API dokumentazioa
Integratu TTS.ai zure aplikazioetan gure REST APIarekin. OpenAI-rekin bateragarria den formatua migrazio erraza egiteko.
Orokorra
TTS.ai APIak plataformako ezaugarri guztietarako sarbide programatikoa eskaintzen du: testutik hizketara sintetizatzea, hizketatik testura transkribatzea, ahotsa klonatzea, audioa hobetzea eta abar. APIak REST konbentzio estandarrak erabiltzen ditu JSON eskaera/erantzun gorputzekin.
API gakoa
Eskuratu zure API gakoa hemendik Kontuaren ezarpenak. Pro eta Enterprise planetan eskuragarri dago.
Oinarrizko URLa
https://api.tts.ai/v1/
Autentifikazioa
Token eramantzailearen bidez Authorization goiburua
Autentifikazioa
API eskaera guztiek autentifikazioa behar dute Bearer token baten bidez Authorization goiburua.
Authorization: Bearer sk-tts-your-api-key-here
Oinarrizko URLa
Amaierako puntu guztiak oinarrizko URL honekin erlatiboak dira. Adibidez, TTS amaierako puntua hau da:
Emari-mugak
API-ren tasa-mugak planaren arabera aldatzen dira:
| Plana | Eskaerak/min | Aldi berean | Testuaren gehienezko luzera |
|---|---|---|---|
| Pro | 60 | 5 | 5.000 karaktere |
| Enterprise | 300 | 20 | 50.000 karaktere |
Maiztasun-mugako goiburuak erantzun guztietan sartzen dira: X-RateLimit-Limit, X-RateLimit-Remaining, X-RateLimit-Reset.
Kreditu-kostuak
| Zerbitzua | Kostua | Unitatea |
|---|---|---|
| TTS (modelo libreak: Piper, VITS, MeloTTS) | Kreditu 1 | 1.000 karaktere bakoitzeko |
| TTS (Modelo estandarrak: Kokoro, CosyVoice 2, etab.) | 2 kreditu | 1.000 karaktere bakoitzeko |
| TTS (Premium modeloak: Tortoise, Chatterbox, etab.) | 4 kreditu | 1.000 karaktere bakoitzeko |
| Hitzetik testura | 2 kreditu | audio-minutu bakoitzeko |
| Ahots klonaketa | 4 kreditu | 1.000 karaktere bakoitzeko |
| Ahots aldatzailea | 3 kreditu | audio-minutu bakoitzeko |
| Audioaren hobekuntza | 2 kreditu | audio-minutu bakoitzeko |
| Ahotsa kentzea / ahotsa zatitzea | 3-4 kreditu | audio-minutu bakoitzeko |
| Hitz itzulpena | 5 kreditu | audio-minutu bakoitzeko |
| Ahots-berriketa | 3 kreditu | txanda bakoitzeko |
| Gako & BPM bilatzailea | Libre | -- |
| Audio bihurtzailea | Libre | -- |
Testutik hizketara
Bihurtu testua hizketa-audiora. Audio-fitxategia itzultzen du eskatutako formatuan.
Eskaeraren gorputza
| Parametroak | Mota | Beharrezkoa | Azalpena |
|---|---|---|---|
| model | string | Bai | Modeloaren IDa (adib. kokoro, chatterbox, piper) |
| text | string | Bai | Testua ahoskerara bihurtzeko (gehienez 5.000 karaktere Pro-rako, 50.000 Enterprise-rako) |
| voice | string | Bai | Ahots-IDa (erabili /v1/voices/ ahots erabilgarriak zerrendatzeko) |
| format | string | Ez | Irteerako formatua: mp3 (lehenetsia), wav, flac, ogg |
| speed | float | Ez | Ahoskera-abiaduraren biderkatzailea. Lehenetsia: 1.0. Tartea: 0.5tik 2.0ra |
| language | string | Ez | Hizkuntzaren kodea (adib. eu, es). Automatikoki detektatuko da ez bada adierazten. |
| stream | boolean | Ez | Gaitu korrontearen erantzuna. Lehenetsia: false |
Adibideko eskaera
curl -X POST https://api.tts.ai/v1/tts/ \
-H "Authorization: Bearer sk-tts-your-key" \
-H "Content-Type: application/json" \
-d '{
"model": "kokoro",
"text": "Hello from TTS.ai! This is a test.",
"voice": "af_bella",
"format": "mp3"
}' \
--output output.mp3
Erantzuna
Audio-fitxategia datu binario gisa itzultzen du Content-Type goiburu egokiarekin (audio/mpeg, audio/wav, etab.).
Content-Type: audio/mpeg
Content-Length: 48256
X-Credits-Used: 2
X-Credits-Remaining: 498
Hitzetik testura
Transkribatu audioa testura. 99 hizkuntza onartzen ditu autodetekzioarekin.
Eskaeraren gorputza (multipart/form-data)
| Parametroak | Mota | Beharrezkoa | Azalpena |
|---|---|---|---|
| file | file | Bai | Audio-fitxategia (MP3, WAV, FLAC, OGG, M4A, MP4, WebM). Gehienez 100 MB. |
| model | string | Ez | STT modeloa: whisper (lehenetsia), faster-whisper, sensevoice |
| language | string | Ez | Hizkuntzaren kodea. auto autodetekziorako (lehenetsia). |
| timestamps | boolean | Ez | Sartu hitzen mailako denbora-zigiluak. Lehenetsia: false |
| diarize | boolean | Ez | Gaitu bozgorailuaren diarizazioa. Lehenetsia: false |
Erantzuna
{
"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"
}
]
}
Ahots klonaketa
Sortu hizketa ahots klonatu batean. Kargatu erreferentziako audioa eta testua.
Eskaeraren gorputza (multipart/form-data)
| Parametroak | Mota | Beharrezkoa | Azalpena |
|---|---|---|---|
| reference_audio | file | Bai | Erreferentziako ahots-audioa (10-30 segundo gomendatzen dira). Gehienez 20 MB. |
| text | string | Bai | Ahots klonatuan hitz egiteko testua. |
| model | string | Ez | Klon-eredua: chatterbox (lehenetsia), cosyvoice2, gpt-sovits |
| format | string | Ez | Irteerako formatua: mp3 (lehenetsia), wav, flac |
| language | string | Ez | Helburuko hizkuntzaren kodea. Hautatutako modeloak onartu behar du. |
Erantzuna
Audio-fitxategia datu binario gisa itzultzen du, TTS amaierako puntuaren berdina.
Ahots aldatzailea
Bihurtu audioa beste ahots baten antzera sortzeko. Kargatu iturburuko audioa eta hautatu helburuko ahotsa.
Eskaeraren gorputza (multipart/form-data)
| Parametroak | Mota | Beharrezkoa | Azalpena |
|---|---|---|---|
| file | file | Bai | Iturburuko audio-fitxategia (MP3, WAV, FLAC). Gehienez 50 MB. |
| target_voice | string | Bai | Bihurtu beharreko helburuko ahots-IDa (erabili /v1/voices/ ahots erabilgarriak zerrendatzeko) |
| model | string | Ez | Ahots bihurketa modeloa: openvoice (lehenetsia), knn-vc |
| format | string | Ez | Irteerako formatua: wav (lehenetsia), mp3, flac |
Adibideko eskaera
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
Erantzuna
Bihurtutako audio-fitxategia datu binario gisa itzultzen du.
Hitz itzulpena
Itzul itzazu ahozko audioak hizkuntza batetik bestera. Hitzetik testura, itzulpenetik testura eta testutik hitzera konbinatzen ditu dei bakar batean.
Eskaeraren gorputza (multipart/form-data)
| Parametroak | Mota | Beharrezkoa | Azalpena |
|---|---|---|---|
| file | file | Bai | Iturburuko audio-fitxategia jatorrizko hizkuntzan. Gehienez 100 MB. |
| target_language | string | Bai | Helburuko hizkuntzaren kodea (adib. es, fr, de, ja) |
| voice | string | Ez | Itzulitako irteerako ahotsa. Automatikoki hautatzen da ez bada. |
| preserve_voice | boolean | Ez | Saiatu jatorrizko bozgorailua mantentzen |
Erantzuna
{
"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
}
Hitzetik hitzera
Eraldatu hizketa-estiloa, emozioa edo ematea edukiari eutsiz. Erabilgarria tonua, abiadura eta adierazkortasuna doitzeko.
Eskaeraren gorputza (multipart/form-data)
| Parametroak | Mota | Beharrezkoa | Azalpena |
|---|---|---|---|
| file | file | Bai | Hizketaren iturburuko audio-fitxategia. Gehienez 50 MB. |
| voice | string | Bai | Irteerako hizketaren helburuko ahots-IDa |
| model | string | Ez | Modeloa: openvoice (lehenetsia), chatterbox |
| emotion | string | Ez | Helburuko emozioa: |
| speed | float | Ez | Abiadura-doikuntza. Lehenetsia: 1.0. Tartea: 0.5tik 2.0ra |
Erantzuna
Bihurtutako audio-fitxategia datu binario gisa itzultzen du.
Audio-tresnak
Audioa prozesatzeko amaiera-puntuak, hobekuntza, ahots-ezabapena, zuhaitz-zatiketa eta gehiagorako.
Hobetu audioaren kalitatea: zarata kentzea, argitasuna hobetzea, super bereizmena.
| file file | Audio-fitxategia hobetzeko |
| denoise boolean | Gaitu zarata kentzea (lehenetsia: egia) |
| enhance_clarity boolean | Hobetu hizketaren argitasuna (lehenetsia: egia) |
| super_resolution boolean | Eskalatu audioaren kalitatea (lehenetsia: faltsua) |
| strength integer | 1- 3 (argia, ertaina, gogorra). Lehenetsia: 2 |
Bokalak instrumentaletatik bereiztea (bokal-ezabapena) edo zutabetan banatzea.
| file file | Audio-fitxategia bereizteko |
| model string | demucs (lehenetsia) edo spleeter |
| stems integer | Zuhaitz kopurua: 2, 4, 5 edo 6 (lehenetsia: 2) |
| format string | Irteerako formatua: wav, mp3, flac |
Kendu oihartzuna eta erreberberazioa audio-grabazioetatik.
| file file | Audio-fitxategia prozesatzeko |
| type string | echo or reverb (default: both) |
| intensity integer | 1-5 (default: 3) |
Analisatu audioa tekla, BPM eta tempo-sinadura detektatzeko.
| file file | Audio-fitxategia analizatzeko |
{
"key": "C",
"scale": "Major",
"bpm": 120.0,
"time_signature": "4/4",
"camelot": "8B",
"compatible_keys": ["C Major", "G Major", "F Major", "A Minor"]
}
Bihurtu audioa formatuen artean.
| file file | Bihurtu beharreko audio-fitxategia |
| format string | Helburuko formatua: mp3, wav, flac, ogg, m4a, aac |
| bitrate integer | Irteerako bit- tasa (kbps): 64, 128, 192, 256, 320 |
| sample_rate integer | Lagin-emaria: 22050, 44100, 48000 |
| channels string | mono edo stereo |
Ahots-berriketa
Bidali audioa edo testua eta jaso AI erantzuna hizketa sintetizatuarekin.
Eskaeraren gorputza (multipart/form-data edo JSON)
| Parametroak | Mota | Beharrezkoa | Azalpena |
|---|---|---|---|
| audio | file | Ez* | Audio-sarrera (audio edo text behar da) |
| text | string | Ez* | Testu-sarrera (audio edo text behar da) |
| voice | string | Ez | AI erantzunaren ahotsa. Lehenetsia: af_bella |
| tts_model | string | Ez | TTS modeloa erantzunerako. Lehenetsia: kokoro |
| system_prompt | string | Ez | Sistemaren galdera pertsonalizatua AI- rentzat |
| conversation_id | string | Ez | Jarraitu lehendik dagoen solasaldi batekin |
Erantzuna
{
"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
}
Zerrendatu modeloak
Erabilgarri dauden modelo guztien zerrenda itzultzen du, haien gaitasunekin batera.
Erantzuna
{
"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
}
]
}
Zerrendatu ahotsak
Ahots erabilgarri guztien zerrenda itzultzen du, aukeran, modeloaren edo hizkuntzaren arabera iragazita.
Kontsultaren parametroak
| Parametroak | Mota | Azalpena |
|---|---|---|
| model | string | Iragazi modeloaren IDaren arabera (adib. kokoro) |
| language | string | Iragazi hizkuntza-kodearen arabera (adib. eu) |
| gender | string | Iragazi generoaren arabera: male, female, neutral |
Erantzuna
{
"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
}
Kodearen adibideak
Testutik hizketara
import requests
API_KEY = "sk-tts-your-key"
# Text to Speech
response = requests.post(
"https://api.tts.ai/v1/tts/",
headers={"Authorization": f"Bearer {API_KEY}"},
json={
"model": "kokoro",
"text": "Hello from TTS.ai!",
"voice": "af_bella",
"format": "mp3"
}
)
with open("output.mp3", "wb") as f:
f.write(response.content)
print(f"Credits used: {response.headers.get('X-Credits-Used')}")
Hitzetik testura
# Speech to Text
with open("recording.mp3", "rb") as f:
response = requests.post(
"https://api.tts.ai/v1/stt/",
headers={"Authorization": f"Bearer {API_KEY}"},
files={"file": f},
data={"model": "faster-whisper", "timestamps": "true"}
)
result = response.json()
print(result["text"])
Ahots klonaketa
# Voice Cloning
with open("reference.wav", "rb") as ref:
response = requests.post(
"https://api.tts.ai/v1/tts/clone/",
headers={"Authorization": f"Bearer {API_KEY}"},
files={"reference_audio": ref},
data={
"text": "This speech uses a cloned voice.",
"model": "chatterbox"
}
)
with open("cloned_output.mp3", "wb") as f:
f.write(response.content)
Testutik hizketara
const API_KEY = 'sk-tts-your-key';
// Text to Speech
const response = await fetch('https://api.tts.ai/v1/tts/', {
method: 'POST',
headers: {
'Authorization': `Bearer ${API_KEY}`,
'Content-Type': 'application/json'
},
body: JSON.stringify({
model: 'kokoro',
text: 'Hello from TTS.ai!',
voice: 'af_bella',
format: 'mp3'
})
});
const audioBlob = await response.blob();
const audioUrl = URL.createObjectURL(audioBlob);
const audio = new Audio(audioUrl);
audio.play();
Hitzetik testura
// Speech to Text
const formData = new FormData();
formData.append('file', audioFile);
formData.append('model', 'faster-whisper');
const response = await fetch('https://api.tts.ai/v1/stt/', {
method: 'POST',
headers: { 'Authorization': `Bearer ${API_KEY}` },
body: formData
});
const result = await response.json();
console.log(result.text);
Testutik hizketara
# Text to Speech
curl -X POST https://api.tts.ai/v1/tts/ \
-H "Authorization: Bearer sk-tts-your-key" \
-H "Content-Type: application/json" \
-d '{"model":"kokoro","text":"Hello!","voice":"af_bella","format":"mp3"}' \
-o output.mp3
Hitzetik testura
# Speech to Text
curl -X POST https://api.tts.ai/v1/stt/ \
-H "Authorization: Bearer sk-tts-your-key" \
-F "file=@recording.mp3" \
-F "model=faster-whisper" \
-F "timestamps=true"
Ahots klonaketa
# Voice Cloning
curl -X POST https://api.tts.ai/v1/tts/clone/ \
-H "Authorization: Bearer sk-tts-your-key" \
-F "reference_audio=@reference.wav" \
-F "text=This uses a cloned voice." \
-F "model=chatterbox" \
-o cloned.mp3
Audioaren hobekuntza
# Audio Enhancement
curl -X POST https://api.tts.ai/v1/audio/enhance/ \
-H "Authorization: Bearer sk-tts-your-key" \
-F "file=@noisy_audio.mp3" \
-F "denoise=true" \
-F "enhance_clarity=true" \
-o enhanced.mp3
Errore-kodeak
Errore guztiek JSON erantzun bat itzultzen dute error eremua.
{
"error": {
"code": "insufficient_credits",
"message": "You do not have enough credits for this request.",
"credits_required": 4,
"credits_available": 2
}
}
| HTTP egoera | Errore-kodea | Azalpena |
|---|---|---|
| 400 | bad_request |
Eskaera-parametro baliogabeak. Egiaztatu errore-mezua xehetasunak ikusteko. |
| 401 | unauthorized |
API gakoa falta da edo baliogabea da. |
| 402 | insufficient_credits |
Ez dago nahikoa kreditu. Erosi gehiago hemen: /pricing/. |
| 403 | forbidden |
API atzipena ez dago erabilgarri zure planean. |
| 404 | not_found |
Ez da modeloa edo ahotsa aurkitu. |
| 413 | file_too_large |
Igotako fitxategia tamaina-muga gainditzen du. |
| 429 | rate_limited |
Eskaera gehiegi. Egiaztatu abiadura-mugaren goiburuak. |
| 500 | internal_error |
Zerbitzariaren errorea. Saiatu berriro geroago. |
| 503 | model_loading |
Modeloa kargatzen. Saiatu berriro segundo batzuen buruan. |
Webhooks
Exekuzio luzeko zereginetan (zuhaitza zatitzea, batch TTS), webhook_url parametroa eman dezakezu. Zeregina amaitzen denean, emaitza zure URLan POST egingo dugu.
{
"event": "task.completed",
"task_id": "task_abc123",
"status": "success",
"result_url": "https://api.tts.ai/v1/results/task_abc123",
"credits_used": 12,
"created_at": "2025-01-15T10:30:00Z",
"completed_at": "2025-01-15T10:30:45Z"
}
Prest al zaude eraikitzeko?
Lortu zure API gakoa eta hasi TTS.ai zure aplikazioetan integratzen.