୁଡ଼ିକ ପ୍ରକାର ଆବଶ୍ୟକୀୟ ବର୍ଣ୍ଣନା
reference_audio file ହଁ କ୍ଲୋନ କରିବା ପାଇଁ ଧ୍ୱନିର ରେକର୍ଡିଂ (10-30 ସେକଣ୍ଡ ପରାମର୍ଶ ଦିଆଯାଏ, 60 ପର୍ଯ୍ୟନ୍ତ)
text string ହଁ ଏହି ଧ୍ୱନିରେ କହିବା ପାଇଁ ପାଠ୍ୟ
model string ନାମ ଚାଟରବକ୍ସ, ଓପନଭାୟସ, ଟର୍ଟାଇଜ କିମ୍ବା gpt-sovits
language string ନାମ ଭାଷା ସଂକେତ ( ପୂର୍ବନିର୍ଦ୍ଧାରିତ: en)
ଉତ୍ତର ଦିଅନ୍ତୁ

ଗୋଟିଏ କାର୍ଯ୍ୟ id (uuid). ସ୍ଥିତି ସମ୍ପୂର୍ଣ୍ଣ ହେବା ପର୍ଯ୍ୟନ୍ତ ପଲ GET /v1/speech/results/?uuid= ଏବଂ result_url ଆହରଣ କରନ୍ତୁ।

Text to Speech

POST /v1/tts/

ପାଠ୍ୟକୁ ଭାଷଣ ଧ୍ୱନିରେ ପରିବର୍ତ୍ତନ କରନ୍ତୁ।

ଅନୁରୋଧ ଶରୀରର (ବିଭିନ୍ନ ଅଂଶ/ଫର୍ମ-ତାରିଖ)
ପ୍ରାଚଳଗୁଡ଼ିକ ପ୍ରକାର ଆବଶ୍ୟକୀୟ ବର୍ଣ୍ଣନା
text string ହଁ ପରିବର୍ତ୍ତନ କରିବା ପାଇଁ ପାଠ୍ୟ (ଅତି ଅଧିକ 5000 ଅକ୍ଷର)
model string ନାମ kokoro ( ପୂର୍ବନିର୍ଦ୍ଧାରିତ), piper, vits କିମ୍ବା bark
voice_id string ନାମ GET /v1/speech/voices/?model=ରୁ ଧ୍ୱନି id
language string ନାମ ଭାଷା ସଂକେତ ( ପୂର୍ବନିର୍ଦ୍ଧାରିତ: en)
speed float ନାମ ବେଗ ଗୁଣକ (0.5-2.0, ପୂର୍ବନିର୍ଦ୍ଧାରିତ 1.0)
format string ନାମ wav ( ପୂର୍ବନିର୍ଦ୍ଧାରିତ), mp3, ogg କିମ୍ବା flac. SSML ଟ୍ୟାଗଗୁଡ଼ିକୁ ସଂଶ୍ଳୋଧନ ପୂର୍ବରୁ ଅପସାରଣ କରାଯାଏ।
ଉତ୍ତର ଦିଅନ୍ତୁ

ଗୋଟିଏ କାର୍ଯ୍ୟ id (uuid). ସ୍ଥିତି ସମ୍ପୂର୍ଣ୍ଣ ହେବା ପର୍ଯ୍ୟନ୍ତ ପଲ GET /v1/speech/results/?uuid= ଏବଂ result_url ଆହରଣ କରନ୍ତୁ।

Speech to Text

POST /v1/transcribe/

ସମୟସୀମା ସହିତ ଧ୍ୱନିକୁ ପାଠ୍ୟକୁ ଅନୁବାଦ କରନ୍ତୁ।

ଅନୁରୋଧ ଶରୀରର (ବିଭିନ୍ନ ଅଂଶ/ଫର୍ମ-ତାରିଖ)
ପ୍ରାଚଳଗୁଡ଼ିକ ପ୍ରକାର ଆବଶ୍ୟକୀୟ ବର୍ଣ୍ଣନା
file file ହଁ ଅନୁବାଦ କରିବା ପାଇଁ ଧ୍ୱନି/ଭିଡ଼ିଓ ଫାଇଲ
model string ନାମ ବଡ଼-v3 ( ପୂର୍ବନିର୍ଦ୍ଧାରିତ) କିମ୍ବା ଟର୍ବୋ
language string ନାମ ଭାଷା ସଂକେତ, କିମ୍ବା ଏହାକୁ ଖୋଜିବା ପାଇଁ ସ୍ୱୟଂଚାଳିତ ( ପୂର୍ବନିର୍ଦ୍ଧାରିତ)
enable_word_timestamps bool ନାମ ପ୍ରତ୍ୟେକ ଶବ୍ଦ ପାଇଁ ଆରମ୍ଭ ଏବଂ ସମାପ୍ତି ସମୟ ଯୋଗକରନ୍ତୁ
callback_url string ନାମ URL ଯାହାକି POST ଦ୍ୱାରା ପରିଣାମ ଗ୍ରହଣ କରିଥାଏ ଯେତେବେଳେ କାର୍ଯ୍ୟ ସମାପ୍ତ ହୋଇଥାଏ
ଉତ୍ତର ଦିଅନ୍ତୁ

ଗୋଟିଏ କାର୍ଯ୍ୟ id (uuid). ସ୍ଥିତି ସମ୍ପୂର୍ଣ୍ଣ ହେବା ପର୍ଯ୍ୟନ୍ତ ପଲ GET /v1/transcribe/results/?uuid=; ଉତ୍ତର ପରେ ପାଠ୍ୟ, ଭାଷା ଏବଂ ଅଂଶଗୁଡ଼ିକୁ ଧାରଣ କରିଥାଏ।

ଉପଲବ୍ଧ ଆକାର

Text-to-Speech Models
ଆକାର ID ବର୍ଣ୍ଣନା ପାଇଁ ଉତ୍ତମ
kokoro ଦ୍ରୁତ ବହୁଭାଷୀ TTS General use, low latency
piper Lightweight multilingual TTS (commercially licensed voices only) Fast renders in 11 languages
vits LJSpeech plus 108 VCTK English speakers ଇଂରାଜୀ ଉଚ୍ଚାରଣ
bark ଉତ୍ପାଦକ TTS, 13 ଭାଷାରେ 130 ପୂର୍ବନିର୍ଦ୍ଧାରିତ ବିଭିନ୍ନ, ଅଭିବ୍ୟକ୍ତିପୂର୍ଣ୍ଣ ପ୍ରଦାନ (ଧିରେ)
openvoice ଧ୍ୱନି କ୍ଲୋନ ଏବଂ ଇଚ୍ଛାମୁତାବକ ଧ୍ୱନି ପରିବର୍ତ୍ତନ Alternative to Chatterbox
chatterbox 23 ଭାଷାରେ ଶୂନ୍ୟ-ଶଟ ଧ୍ୱନି କ୍ଲୋନିଂ; ପୂର୍ବନିର୍ଦ୍ଧାରିତ ଧ୍ୱନି ପରିବର୍ତ୍ତନ ମଡେଲ ଗୋଟିଏ ସଂକ୍ଷିପ୍ତ ନମୁନାରୁ କ୍ଲୋନ କରୁଅଛି
Speech-to-Text Models
ଆକାର ID ବର୍ଣ୍ଣନା ପାଇଁ ଉତ୍ତମ
whisper-large-v3 OpenAI Whisper Large v3 ସର୍ବାଧିକ ସଠିକତା, ବହୁଭାଷୀ
whisper-turbo ବେଗ ପାଇଁ ସୁସଜ୍ଜିତ Whisper ଦ୍ରୁତ ଅନୁବାଦ

ତ୍ରୁଟି ସଂକେତଗୁଡ଼ିକ

ସଂକେତ ସ୍ଥିତି ବର୍ଣ୍ଣନା
invalid_api_key 401 ଅବୈଧ କିମ୍ବା ହଜିଯାଇଥିବା API କି
insufficient_credits 402 ଏହି ପ୍ରୟୋଗ ପାଇଁ ଯଥେଷ୍ଟ କ୍ରେଡିଟ ନାହିଁ
rate_limit_exceeded 429 ଅତ୍ୟଧିକ ଅନୁରୋଧ
invalid_request 400 ତ୍ରୁଟିଯୁକ୍ତ ଅନୁରୋଧ ଶରୀର
model_not_found 404 ଅନୁରୋଧିତ ନମୁନା ଅବସ୍ଥିତ ନାହିଁ
voice_not_found 404 ଅନୁରୋଧିତ ଧ୍ୱନି ଅବସ୍ଥିତ ନାହିଁ
file_too_large 413 ଅଦ୍ୟତିତ ଫାଇଲ ଆକାର ସୀମା ଅତିକ୍ରମ କରିଅଛି
server_error 500 ଆଭ୍ୟନ୍ତରୀଣ ସର୍ଭର ତ୍ରୁଟି