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 -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 "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
Authorization: Bearer YOUR_API_KEY
ଭାଷା କ୍ଲୋନିଙ୍ଗ
/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
/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
/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 |