API-dokumentado

Parolo al tekstoComment

Transskribi aŭdon al teksto. Subtenas 99 lingvojn kun aŭtomata detekto.

Petokorpo (multipart/form-data)

Respondo

{
  "text": "Hello, this is a transcription test.",
  "language": "en",
  "duration": 3.5,
  "segments": [
    {
      "start": 0.0,
      "end": 1.8,
      "text": "Hello, this is",
      "speaker": "SPEAKER_00"
    },
    {
      "start": 1.8,
      "end": 3.5,
      "text": "a transcription test.",
      "speaker": "SPEAKER_00"
    }
  ]
}

Voĉa klonado

Generi paroladon per klonita voĉo. Alŝuti referencan sonon kaj tekston. Name

Petokorpo (multipart/form-data)

Respondo

Redonas la sondosieron kiel duuma datumo, same kiel la TTS- finpunkto.

VoĉŝanĝiloName

Konverti sonon por soni kiel alia voĉo. Alŝutu fontan sonon kaj elektu celvoĉon.

Petokorpo (multipart/form-data)

Ekzemplopeto

curl -X POST https://api.tts.ai/v1/voice-convert/ \
  -H "Authorization: Bearer sk-tts-your-key" \
  -F "file=@source_audio.mp3" \
  -F "target_voice=af_bella" \
  -F "model=openvoice" \
  -o converted.wav

Respondo

Returnas la konvertitan sondosieron kiel duuma datumo.

ParoltradukoName

Traduki parolitan sonon el unu lingvo al alia. Kombinas paroladon al teksto, tradukon, kaj tekston al parolado en ununura voko. Name

Petokorpo (multipart/form-data)

Respondo

{
  "original_text": "Hello, how are you?",
  "translated_text": "Hola, como estas?",
  "source_language": "en",
  "target_language": "es",
  "audio_url": "https://api.tts.ai/v1/results/translate_abc123.mp3",
  "credits_used": 5
}

Parolo al ParoloComment

Transformi parolstilon, emocion, aŭ prezentadon dum konservado de la enhavo. Utila por agordi tonon, ritmon, kaj esprimpovon.

Petokorpo (multipart/form-data)

Respondo

Redonas la transformitan sondosieron kiel duuma datumo.

SonilojName

Finpunktoj de aŭda prilaborado por plibonigo, forigo de voĉo, disdivido de tigo, ktp.

{
  "key": "C",
  "scale": "Major",
  "bpm": 120.0,
  "time_signature": "4/4",
  "camelot": "8B",
  "compatible_keys": ["C Major", "G Major", "F Major", "A Minor"]
}

Voĉa babilejoName

Sendu sonon aŭ tekston kaj ricevu AI-respondon kun sintezita parolado.

Petokorpo (multipart/form-data aŭ JSON)

Respondo

{
  "conversation_id": "conv_abc123",
  "user_text": "What is the capital of France?",
  "ai_text": "The capital of France is Paris.",
  "audio_url": "https://api.tts.ai/v1/audio/tmp/resp_xyz.mp3",
  "credits_used": 3
}

Batch TTS

Sendi plurajn tekstojn por paralela TTS- generado. Opcie ricevi retkroĉan revokon kiam ĉiuj taskoj finiĝas.

Parametroj

Respondo

{
  "batch_id": "abc123",
  "total": 3,
  "completed": 0,
  "status": "processing"
}

Poll progress with GET /v1/tts/batch/result/?batch_id=abc123

Enkorpigi voĉon

Antaŭkalkuli voĉan enkorpigon el referenco-sono. Uzi la redonitan embed_id en postaj voĉaj klonaj petoj por preskaŭ tuja generado.

Parametroj

Respondo

{
  "embed_id": "emb_abc123",
  "model": "chatterbox",
  "duration_ms": 450
}

Sankontrolo

Kontroli la staton de la GPU-servilo, ŝarĝitajn modelojn, kaj la grandecon de la atendovico. Aŭtentigo ne necesas. Kaŝita dum 30 sekundoj.

Respondo

{
  "status": "online",
  "latency_ms": 45,
  "queue_size": 3,
  "models_loaded": ["kokoro", "chatterbox", "cosyvoice2"]
}

Listo de modeloj

Redonas liston de ĉiuj haveblaj modeloj kun iliaj kapabloj.

Respondo

{
  "models": [
    {
      "id": "kokoro",
      "name": "Kokoro",
      "type": "tts",
      "tier": "standard",
      "languages": ["en", "ja", "ko", "zh", "fr"],
      "supports_cloning": false,
      "supports_streaming": true,
      "credits_per_1k_chars": 2
    },
    {
      "id": "chatterbox",
      "name": "Chatterbox",
      "type": "tts",
      "tier": "premium",
      "languages": ["en"],
      "supports_cloning": true,
      "supports_streaming": true,
      "credits_per_1k_chars": 4
    }
  ]
}

Listi voĉojn

Redonas liston de ĉiuj haveblaj voĉoj, opcione filtritaj laŭ modelo aŭ lingvo.

Query Parameters

Respondo

{
  "voices": [
    {
      "id": "af_bella",
      "name": "Bella",
      "model": "kokoro",
      "language": "en",
      "gender": "female",
      "preview_url": "https://api.tts.ai/v1/voices/preview/af_bella.mp3"
    }
  ],
  "total": 142
}

Subtekstoj (SRT / VTT) nova

Generi sinkronigitajn subtekstojn por ĉiu kompletigita TTS- tasko. Lanĉas Whisper- aligon super la sono kaj redonas SRT aŭ WebVTT. La rezulto estas kaŝita sur disko, do dua voko por la sama uuid estas diskolegado.

Query Parameters

curl "https://api.tts.ai/v1/speech/subtitles/?uuid=$UUID&format=srt&download=1" -o subtitles.srt

Prononca vortaro nova

Diru al la TTS-motoro kiel prononci specifajn vortojn. Konservitaj eroj aŭtomate aplikiĝas al ĉiu TTS-peto kiun vi faras. Limigo de 200 eroj por konto.

Petokorpo (POST)

# Save an entry
curl -X POST https://tts.ai/api/v1/pronunciations/ \
  -H "Authorization: Bearer sk-tts-..." \
  -H "Content-Type: application/json" \
  -d '{"word": "GIF", "replacement": "jiff"}'

# List your entries
curl https://tts.ai/api/v1/pronunciations/ -H "Authorization: Bearer sk-tts-..."

# Delete entry by id
curl -X DELETE "https://tts.ai/api/v1/pronunciations/?id=42" -H "Authorization: Bearer sk-tts-..."

Oni povas ankaŭ transdoni per-peto anstataŭigojn sen konservi ilin — inkludi pronunciations sur ĉiu /v1/tts/ alvoko kiel objekto aŭ aro (vidu la TTS finpunkto parametroj).

Artikola rakontilo nova

Se vi metas