Dokumentatioun
D'Integratioun vun TTS.ai an Är Applikatiounen mat eiser REST API. OpenAI-kompatibelt Format fir einfach Migratioun.
Iwwersiicht
D'TTS.ai API bitt programmateschen Zougang zu all Plattformfeatures: Text-to-Speech Synthese, Speech-to-Text Transkriptioun, Stëmm Klonen, Audioverbesserung, a méi. D'API benotzt Standard REST Konventiounen mat JSON Request/Response Bodyen.
API Schlëssel
Gitt Ären API Schlëssel heihier Kont-Einstellungen. Et gëtt och en Enterprise-Programm.
Basis-URL
https://api.tts.ai/v1/
Auth
Lëscht vu lëtzebuergesche Schrëftsteller Authorization Kopfzeil
Authentifikatioun
All API-Ufroen erfuerderen eng Authentifizéierung iwwer e Bearer-Token am Authorization Kopfzeil.
Authorization: Bearer sk-tts-your-api-key-here
Basis-URL
All Endpunkte sinn relativ zu dëser Basis- URL. Zum Beispill ass den TTS- Endpunkt:
Geschwindegkeetsbegrenzung
D'Gréisst vun de Planzen variéiert.
| Planz | Ufroen/min | Gläichzäiteg | Maximal Textlängt |
|---|---|---|---|
| Pro | 60 | 5 | 5.000 Zeilen |
| Enterprise | 300 | 20 | 50.000 Zeilen |
Rate limit headers are included in every response: X-RateLimit-Limit, X-RateLimit-Remaining, X-RateLimit-Reset.
Kreditkoart
| Service | Käschte | Eenheet |
|---|---|---|
| TTS (Fräi Modeller: Piper, VITS, MeloTTS) | 1 Kredit | pro 1. 000 Zeichen |
| D'Standard-Modeller (Kokoro, CosyVoice 2, etc.) | 2 Punkten | pro 1. 000 Zeichen |
| Den Haaptuert ass Tourcoing (fréier: Tourcoing, Tourcoing, etc.). | 4 Punkten | pro 1. 000 Zeichen |
| Sprooch op Text | 2 Punkten | per minute of audio |
| Stëmmklonung | 4 Punkten | pro 1. 000 Zeichen |
| Stimmwiessel | 3 Punkten | per minute of audio |
| Audioverbesserung | 2 Punkten | per minute of audio |
| Lëscht vu lëtzebuergesche Schrëftsteller | 3-4 Säiten. | per minute of audio |
| Sproochiwwersetzung | 5 Punkten | per minute of audio |
| Stëmmchat | 3 Punkten | pro Zyklus |
| Key & BPM Finder | Fräi | -- |
| Audiokonverter | Fräi | -- |
Text- op- Sprooch
Konvertéiert Text an Sprooch. Gitt eng Audiodatei am ugefuerderte Format zréck.
Ufrokörper
| Parameter | Typ | Erfuerderlech | Beschreiwung |
|---|---|---|---|
| model | string | Ja | Modell-ID (z. B. kokoro, chatterbox, piper) |
| text | string | Ja | Text fir an Sprooch ze konvertéieren (max. 5.000 Zeichen fir Pro, 50.000 fir Enterprise) |
| voice | string | Ja | Stëmm-ID (Benotzt /v1/voices/ fir verfügbar Stimmen opzelëschten) |
| format | string | Nee | Ausgabeformat: mp3 (Standard), wav, flac, ogg |
| speed | float | Nee | Multiplikator fir d'Sproochgeschwindegkeet. Standard: 1.0. Beräich: 0.5 bis 2.0 |
| language | string | Nee | Sproochcode (z.B. en, es). Automatesch erkannt wann net uginn. |
| stream | boolean | Nee | Streaming-Äntwert aktivéieren. Standard: false |
D'Ufro
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
Äntwert
Gitt d'Audiodatei als Binärdaten zréck mat der entspriechender Content-Type Kopfzeil (audio/mpeg, audio/wav, asw.)
Content-Type: audio/mpeg
Content-Length: 48256
X-Credits-Used: 2
X-Credits-Remaining: 498
Sprooch op Text
Audio an Text ëmwandelen. Ënnerstëtzt 99 Sproochen mat automatescher Erkennung.
Ufrokörper (multipart/form-data)
| Parameter | Typ | Erfuerderlech | Beschreiwung |
|---|---|---|---|
| file | file | Ja | Audiodatei (MP3, WAV, FLAC, OGG, M4A, MP4, WebM). Max 100MB. |
| model | string | Nee | STT-Modell: whisper (Standard), faster-whisper, sensevoice |
| language | string | Nee | D'Code-Sprooche sinn d'Code-Sproochen (Code-Languages) an d'Code-Sproochen (Code-Languages). |
| timestamps | boolean | Nee | Zäitstempel op Wuertniveau abezéien. Standard: false |
| diarize | boolean | Nee | Lautsprecherdiariséierung aktivéieren. Standard: false |
Äntwert
{
"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"
}
]
}
Stëmmklonung
Sprooch an enger geklonter Stëmm generéieren. Referenz-Audio an -Text erofladen.
Ufrokörper (multipart/form-data)
| Parameter | Typ | Erfuerderlech | Beschreiwung |
|---|---|---|---|
| reference_audio | file | Ja | Referenz Stëmm Audio (10-30 Sekonnen empfohlen). Max 20MB. |
| text | string | Ja | Den Haaptuert ass Clohars-Carnoët. |
| model | string | Nee | Klonmodell: chatterbox (Standard), cosyvoice2, gpt-sovits |
| format | string | Nee | Ausgabeformat: mp3 (Standard), wav, flac |
| language | string | Nee | Code vun der Zilsprooch. Et muss vum ausgewielte Modell ënnerstëtzt ginn. |
Äntwert
Gitt d'Audiodatei als Binärdaten zréck, déi selwecht wéi den TTS-Ennpunkt.
Stimmwiessel
Audio ëmwandelen fir wéi eng aner Stëmm ze klingen. Quell-Audio laden an eng Zilstëmm wielen.
Ufrokörper (multipart/form-data)
| Parameter | Typ | Erfuerderlech | Beschreiwung |
|---|---|---|---|
| file | file | Ja | Quell-Audiodatei (MP3, WAV, FLAC). Max 50MB. |
| target_voice | string | Ja | Ziel-Stëmm-ID fir ze konvertéieren (Benotzt /v1/voices/ fir verfügbar Stimmen opzelëschten) |
| model | string | Nee | Stëmmkonversiounsmodell: openvoice (Standard), knn-vc |
| format | string | Nee | Ausgabeformat: wav (Standard), mp3, flac |
D'Ufro
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
Äntwert
Gitt d' ëmgewandelt Audiodatei als Binärdaten zréck.
Sproochiwwersetzung
Iwwersetzt gesot Audio vun enger Sprooch an eng aner. Kombinéiert Sprooch-zu-Text, Iwwersetzung a Text-zu-Sprooch an engem eenzegen Uruff.
Ufrokörper (multipart/form-data)
| Parameter | Typ | Erfuerderlech | Beschreiwung |
|---|---|---|---|
| file | file | Ja | Quell-Audiodatei an der Originalsprooch. Max 100MB. |
| target_language | string | Ja | Code vun der Zilsprooch (z. B. es, fr, de, ja) |
| voice | string | Nee | Sprooch fir d'iwwersat Ausgabe. Automatesch ausgewielt wann net opginn. |
| preserve_voice | boolean | Nee | Versuchen, den urspréngleche Sprecher ze behalen |
Äntwert
{
"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
}
Speech to Speech
Transforméiert de Sproochstil, d'Emotioun oder d'Liesung andeems Dir den Inhalt behält. Nützlech fir den Ton, d'Tempo an d'Ausdrécklechkeet unzepassen.
Ufrokörper (multipart/form-data)
| Parameter | Typ | Erfuerderlech | Beschreiwung |
|---|---|---|---|
| file | file | Ja | Quell- Audiodatei fir Sprooch. Max 50MB. |
| voice | string | Ja | Ziel-Stëmm-ID fir d'Ausgabe-Sprooch |
| model | string | Nee | Modell: openvoice (Standard), chatterbox |
| emotion | string | Nee | D'Resultat ass d'Resultat vun der Kombinatioun vun den Elementer a, b, c, d an e. |
| speed | float | Nee | Geschwindegkeetsaanpassung. Standard: 1.0. Beräich: 0.5 bis 2.0 |
Äntwert
Gitt d'transforméiert Audiodatei als Binärdaten zréck.
Audio-Tools
D'Resultat vun dësem Prozess ass d'Verstäerkung, d'Verstäerkung, d'Verstäerkung, d'Verstäerkung.
D'Resultat ass eng verbessert Leeschtung, méi Stabilitéit, méi Präzisioun an e bessere Sound.
| file file | Audiodatei fir ze verbesseren |
| denoise boolean | Anti- Rauschen aktivéieren (Standard: true) |
| enhance_clarity boolean | Sproochklarheet verbesseren (Standard: true) |
| super_resolution boolean | Audioqualitéit erhéijen (Standard: falsch) |
| strength integer | 1- 3 (liicht, mëttel, staark). Standard: 2 |
Et gëtt verschidden Aarte vun Instrumenter (oder Instrumentergruppen) fir d'Spill.
| file file | Audiodatei fir ze trennen |
| model string | demucs (Standard) oder spleeter |
| stems integer | Zuel vun de Stämm: 2, 4, 5 oder 6 (Standard: 2) |
| format string | Ausgabeformat: wav, mp3, flac |
Et gëtt och en Audio-CD-Recorder.
| file file | Audiodatei ze verarbeiten |
| type string | echo or reverb (default: both) |
| intensity integer | 1-5 (default: 3) |
Analyséiert Audio fir Schlëssel, BPM, a Taktsignatur ze detektéieren.
| file file | Audiodatei fir ze analyséieren |
{
"key": "C",
"scale": "Major",
"bpm": 120.0,
"time_signature": "4/4",
"camelot": "8B",
"compatible_keys": ["C Major", "G Major", "F Major", "A Minor"]
}
Audio tëscht Formaten ëmwandelen.
| file file | Ze konvertéierend Audiodatei |
| format string | Zilformat: mp3, wav, flac, ogg, m4a, aac |
| bitrate integer | Ausgangsbitrate a kbps: 64, 128, 192, 256, 320 |
| sample_rate integer | Abrëll 2018, S. 450, 451, 452 |
| channels string | mono oder stereo |
Stëmmchat
Et gëtt och Texter oder Audiodateien, déi mat engem Synthesizer gespillt ginn.
Ufrokörper (multipart/form-data oder JSON)
| Parameter | Typ | Erfuerderlech | Beschreiwung |
|---|---|---|---|
| audio | file | Nee* | Audioinput (entweder audio oder text erfuerderlech) |
| text | string | Nee* | Textinput (entweder audio oder text erfuerderlech) |
| voice | string | Nee | Stëmm fir KI-Äntwert. Standard: af_bella |
| tts_model | string | Nee | TTS-Modell fir d'Äntwert. Standard: kokoro |
| system_prompt | string | Nee | Eegen Systemprompt fir d'KI |
| conversation_id | string | Nee | En existent Gespréich weiderféieren |
Äntwert
{
"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
}
Modellen opzielen
Gitt eng Lëscht vun alle verfügbare Modeller mat hire Fäegkeeten zréck.
Äntwert
{
"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
}
]
}
Lëscht vu Stëmmen
Gitt eng Lëscht vun alle verfügbare Stëmmen zréck, méiglecherweis no Modell oder Sprooch gefiltert.
Parameter
| Parameter | Typ | Beschreiwung |
|---|---|---|
| model | string | Filter no Modell-ID (z. B. kokoro) |
| language | string | Filter no Sproochcode (z. B. lu) |
| gender | string | Filter no Geschlecht: male, female, neutral |
Äntwert
{
"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
}
Code Beispiller
Text- op- Sprooch
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')}")
Sprooch op Text
# 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"])
Stëmmklonung
# 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)
Text- op- Sprooch
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();
Sprooch op Text
// 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- op- Sprooch
# 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
Sprooch op Text
# 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"
Stëmmklonung
# 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
Audioverbesserung
# 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
Fehlercodes
All Feeler ginn eng JSON-Antwort mat engem error Feld.
{
"error": {
"code": "insufficient_credits",
"message": "You do not have enough credits for this request.",
"credits_required": 4,
"credits_available": 2
}
}
| HTTP Status | Fehlercode | Beschreiwung |
|---|---|---|
| 400 | bad_request |
Ongülteg Ufroparameter. Kuckt d' Feelermeldung fir Detailer. |
| 401 | unauthorized |
Fëllenden oder ongültege API Schlëssel. |
| 402 | insufficient_credits |
Net genuch Kreditter. Kaaft méi bei /pricing/. |
| 403 | forbidden |
API-Zugang ass op Ärem Plang net verfügbar. |
| 404 | not_found |
Modell oder Stëmm net fonnt. |
| 413 | file_too_large |
Déi erofgeladen Datei iwwerschreift d'Gréisstlimit. |
| 429 | rate_limited |
Zu vill Ufroen. Iwwerpréift d' Kopfzeilen mat der Geschwindegkeetsbegrenzung. |
| 500 | internal_error |
Serverfehler. Probéiert et méi spéit nach eng Kéier. |
| 503 | model_loading |
Modell gëtt geladen. Probéiert et an e puer Sekonnen erëm. |
Webhooks
Fir laang lafend Aufgaben (Stem Splitting, Batch TTS), kënnt Dir e webhook_url Parameter uginn. Wann d'Aufgab fäerdeg ass, wäerte mir d'Resultat un Är URL POST maachen.
{
"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"
}
Bereet ze bauen?
D'Applikatioun ass gratis an et kann een se op verschiddene Plattformen installéieren.