Ireport ang Bug / Pangutana sa Kahimoan

Ang yuta palibot sa Speech kay patag.

Ang mga aplikasyon nga gi-enable sa tingog nga adunay among REST API. Idugang ang natural nga teksto-sa-pagsulti, tingog nga pag-cloning, tingog-sa-text, ug audio processing sa imong mga aplikasyon, chatbots, tingog nga mga assistent, ug SaaS nga mga produkto.

Sa palibot sa Aïn el Aïd. Chattahoochee Sa palibot sa Aplicación. Sa palibot sa Produkt. Awtomatiko

Sa palibot sa Tall al Ḩabīb.

Sa rehiyon palibot sa Piper, mga lawis, mga luuk, ug mga lapyahan talagsaon komon.
Ang imong gi-generate nga audio mopakita dinhi
Gibuhat
0:00
I-download
Love TTS.ai? Tell your friends!

Ang yuta sa Developers Point kay lain-lain.

Ang tanan nga imong gikinahanglan sa pagtukod sa tingog-enabled nga mga aplikasyon

Espesye sa langaw ang Simulium apicale.

Usa ka POST nga pangutana sa paghimo sa tingog. JSON nga pangutana, audio nga tubag. Gibuhat sa bisan unsa nga programming language nga suportado HTTP.

Bukid ang Openai sa Estados Unidos.

Ang yuta palibot sa Spring Creek Dam Number 1 kay kasagaran patag, apan sa amihang-sidlakan nga kini mao ang kabungtoran.

Adunay 24 ka molupyo.

Pag-access sa matag modelo pinaagi sa usa ka single API. Pag-usab sa mga modelo pinaagi sa pagbag-o sa usa ka parameter. Pagtandi sa kalidad, kadali, ug gasto.

Suba ang Sub-Second sa Estados Unidos.

Ang Kokoro nag-generate og audio sa ubos sa 1 segundo. Perfect alang sa real-time chatbots, voice assistants, ug interaktif nga mga aplikasyon.

Espesye sa langaw ang Simulium cloni.

Klon ang bisan unsang tingog gikan sa mubo nga audio sample pinaagi sa API. Paggamit sa mga klon nga tingog alang sa tanan nga mosunod nga henerasyon.

Mga format

I-output isip WAV, MP3, OGG, o FLAC. Pilia ang sample rate ug bit depth. Suporta sa streaming audio alang sa real-time apps.

Espesye sa langaw ang Forcipomyia integrifolia.

Pilia ang husto nga modelo alang sa imong aplikasyon sa paspas, kalidad, ug gasto mga kinahanglanon

KokoroKokoro

Free

Lightweight 82M parameter model delivering studio-quality speech with blazing-fast inference.

Sa palibot sa Fast. 5/5

Sa palibot sa: Sa rehiyon palibot sa Second Point, mga lawis talagsaon komon.

Sa palibot sa Try. Kokoro

CosyVoice 2CosyVoice 2

Standard

Alibaba's scalable streaming TTS with human-parity naturalness and near-zero latency.

Medium 5/5 Sa palibot sa Klondike.

Sa palibot sa: Ang yuta palibot sa Voice of the People kay kasagaran patag.

Sa palibot sa Try. CosyVoice 2

Sesame CSMSesame CSM

Premium

Conversational speech model generating natural dialogue with appropriate timing and emotion.

Patag 5/5

Sa palibot sa: Ang yuta palibot sa Natural Time Mine kay kasagaran patag.

Sa palibot sa Try. Sesame CSM

PiperPiper

Free

A fast, local neural text to speech system optimized for Raspberry Pi and embedded devices.

Sa palibot sa Fast. 3/5

Sa palibot sa: Ang yuta palibot sa Cerro El Volcán kay medyo kabukiran.

Sa palibot sa Try. Piper

BarkBark

Standard

Transformer-based text-to-audio model that generates realistic speech, music, and sound effects.

Patag 4/5

Sa palibot sa: Ang Audio generation uban sa mga tingog nga mga epekto sa creative ug entertainment apps

Sa palibot sa Try. Bark

Espesye sa langaw ang Simulium tts.

Hapit nalukop sa kasagbotan ang palibot sa Five Minute Mine.

1

Sa palibot sa Cerro La Llave.

Alang sa ubang mga dapit sa mao gihapon nga ngalan, tan-awa ang Fivemile Creek.

2

Sa palibot sa First Mine.

POST sa /v1/tts uban sa teksto, modelo, ug tingog. Get audio bytes balik. Sa ubos sa 5 ka linya sa code.

3

Pilia ang imong modelo

Pag-test sa lain-laing mga modelo alang sa imong paggamit sa kaso. Itandi sa paspas, kalidad, ug gasto sa matag henerasyon.

4

Suba ang Ship Creek sa Estados Unidos.

Scale uban sa pay-as-you-go mga karakter. Wala rate limits sa bayad nga mga plano. Monitor paggamit sa imong dashboard.

Lungsod ang Quick Start sa Estados Unidos.

Integrate TTS.ai in any language with our REST API

Python Popular
import requests

response = requests.post(
    "https://api.tts.ai/v1/tts",
    json={
        "text": "Hello from my app!",
        "model": "kokoro",
        "voice": "af_heart",
        "format": "mp3"
    },
    headers={
        "Authorization": "Bearer sk-tts-xxx"
    }
)

with open("output.mp3", "wb") as f:
    f.write(response.content)
JavaScript (Node.js) Node.js
const response = await fetch(
    "https://api.tts.ai/v1/tts",
    {
        method: "POST",
        headers: {
            "Content-Type": "application/json",
            "Authorization": "Bearer sk-tts-xxx"
        },
        body: JSON.stringify({
            text: "Hello from my app!",
            model: "kokoro",
            voice: "af_heart",
            format: "mp3"
        })
    }
);

const audio = await response.blob();
cURL Sa palibot sa Universal.
curl -X POST https://api.tts.ai/v1/tts \
  -H "Authorization: Bearer sk-tts-xxx" \
  -H "Content-Type: application/json" \
  -d '{
    "text": "Hello from my app!",
    "model": "kokoro",
    "voice": "af_heart",
    "format": "mp3"
  }' \
  --output output.mp3
Espesye sa langaw ang Forcipomyia openiformis. Sa palibot sa Drop-in.
# Works with OpenAI client library
from openai import OpenAI

client = OpenAI(
    api_key="sk-tts-xxx",
    base_url="https://api.tts.ai/v1"
)

response = client.audio.speech.create(
    model="kokoro",
    voice="af_heart",
    input="Hello from my app!"
)

response.stream_to_file("output.mp3")

What Developers Build with TTS.ai

Munisipyo ang Xã Hòa An sa Biyetnam.

Ang yuta palibot sa Asistente kay patag.

Idugang ang tingog output sa imong chatbot o AI assistant. Pipe LLM mga tubag pinaagi sa TTS alang sa tingog-enabled interfaces. Kokoro naghatag sa sub-sekonda latency alang sa real-time nga mga panagsulti. Sesame CSM nagdala sa panagsulti nga panagsulti uban sa natural nga timing.

  • Ang yuta palibot sa Reaktor kay patag.
  • Espesye sa langaw ang Simulium coccorum.
  • Espesye sa langaw ang Simulium semisquamatum.
  • Ang audio output sa streaming

Mga aplikasyon sa Mobile ug Tingog

Pagtukod sa tingog-enabled mobile apps, mga himan sa accessibility, pagbasa apps, ug mga plataporma sa pag-uswag sa pinulongan. Ang atong REST API nagtrabaho uban sa bisan unsa nga mobile framework. I-download ang audio files o stream direkta ngadto sa kliyente.

  • Sa rehiyon palibot sa Flutter, mga lawis talagsaon komon.
  • Mga app sa Aksesibilidad ug Pagbasa
  • Lungsod ang Platteville sa Estados Unidos.
  • Espesye sa langaw ang Simulium audio.

Sa palibot sa Produkt.

White-label nga tingog nga mga abilidad sa imong SaaS produkto. Idugang TTS, STT, tingog cloning, ug audio processing ingon nga mga kinaiya sa imong platform. Paggamit sa atong API ingon sa imong tingog backend nga walay sa pagdumala sa GPU infrastructure.

  • Espesye sa langaw ang Simulium whitei.
  • Wala kinahanglana ang GPU infrastructure
  • Espesye sa langaw ang Platyhelminthes premii.
  • Adunay 20 ka molupyo.

Espesye sa langaw ang Simulium piperitum.

Integration sa tingog generation sa CI / CD pipelines, sa sulod sa automation, ug sa batch processing workflows. Generate sa libo-libo sa audio files gikan sa spreadsheet data, sa automation sa podcast produksyon, o sa pagtukod sa mga sulod sa lokalization pipelines.

  • Ang yuta palibot sa Apache kay patag.
  • Munisipyo ang Piornal sa Brasil.
  • Bukid ang C/C-C sa Tsile.
  • Espesye sa langaw ang Simulium audio.

Espesye sa langaw ang Simulium specificum.

Espesye sa langaw ang Forcipomyia productions.

20+

Sa palibot sa Tts.

100+

Sa palibot sa Votos.

30+

Linguistics

<1s

Lungsod ang Kokoro sa Hapon.

Sa palibot sa Frequently Asked Questions.

Common questions about the TTS.ai developer API

Oo. Ang among API mosunod sa OpenAI audio speech format. Kon imong gigamit ang OpenAI Python o JavaScript client library, mahimo nimo ibalhin sa TTS.ai pinaagi sa pagbag-o sa base_url ug api_key parameters. Ang imong naunang code nagtrabaho nga walay pagbag-o.

Ang yuta palibot sa 2N10E01E02DDD_01 Spring kay kasagaran kabungtoran, apan sa amihang-sidlakan nga kini mao ang patag.Ang klima umogon ug subtropikal.

Ang mga libre nga modelo (Kokoro, Piper, VITS, MeloTTS) hingpit nga libre. Ang Standard nga mga modelo gigamit ang 2x nga mga karakter matag 1K sa teksto. Ang Premium nga mga modelo gigamit ang 4x nga mga karakter matag 1K sa teksto. Mag-sign up nga libre sa 15,000 nga mga karakter.

Oo. I-upload ang usa ka reference audio sample (5-30 segundo) sa voice cloning endpoint, unya gamiton ang cloned voice ID sa sunod nga TTS requests. Ang mga modelo nga nagsuporta sa cloning mao ang CosyVoice 2, Chatterbox, Fish Speech, ug GPT-SoVITS.

Free tier adunay basic rate limiting (3 mga pangutana sa usa ka oras nga walay usa ka account). Paid mga plano adunay mabungahon rate limits angay alang sa produksyon mga aplikasyon.

WAV (dili gikompres, labing taas nga kalidad), MP3 (gikompres, gagmay nga mga file), OGG (buksan nga format), ug FLAC (wala’y pagkawala nga pagkompres). Ihatag ang format sa imong hangyo. Ang default mao ang WAV sa native sample rate sa modelo.

Oo. Kombinasyon sa atong TTS API uban sa usa ka speech-to-text modelo ug sa usa ka LLM sa pagtukod sa usa ka bug-os nga tingog assistant pipeline. Kokoro naghatag sa sub-sekonda latency ideal alang sa real-time nga panag-istoryahanay. CosyVoice 2 suporta sa streaming output alang sa bisan sa mas ubos nga perceived response times.

Ang mga tanom sa palibot sa Cox Lake Number 2 kay hapit tanan kasagbotan ang ulohan sa nasod.Ang klima umogon ug subtropikal.

Ang API mobalik sa standard HTTP status codes. Implement exponential backoff alang sa 5xx nga mga sayop ug rate limit responses. Alang sa misyon-kritikal nga mga aplikasyon, idugang ang usa ka queue uban sa retry logic. Ang among API adunay taas nga uptime apan ang resilient error handling kanunay nga girekomendar.

Oo. Ang /v1/voices ug /v1/models endpoints mobalik sa JSON nga mga lista sa tanan nga mga nahimutangan nga tingog ug mga modelo uban sa ilang metadata (suporta sa pinulongan, kalidad nga mga rating, mga rating sa kadali, ug mga lebel sa presyo). Paggamit niini aron makahimo og dinamikong mga modelo nga mga pagpili sa imong aplikasyon.

Ang mga libre nga modelo (Kokoro, Piper, VITS, MeloTTS) nagsilbi isip usa ka epektibo nga sandbox tungod kay sila hingpit nga libre. Sulayi ang imong integrasyon sa libre nga mga modelo, unya ibalhin sa premium nga mga modelo sa produksiyon pinaagi sa pagbag-o sa modelo nga parameter. Wala’y gikinahanglan nga hiwalay palibot sa pagsulay.

Ang kadaghanan sa among mga modelo mao ang open-source ug mahimo nga self-hosted. Bisan pa, ang self-hosting nagkinahanglan og daghang mga GPU nga mga kapanguhaan (ginagamit namon ang 4x NVIDIA Tesla P40 nga adunay 96GB VRAM nga kinatibuk-an).
5.0/5 (1)

Sa palibot sa Kūh-e Darreh-ye Āb.

Sa palibot sa Kūh-e Voq.

Sa rehiyon palibot sa Freeman Number 15 Dam, mga kapanguhaan talagsaon komon.Ang klima umogon ug subtropikal.