ක්ෂණික ආරම්භය
යටතේ Speech to Speech AI API සමඟ ආරම්භ කරන්න5මිනිත්තු.
මූලික URL
https://api.speechtospeechai.com/v1
1. රැකියාවක් ආරම්භ
සෑම මෙවලමක්ම ඔබේ API යතුර සමග POST වේ. පිළිතුර රැකියා id වේ, ශ්රව්ය නොවේ.
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. ප්රතිඵල සඳහා ඡන්ද විමසීම
තත්වය සම්පූර්ණ වන තෙක් සෑම තත්පර කිහිපයකට වරක් රැකියාව ඉල්ලා, පසුව බාගත result_url.
curl "https://api.speechtospeechai.com/v1/speech/results/?uuid=3f2c..." \
-H "Authorization: Bearer YOUR_API_KEY"
{"status": "completed", "result_url": "https://.../output.mp3"}
අවසරදීම
සියලු API ඉල්ලීම් තුළ API යතුර හරහා සහතික කිරීම අවශ්ය Authorization හිස්වැසුම්.
Authorization: Bearer YOUR_API_KEY
හඬ ක්ලෝන කිරීම
/v1/voice-clone/
කෙටි උපුටා ගැනීමක් පටිගත කිරීමේ හඬ තුළ පෙළක් කතා කරන්න.
ඉල්ලීම ශරීරය (බහු-පාර්ශ්ව / ආකෘති පත්රය-දත්ත)
| පරාමිතීන් | වර්ගය | අවශ්ය | විස්තරය |
|---|---|---|---|
reference_audio |
file | ඔව් | ක්ලෝන කිරීමට හඬ පටිගත කිරීම (10-30 තත්පර නිර්දේශ, 60 දක්වා) |
text |
string | ඔව් | ඒ හඬින් කතා කරන්න පෙළ |
model |
string | නෑ | chatterbox, විවෘත කටහඬ, ටොට්සයිට් හෝ gpt-sovits |
language |
string | නෑ | භාෂා කේතය (පෙරනිමි: en) |
ප්රතිචාරය
රැකියා ID (uuid). ප්රශ්න පරීක්ෂණය GET /v1/speech/results/?uuid= තත්ත්වය සම්පූර්ණ වන තෙක් හා බාගත result_url.
පෙළ සිට කථාව
/v1/tts/
කථාව ශ්රව්ය පෙළ පරිවර්තනය කරන්න.
ඉල්ලීම ශරීරය (බහු-පාර්ශ්ව / ආකෘති පත්රය-දත්ත)
| පරාමිතීන් | වර්ගය | අවශ්ය | විස්තරය |
|---|---|---|---|
text |
string | ඔව් | පරිවර්තනය කිරීමට පෙළ (අකුරු 5000 උපරිම) |
model |
string | නෑ | kokoro (පෙරනිමි), piper, vits හෝ bark |
voice_id |
string | නෑ | GET /v1/speech/voices/?model= සිට හඬ id |
language |
string | නෑ | භාෂා කේතය (පෙරනිමි: en) |
speed |
float | නෑ | වේග ගුණකය (0.5-2.0, පෙරනිමි 1.0) |
format |
string | නෑ | wav (පෙරනිමි), mp3, ogg හෝ flac. SSML ටැග සංස්ලේෂණයට පෙර ඉවත් කර ඇත. |
ප්රතිචාරය
රැකියා ID (uuid). ප්රශ්න පරීක්ෂණය GET /v1/speech/results/?uuid= තත්ත්වය සම්පූර්ණ වන තෙක් හා බාගත result_url.
කථාව පෙළට
/v1/transcribe/
කාලය මුද්රා සමග පෙළට ශ්රව්ය පරිවර්තනය.
ඉල්ලීම ශරීරය (බහු-පාර්ශ්ව / ආකෘති පත්රය-දත්ත)
| පරාමිතීන් | වර්ගය | අවශ්ය | විස්තරය |
|---|---|---|---|
file |
file | ඔව් | පරිවර්තනය කිරීමට ශ්රව්ය/දෘශ්ය ගොනුව |
model |
string | නෑ | විශාල-v3 (පෙරනිමි) හෝ ටර්බෝ |
language |
string | නෑ | භාෂා කේතය, හෝ එය හඳුනාගැනීමට ස්වයංක්රීයව (පෙරනිමි) |
enable_word_timestamps |
bool | නෑ | සෑම වචනයකටම ආරම්භක හා අවසාන වේලාව එක් කරන්න |
callback_url |
string | නෑ | වැඩ අවසන් වූ විට POST මගින් ප්රතිඵලය ලැබෙන URL |
ප්රතිචාරය
රැකියා ID (uuid). තත්ත්වය සම්පූර්ණ වන තෙක් ප්රතිඵල /v1/transcribe/results/?uuid= ප්රතිඵල ලබා; පිළිතුර පසුව පෙළ, භාෂාව සහ කොටස් රැගෙන.
භාවිතයට ඇති ආකෘති
Text-to-Speech Models
| ආකෘති ID | විස්තරය | සඳහා හොඳම |
|---|---|---|
kokoro |
වේගවත් බහුභාෂා TTS | සාමාන්ය භාවිතය, අඩු ප්රමාදතාව |
piper |
සැහැල්ලු බහුභාෂා TTS (වාණිජ බලපත්ර හඬ පමණක්) | භාෂා 11 ක වේගවත් රින්ඩ් |
vits |
LJSpeech ප්ලස් 108 VCTK ඉංග්රීසි කථිකයන් | ඉංග්රීසි උච්චාරණය |
bark |
ජනනය TTS, 130 භාෂා 13 දී පෙරනිමි | විවිධ, ප්රකාශාත්මක බෙදාහැරීම (මන්දගාමී) |
openvoice |
හඬ ක්ලෝන සහ විකල්ප හඬ පරිවර්තනය | Alternative to Chatterbox |
chatterbox |
භාෂා 23 ක් ෂේත්ර-ෂොට් හඬ ක්ලෝන; පෙරනිමි හඬ පරිවර්තන ආකෘතිය | කෙටි සාම්පලයකින් ක්ලෝන කිරීම |
Speech-to-Text Models
| ආකෘති ID | විස්තරය | සඳහා හොඳම |
|---|---|---|
whisper-large-v3 |
OpenAI Whisper Large v3 | ඉහළම නිරවද්යතාව, බහුභාෂා |
whisper-turbo |
වේගය සඳහා උපරිම කළ Whisper | වේගවත් පරිවර්තනය |
දෝෂ කේත
| කේතය | තත්වය | විස්තරය |
|---|---|---|
invalid_api_key |
401 | වලංගු හෝ අතුරුදහන් API යතුර |
insufficient_credits |
402 | මෙම මෙහෙයුම සඳහා ප්රමාණවත් ක්රෙඩිට් නොමැත |
rate_limit_exceeded |
429 | ඉල්ලීම් බොහෝය |
invalid_request |
400 | ඉල්ලුම් ශරීරය අක්රියයි |
model_not_found |
404 | ඉල්ලූ ආකෘතිය නොපවතී |
voice_not_found |
404 | ඉල්ලූ හඬ නොපවතී |
file_too_large |
413 | අභිප්රේත ගොනුව ප්රමාණය සීමාවෙන් ඉක්මවා ඇත |
server_error |
500 | අභ්යන්තර සේවාදායක දෝෂය |