API દસ્તાવેજ

સત્તાધિકરણ

બધી API વિનંતીઓને આમાં વહનકર્તા ટોકન મારફતે સત્તાધિકરણની જરૂર છે Authorization હેડર.

Authorization: Bearer sk-tts-your-api-key-here

SDKs

સત્તાવાર SDKs એ તમારા કાર્યક્રમમાં TTS.ai ને એકીકૃત કરવા માટે સરળ બનાવે છે. બંને ઓપન સોર્સ છે અને GitHub પર ઉપલબ્ધ છે.

pip install ttsai

from tts_ai import TTSClient

client = TTSClient(api_key="sk-tts-...")
audio = client.generate(
    text="Hello world!",
    model="kokoro"
)
client.save(audio, "output.wav")

npm install @ttsainpm/ttsai

const { TTSClient } = require('@ttsainpm/ttsai');

const client = new TTSClient({
  apiKey: 'sk-tts-...'
});
const audio = await client.generate({
  input: 'Hello world!',
  model: 'kokoro'
});
await client.saveToFile(audio, 'output.wav');

આધાર URL

બધા અંતબિંદુઓ આ આધાર URL ને સંબંધિત છે. ઉદાહરણ તરીકે, TTS અંતબિંદુ છે:

દર મર્યાદાઓ

API દર મર્યાદા યોજના દ્વારા બદલાય છે:

દર મર્યાદા હેડરો દરેક જવાબમાં સમાવેલ છે: X-RateLimit-Limit, X-RateLimit-Remaining, X-RateLimit-Reset.

ક્રેડિટ ખર્ચ

લખાણને બોલવામાંName

લખાણને ભાષણ ઓડિયોમાં રૂપાંતરિત કરો. વિનંતી થયેલ બંધારણમાં ઓડિયો ફાઇલ પાછી આપે છે.

વિનંતી બોડી

ઉદાહરણ વિનંતી

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

જવાબ

ઓડિયો ફાઈલને યોગ્ય Content-Type હેડર સાથે બાઈનરી માહિતી તરીકે પાછી આપે છે (audio/mpeg, audio/wav, વગેરે).

Content-Type: audio/mpeg
Content-Length: 48256
X-Credits-Used: 2
X-Credits-Remaining: 498

બોલવાથી લખાણName

ઓડિયોને લખાણમાં રૂપાંતરિત કરો. આપોઆપ શોધ સાથે ૯૯ ભાષાઓને આધાર આપે છે.

વિનંતી બોડી (multipart/form-data)

જવાબ

{
  "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"
    }
  ]
}

અવાજ ક્લોનિંગ

ક્લોન થયેલ અવાજમાં ભાષા પેદા કરો. સંદર્ભ ઓડિયો અને લખાણ અપલોડ કરો.

વિનંતી બોડી (multipart/form-data)

જવાબ

ઓડિયો ફાઈલને બાઇનરી માહિતી તરીકે પાછી આપે છે, TTS અંતિમબિંદુ જેવું જ.

અવાજ બદલનારName

ઓડિયોને અલગ અવાજની જેમ સાંભળવા માટે રૂપાંતરિત કરો. સ્ત્રોત ઓડિયો અપલોડ કરો અને લક્ષ્ય અવાજ પસંદ કરો.

વિનંતી બોડી (multipart/form-data)

ઉદાહરણ વિનંતી

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

જવાબ

રૂપાંતરિત ઓડિયો ફાઈલને બાઇનરી માહિતી તરીકે પાછી આપે છે.

ભાષાંતર

એક ભાષામાંથી બીજામાં બોલાયેલ ઓડિયોનું ભાષાંતર કરો. એક કોલમાં બોલવાથી લખાણ, ભાષાંતર અને લખાણથી બોલવાનું સંયોજિત કરે છે.

વિનંતી બોડી (multipart/form-data)

જવાબ

{
  "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
}

ભાષાથી ભાષાName

સમાવિષ્ટો રાખતી વખતે ભાષાની શૈલી, લાગણી, અથવા પ્રદાનને બદલો. ટોન, પઝીશન, અને વ્યક્તીત્વને સુયોજિત કરવા માટે ઉપયોગી.

વિનંતી બોડી (multipart/form-data)

જવાબ

રૂપાંતરિત ઓડિયો ફાઈલને બાઇનરી માહિતી તરીકે પાછી આપે છે.

ઓડિયો સાધનો

વધારા માટે ઓડિયો પ્રક્રિયા અંતબિંદુઓ, અવાજ દૂર કરવા, સ્ટેમ વિભાજિત કરવા, અને વધુ.

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

અવાજ સંવાદ

ઓડિયો અથવા લખાણ મોકલો અને સંયોજિત ભાષા સાથે AI જવાબ મેળવો.

વિનંતી બોડી (multipart/form-data અથવા JSON)

જવાબ

{
  "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
}

TTS બેચ

સમકાલીન TTS ઉત્પન્ન કરવા માટે ઘણાબધા લખાણો રજૂ કરો. વૈકલ્પિક રીતે webhook callback ને પ્રાપ્ત કરો જ્યારે બધી કામગીરી સમાપ્ત થાય.

પરિમાણો

જવાબ

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

GET /v1/tts/batch/result/?batch_id=abc123 સાથે પોલ પ્રગતિ

અવાજ જડિત

સંદર્ભ ઓડિયો માંથી અવાજ જડિત કરવાનું પહેલાથી ગણો. નજીક-તરત જ ઉત્પન્ન કરવા માટે પછીની અવાજ ક્લોનિંગ વિનંતીઓમાં પાછું મળેલ embed_id ને વાપરો.

પરિમાણો

જવાબ

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

સ્વાસ્થ્ય ચકાસણી

GPU સર્વર સ્થિતિ, લાવવામાં આવેલ મોડેલો, અને કતાર માપ ચકાસો. સત્તાધિકરણની જરૂર નથી. ૩૦ સેકન્ડ માટે કેશ થયેલ છે.

જવાબ

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

મોડેલોની યાદી

તેમની ક્ષમતા સાથે બધા ઉપલબ્ધ મોડેલોની યાદી પાછી આપે છે.

જવાબ

{
  "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
    }
  ]
}

અવાજોની યાદી

બધા ઉપલબ્ધ અવાજોની યાદી પાછી આપે છે, વૈકલ્પિક રીતે મોડેલ અથવા ભાષા દ્વારા ગાળાયેલ છે.

પ્રશ્ન પરિમાણો

જવાબ

{
  "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
}

કોડ ઉદાહરણો

• Python
• JavaScript
• cURL

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')}")

# 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"])

# 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)

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();

// 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);

# 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

# 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"

# 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

# 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

ભૂલ કોડ્સ

બધી ભૂલો JSON પ્રત્યુત્તર સાથે પાછા આપે છે error ક્ષેત્ર.

{
  "error": {
    "code": "insufficient_credits",
    "message": "You do not have enough characters for this request.",
    "characters_required": 4000,
    "characters_available": 2000
  }
}

વેબહોક્સ

લાંબા સમય સુધી ચાલતી બાબતો માટે (સ્ટેમ વિભાજન, બેચ TTS), તમે webhook_url પરિમાણ પૂરુ પાડી શકો છો. જ્યારે બાબત સમાપ્ત થાય છે, અમે તમારા URL માં પરિણામ POST કરીશું.

{
  "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"
}