API ਡੌਕੂਮੈਂਟੇਸ਼ਨ

Speech to Speech AI ਨੂੰ ਆਪਣੇ ਐਪਲੀਕੇਸ਼ਨ ਵਿੱਚ ਇੱਕ ਸਧਾਰਨ REST API ਨਾਲ ਇੱਕਜੁਟ ਕਰੋ ।

ਤੁਰੰਤ ਸ਼ੁਰੂ

Speech to Speech AI API ਨਾਲ5ਮਿੰਟਾਂ ਵਿੱਚ ਸ਼ੁਰੂ ਕਰੋ ।

ਬੇਸ URL
https://api.speechtospeechai.com/v1
1. ਇੱਕ ਕੰਮ ਸ਼ੁਰੂ ਕਰੋ

ਹਰੇਕ ਟੂਲ ਤੁਹਾਡੀ API ਕੁੰਜੀ ਨਾਲ POST ਹੈ। ਜਵਾਬ ਇੱਕ ਜਾਬ id ਹੈ, ਆਡੀਓ ਨਹੀਂ ਹੈ।

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. Poll for the result

ਹਰੇਕ ਕੁਝ ਸਕਿੰਟ ਬਾਅਦ ਜਾਬ ਲਈ ਪੁੱਛੋ, ਜਦੋਂ ਤੱਕ ਹਾਲਤ ਪੂਰਾ ਨਾ ਹੋ ਜਾਵੇ, ਫਿਰ result_ url ਡਾਊਨਲੋਡ ਕਰੋ ।

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

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

ਪਰਮਾਣਕਿਤਾ

ਸਭ API ਮੰਗਾਂ ਲਈ ਇੱਕ API ਕੁੰਜੀ ਰਾਹੀਂ ਪਰਮਾਣਕਿਤਾ ਦੀ ਲੋੜ ਹੈ Authorization ਹੈੱਡਰ

ਹੈੱਡਰ
Authorization: Bearer YOUR_API_KEY
ਆਪਣੇ ਫਾਇਲ ਮੈਨੇਜਰ ਤੋਂ API ਕੁੰਜੀ ਲਵੋ ਅਕਾਊਂਟ ਡੈਸ਼ਬੋਰਡ.

ਬੋਲੀ ਕਲੋਨਿੰਗ

POST /v1/voice-clone/

ਇੱਕ ਛੋਟੇ ਹਵਾਲਾ ਰਿਕਾਰਡਿੰਗ ਦੀ ਆਵਾਜ਼ ਵਿੱਚ ਇੱਕ ਟੈਕਸਟ ਬੋਲੋ ।

ਬੇਨਤੀ ਭਾਗ (ਬਹੁ-ਭਾਗ/ਫਾਰਮ-ਡਾਟਾ)
ਪੈਰਾਮੀਟਰ ਟਾਈਪ ਲੋੜੀਦਾ ਵੇਰਵਾ
reference_audio file ਹਾਂ ਕਲੋਨ ਕਰਨ ਲਈ ਆਵਾਜ਼ ਰਿਕਾਰਡਿੰਗ (10- 30 ਸਕਿੰਟ ਸਿਫਾਰਸ਼ੀ, 60 ਤੱਕ)
text string ਹਾਂ ਇਸ ਆਵਾਜ਼ ਵਿੱਚ ਬੋਲਣ ਲਈ ਟੈਕਸਟ
model string ਕੋਈ ਨਹੀਂ ਚੈਟਰਬਕਸ, ਓਪਨਵਾਇਸ, ਟਰਟਾਇਸ ਜਾਂ gpt-sovits
language string ਕੋਈ ਨਹੀਂ ਭਾਸ਼ਾ ਕੋਡ (ਮੂਲ: en)
ਜਵਾਬ

ਇੱਕ ਜਾਬ id (uuid) ਹੈ । ਹਾਲਤ ਮੁਕੰਮਲ ਹੋਣ ਤੱਕ ਅਤੇ result_ url ਡਾਊਨਲੋਡ ਕਰਨ ਤੱਕ ਪੁਲ GET /v1/speech/results/?uuid= ਹੈ ।

ਪਾਠ ਤੋਂ ਬੋਲੀ

POST /v1/tts/

ਟੈਕਸਟ ਨੂੰ ਬੋਲੀ ਆਡੀਓ ਵਿੱਚ ਬਦਲੋ ।

ਬੇਨਤੀ ਭਾਗ (ਬਹੁ-ਭਾਗ/ਫਾਰਮ-ਡਾਟਾ)
ਪੈਰਾਮੀਟਰ ਟਾਈਪ ਲੋੜੀਦਾ ਵੇਰਵਾ
text string ਹਾਂ ਬਦਲਣ ਲਈ ਪਾਠ (5000 ਅੱਖਰ ਵੱਧੋ- ਵੱਧ)
model string ਕੋਈ ਨਹੀਂ ਕੋਕੋਰੋ (ਮੂਲ), ਪਾਈਪਰ, ਵਿਟਸ ਜਾਂ ਬਾਰਕ
voice_id string ਕੋਈ ਨਹੀਂ GET /v1/speech/voices/?model= ਤੋਂ ਵੌਇਸ id
language string ਕੋਈ ਨਹੀਂ ਭਾਸ਼ਾ ਕੋਡ (ਮੂਲ: en)
speed float ਕੋਈ ਨਹੀਂ ਸਪੀਡ ਗੁਣਨਖੰਡ (0.5- 2.0, ਡਿਫਾਲਟ 1.0)
format string ਕੋਈ ਨਹੀਂ wav (ਮੂਲ), mp3, ogg ਜਾਂ flac । SSML ਟੈਗ ਸੰਸਲੇਸ਼ਣ ਤੋਂ ਪਹਿਲਾਂ ਹਟਾਏ ਜਾਂਦੇ ਹਨ ।
ਜਵਾਬ

ਇੱਕ ਜਾਬ id (uuid) ਹੈ । ਹਾਲਤ ਮੁਕੰਮਲ ਹੋਣ ਤੱਕ ਅਤੇ result_ url ਡਾਊਨਲੋਡ ਕਰਨ ਤੱਕ ਪੁਲ GET /v1/speech/results/?uuid= ਹੈ ।

ਬੋਲੀ ਤੋਂ ਪਾਠ

POST /v1/transcribe/

ਆਡੀਓ ਨੂੰ ਟਾਈਮ- ਸਟੈਂਪ ਨਾਲ ਟੈਕਸਟ ਵਿੱਚ ਤਬਦੀਲ ਕਰੋ ।

ਬੇਨਤੀ ਭਾਗ (ਬਹੁ-ਭਾਗ/ਫਾਰਮ-ਡਾਟਾ)
ਪੈਰਾਮੀਟਰ ਟਾਈਪ ਲੋੜੀਦਾ ਵੇਰਵਾ
file file ਹਾਂ ਟਰਾਂਸਕਰੀਪਸ਼ਨ ਲਈ ਆਡੀਓ/ਵੀਡੀਓ ਫਾਇਲ
model string ਕੋਈ ਨਹੀਂ ਵੱਡਾ- v3 (ਮੂਲ) ਜਾਂ ਟੁਰਬੋ
language string ਕੋਈ ਨਹੀਂ ਭਾਸ਼ਾ ਕੋਡ, ਜਾਂ ਆਟੋਮੈਟਿਕ ਖੋਜ ਲਈ (ਮੂਲ)
enable_word_timestamps bool ਕੋਈ ਨਹੀਂ ਹਰ ਸ਼ਬਦ ਲਈ ਸ਼ੁਰੂ ਅਤੇ ਅੰਤ ਸਮਾਂ ਸ਼ਾਮਲ
callback_url string ਕੋਈ ਨਹੀਂ URL, ਜੋ ਕਿ POST ਰਾਹੀਂ ਨਤੀਜਾ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ, ਜਦੋਂ ਕੰਮ ਮੁਕੰਮਲ ਹੁੰਦਾ ਹੈ
ਜਵਾਬ

ਇੱਕ ਜਾਬ id (uuid) ਹੈ । ਹਾਲਤ ਮੁਕੰਮਲ ਹੋਣ ਤੱਕ ਪੁੱਛੋ GET /v1/transcribe/results/?uuid=; ਜਵਾਬ ਪਾਠ, ਭਾਸ਼ਾ ਅਤੇ ਸੈਗਮੈਂਟ ਲੈਂਦਾ ਹੈ ।

ਉਪਲੱਬਧ ਮਾਡਲ

ਪਾਠ- ਤੋਂ- ਬੋਲੀ ਮਾਡਲ
ਮਾਡਲ ID ਵੇਰਵਾ ਸਭ ਤੋਂ ਵਧੀਆ
kokoro ਤੇਜ਼ ਬਹੁ- ਭਾਸ਼ਾ TTS ਆਮ ਵਰਤੋਂ, ਘੱਟ ਲੈਂਟੇਸੀ
piper ਹਲਕਾ ਬਹੁ- ਭਾਸ਼ਾ TTS (ਸਿਰਫ ਵਪਾਰਕ ਲਾਈਸੈਂਸ ਵਾਲੀਆਂ ਆਵਾਜ਼ਾਂ) 11 ਭਾਸ਼ਾਵਾਂ ਵਿੱਚ ਤੇਜ਼ ਰੈਂਡਰਿੰਗ
vits LJSpeech plus 108 VCTK English speakers ਅੰਗਰੇਜ਼ੀ ਇਕਸਟੈਨਸ਼ਨ
bark ਜਨਰੇਟਿਵ TTS, 13 ਭਾਸ਼ਾਵਾਂ ਵਿੱਚ 130 ਪਹਿਲਾਂ- ਸੈੱਟ ਵੱਖਰਾ, ਸਪੱਸ਼ਟ ਪਰਾਪਤ (ਹੌਲੀ)
openvoice ਬੋਲੀ ਕਲੋਨਿੰਗ ਅਤੇ ਚੋਣਵੀਂ ਬੋਲੀ ਬਦਲੋ ਚੈਟਰਬਾਕਸ ਲਈ ਬਦਲ
chatterbox 23 ਭਾਸ਼ਾਵਾਂ ਵਿੱਚ ਜ਼ੀਰੋ-ਸ਼ੋਟ ਬੋਲੀ ਕਲੋਨਿੰਗ; ਡਿਫਾਲਟ ਬੋਲੀ ਬਦਲਣ ਮਾਡਲ ਛੋਟੇ ਨਮੂਨੇ ਤੋਂ ਕਲੋਨਿੰਗ
Speech-to-Text Models
ਮਾਡਲ ID ਵੇਰਵਾ ਸਭ ਤੋਂ ਵਧੀਆ
whisper-large-v3 OpenAI Whisper Large v3 ਸਭ ਤੋਂ ਵੱਧ ਸਹੀ, ਬਹੁ- ਭਾਸ਼ਾ
whisper-turbo ਸਪੀਡ ਲਈ ਅਨੁਕੂਲ Whisper ਤੇਜ਼ ਟਰਾਂਸਲੇਸ਼ਨ

ਗਲਤੀ ਕੋਡ

ਕੋਡ ਹਾਲਤ ਵੇਰਵਾ
invalid_api_key 401 ਗਲਤ ਜਾਂ ਗੁੰਮ API ਕੁੰਜੀ
insufficient_credits 402 ਇਸ ਕਾਰਵਾਈ ਲਈ ਲੋੜੀਦੇ ਕ੍ਰੈਡਿਟ ਨਹੀਂ ਹਨ
rate_limit_exceeded 429 ਬਹੁਤ ਸਾਰੀਆਂ ਮੰਗਾਂ
invalid_request 400 ਗਲਤ ਫਾਰਮੈਟ ਦੀ ਬੇਨਤੀ ਬਾਡੀ
model_not_found 404 ਲੋੜੀਦਾ ਮਾਡਲ ਮੌਜੂਦ ਨਹੀਂ ਹੈ
voice_not_found 404 ਲੋੜੀਦੀ ਆਵਾਜ਼ ਮੌਜੂਦ ਨਹੀਂ ਹੈ
file_too_large 413 ਅੱਪਲੋਡ ਕੀਤੀ ਫਾਇਲ ਸਾਈਜ਼ ਲਿਮਟ ਤੋਂ ਵੱਧ ਹੈ
server_error 500 ਅੰਦਰੂਨੀ ਸਰਵਰ ਗਲਤੀ