Jak Działa API Syntezy Mowy TikSpeech i Jakie Ma Możliwości?

Przez Zespół redakcyjny TikSpeech · Zaktualizowano 2026-11-19

Na tej stronie dowiesz się, jak działa API Syntezy Mowy TikSpeech i dlaczego jest idealnym narzędziem dla twórców TikToka, Reels i Shorts. Opisujemy proces zamiany tekstu na audio, dostępne funkcje oraz sposoby integracji z Twoimi workflow.

Znajdziesz tu konkretne informacje o cenach, limitach i językach, bez zbędnego marketingu. Strona jest przeznaczona dla freelancerów i twórców treści, którzy potrzebują szybkiego, spójnego głosu do swoich filmików i chcą zoptymalizować proces produkcji wideo.

Jak Działa API Syntezy Mowy TikSpeech i Jakie Ma Możliwości?

Najczęściej zadawane pytania

Czym jest API?

TikSpeech to chmurowe API do syntezy mowy (TTS). Wysyłasz tekst, a otrzymujesz plik audio. Endpoint to POST https://api.18g.info/v1/audio/speech. Działa na tej samej zasadzie co API OpenAI, więc możesz użyć oficjalnych SDK, zmieniając tylko base_url. Obsługuje 8 głosów i 5 formatów audio.

Jak działa synteza mowy?

Wysyłasz tekst (do 4096 znaków) w ciele żądania JSON do endpointu /v1/audio/speech. System generuje plik audio, który zwraca w odpowiedzi. Dłutsze teksty należy podzielić na fragmenty i połączyć pliki. Proces jest asynchroniczny, a generowanie trwa około czasu rzeczywistego, czyli ok. 25 znaków na sekundę.

Czy API jest trudne w użyciu?

Nie. Wystarczy znać podstawy HTTP. Użyj dowolnego klienta HTTP lub biblioteki OpenAI, zmieniając base_url na https://api.18g.info/v1. Potrzebujesz tylko klucza API w nagłówku Authorization. Strona /docs/ zawiera gotowe przykłady kodu curl, które możesz skopiować i dostosować do swoich potrzeb w kilka minut.

Jakie są wymagania techniczne?

Wystarczy połączenie internetowe i umiejętność wysyłania żądań HTTP POST. Tekst musi mieć maksymalnie 4096 znaków. Możesz użyć dowolnego języka programowania obsługującego HTTP. Nie potrzebujesz specjalistycznego sprzętu ani instalacji lokalnej. Wszystkie obliczenia odbywają się w chmurze, a Ty otrzymujesz gotowy plik audio w wybranym formacie.

Czy mogę użyć API bez kodowania?

Tak, możesz użyć narzędzi takich jak Postman lub cURL. Na stronie /get-api-key/ znajdziesz gotowe przykłady poleceń curl, które możesz uruchomić w terminalu. Nie musisz pisać kodu w języku programowania, choć użycie SDK OpenAI lub Pythona ułatwia integrację z Twoimi aplikacjami lub skryptami automatyzującymi procesy.

Jakie są koszty API?

Cena wynosi 10 USD za 1 milion znaków (0,01 USD za 1000 znaków). Nie ma miesięcznych opłat ani minimum. Płatność odbywa się przez USDT (TRC-20). Nie pobieramy podatku VAT. Nieudane żądania są darmowe. Na start otrzymasz 0,50 USD kredytu po rejestracji przez Google, ważne przez 7 dni.

Czy API działa w czasie rzeczywistym?

Nie oferuje strumieniowania audio ani WebSocket. Generowanie trwa około czasu rzeczywistego (ok. 25 znaków na sekundę). Żądania są przetwarzane kolejno, więc przy dużym obciążeniu może wystąpić kolejka. Dla dłuższych tekstów zalecamy podział na fragmenty do 4096 znaków i połączenie wyników. Nie ma gwarancji czasu odpowiedzi (SLA).

Jakie są limity API?

Limit to 60 żądań na minutę na klucz API. Przed pierwszą wpłatą limit wynosi 10 żądań na minutę. Tekst pojedynczego żądania nie może przekraczać 4096 znaków. Możesz wydać nowy klucz w dowolnym momencie, co natychmiast unieważnia poprzedni. Nie ma limitu liczby użytkowników ani projektów w ramach jednego konta.

Czy API jest bezpieczne?

Tekst wejściowy jest używany tylko do wygenerowania audio i nie jest wykorzystywany do uczenia modeli. Wygenerowane audio nie jest przechowywane po wysłaniu odpowiedzi. Metadane żądań (czas, znaków, status) są przechowywane tylko do celów rozliczeniowych. Używamy bezpiecznego połączenia HTTPS i kluczy autoryzacyjnych Bearer do weryfikacji tożsamości.

Jakie są formaty plików?

Możesz wybrać format wyjściowy: mp3, wav, opus, flac lub pcm. Wybór zależy od Twoich potrzeb – mp3 jest lekki, wav zachowuje wysoką jakość bez strat, a opus/flac oferują kompresję bezstratną lub z stratami. Format jest określany w polu response_format w ciele żądania POST do endpointu /v1/audio/speech.

Czy API obsługuje polski?

Tak, polski jest jednym z 23 obsługiwanych języków. Możesz jawnie ustawić parametr language na 'pl' lub pozwolić systemowi na automatyczne wykrywanie języka na podstawie tekstu. Wszystkie 8 głosów (np. aria, nova, felix) potrafią płynnie mówić po polsku. Upewnij się, że tekst jest poprawnie sformatowany pod kątem znaków diakrytycznych.

Czy API obsługuje inne języki?

API obsługuje 23 języki, w tym angielski, hiszpański, niemiecki, francuski, japoński, chiński, arabski i rosyjski. Każdy głos może mówić każdym z tych języków. Nieobsługiwane to m.in. wietnamski, tajski czy ukraiński. Jeśli tekst jest w alfabecie łacińskim, ale nie po angielsku, zawsze ustawiaj parametr language, aby uniknąć błędów.

Jak zintegrować API z TikTokiem?

Wygeneruj audio za pomocą API, pobierz plik i załaduj go jako dźwięk do swojego filmu na TikToku. Możesz użyć skryptu do automatycznego generowania narracji lub komentarzy. Dzięki typowej szybkości generowania (ok. 25 znaków/sek) możesz szybko tworzyć wiele wersji treści. Upewnij się, że tekst nie przekracza 4096 znaków na jedno żądanie.

Jak zintegrować API z Reels?

Podobnie jak z TikTokiem: wygeneruj plik audio przez API, a następnie dodaj go do projektu w aplikacji Reels. Możesz tworzyć spójny ton głosu dla całej serii filmów, używając tego samego głosu (np. nova lub atlas). API zwraca gotowy plik, który możesz bezpośrednio zaimportować do edytora wideo bez dodatkowej konwersji.

Definicja API Syntezy Mowy

Ilustracja fali dźwiękowej dla: Definicja API Syntezy Mowy

TikSpeech to cloudowe API tekst-na-mowę, które zamienia napisany tekst w plik audio. Wysyłasz żądanie POST do endpointu, a otrzymujesz gotową ścieżkę dźwiękową. To narzędzie dla twórców TikToka, Reels i Shorts, którzy potrzebują szybkiego i spójnego głosu bez nagrywania każdego filmu na nowo.

System działa na zasadzie prostego zapytania: podajesz tekst (do 4096 znaków), wybierasz głos, format i opcjonalnie prędkość. Odpowiedzią jest plik audio gotowy do montażu. API obsługuje 23 języki i 8 presetów głosowych, zapewniając spójność brzmienia we wszystkich Twoich krótkich formach wideo.

Co to jest TTS?

Synteza mowy (TTS) to technologia zamieniająca tekst pisany na mowę ludzką. W przypadku TikSpeech jest to usługa cloudowa, dostępna przez standardowe protokoły HTTP. Nie wymaga instalacji dodatkowego oprogramowania na Twoim komputerze.

  • Zamiana tekstu w audio w kilku sekundach
  • Wsparcie dla 23 języków, w tym polskiego i angielskiego
  • 8 presetów głosowych do wyboru
  • Formaty: mp3, wav, opus, flac, pcm

Jak działa API?

Wyślij żądanie POST na adres https://api.18g.info/v1/audio/speech z kluczem autoryzacyjnym. W ciele JSON podajesz tekst źródłowy, wybrany model (tts-1 lub tts-1-hd), głos oraz preferowany format wyjściowy. System przetwarza dane i zwraca plik audio.

  • Endpoint: POST /v1/audio/speech
  • Autoryzacja: Bearer tts-...
  • Maksymalnie 4096 znaków na zapytanie
  • Limity: 60 żądań na minutę

Zastosowanie w mediach

API TikSpeech jest zaprojektowane specjalnie pod potrzeby twórców treści krótkich. Generuje narracje do filmów na TikToku, Reels i Shorts z zachowaniem stałego tonu i tempa. Idealne do powtarzalnych formatów, gdzie spójność głosu jest kluczowa dla budowania rozpoznawalności marki osobistej.

Różnice między API a aplikacją

Ilustracja fali dźwiękowej dla: Różnice między API a aplikacją

API TikSpeech działa jako warstwa programowa, która pozwala automatycznie zamieniać tekst na pliki audio w tle, bez konieczności ręcznego otwierania aplikacji. To różni je od tradycyjnych narzędzi, gdzie proces generowania głosu wymaga interwencji użytkownika przy każdym użyciu.

Dzięki strukturze API możesz zintegrować synezę mowy z własnymi skryptami lub narzędziami do edycji wideo. Automatyzacja pozwala na masowe generowanie narracji do wielu krótkich filmów jednocześnie, oszczędzając cenny czas w codziennej pracy twórcy.

Automatyzacja

W przeciwieństwie do aplikacji, gdzie uruchamiasz syntezę ręcznie, API pozwala na wysyłanie zapytań w tle. Dzięki temu nie musisz stać przed ekranem, czekając na wygenerowanie pliku. Proces jest całkowicie zautomatyzowany.

Możesz zdefiniować scenariusze, w których API generuje audio bezpośrednio po zapisaniu tekstu, bez żadnego udziału człowieka.

  • Brak konieczności manualnego uruchamiania procesu
  • Generowanie w tle bez interfejsu użytkownika
  • Możliwość uruchamiania przez skrypty

Integracja

API TikSpeech integruje się z dowolnym środowiskiem, które obsługuje połączenia HTTP. Nie musisz instalować dodatkowego oprogramowania na komputerze.

Dzięki kompatybilności ze standardowym formatem JSON, dane łatwo przekazywać między różnymi narzędziami używanymi w produkcji wideo.

  • Łatwa integracja z istniejącym workflow
  • Standardowe protokoły HTTP
  • Brak zależności od systemu operacyjnego

Skalowalność

API obsługuje duże wolumeny zapytań, ale limit to 60 żądań na minutę na klucz (10 przed pierwszą wpłatą). Możesz generować setki plików dziennie, korzystając z jednego klucza API.

System automatycznie zarządza kolejką requestów, co pozwala na płynną pracę nawet przy dużym natężeniu ruchu.

  • Obsługa tysięcy zapytań dziennie
  • Brak limitu użytkowników
  • Automatyczne zarządzanie kolejką

Jak działa synteza mowy

Ilustracja fali dźwiękowej dla: Jak działa synteza mowy

API TikSpeech przekształca tekst w pliki audio za pomocą prostego żądania HTTP. Wpisujesz tekst, wybierasz model i głos, a system zwraca gotowy plik dźwiękowy.

Dane wejściowe są przetwarzane w chmurze, co pozwala na generowanie audio bez konieczności instalowania ciężkiego oprogramowania na lokalnym komputerze.

Synteza opiera się na modelach neuronowych trenowanych na licencjonowanych nagraniach z LibriVox. Algorytm analizuje strukturę języka i generuje plik audio; typowa szybkość to około 25 znaków na sekundę.

Tekst do audio

Wysyłasz tekst (do 4096 znaków) w formacie JSON do endpointu /v1/audio/speech. System zwraca plik audio w wybranym formacie (mp3, wav, opus, flac, pcm).

Możesz dostosować prędkość wypowiedzi w zakresie 0.25–4.0 oraz wybrać jeden z ośmiu dostępnych głosów presets.

  • Formaty: mp3, wav, opus, flac, pcm
  • Maksymalna długość tekstu: 4096 znaków
  • Dostępne formaty: mp3, wav, opus, flac, pcm

Algorytmy generowania

Używamy modelu tts-1 lub tts-1-hd, który zapewnia spójną jakość dźwięku. Głosy są bazowane na nagraniach z LibriTTS-R (CC BY 4.0).

Każdy wygenerowany plik zawiera niewidoczny znak wodny oznaczający go jako syntetyczną mowę, co pomaga w identyfikacji treści AI.

  • Modele: tts-1, tts-1-hd
  • Źródło: LibriTTS-R (CC BY 4.0)
  • Znak wodny: tak

Wydajność

Typowa szybkość to około 25 znaków tekstu na sekundę generowania, co odpowiada prędkości czasu rzeczywistego dla dłuższych tekstów.

Krótkie frazy mogą zajmować kilka sekund. Żądania są przetwarzane sekwencyjnie, więc przy dużym obciążeniu może wystąpić kolejka.

  • Prędkość: ~25 znaków/sekundę
  • Kolejkowanie: tak
  • Czas generowania: zmienny

Dlaczego API jest lepsze

Ilustracja fali dźwiękowej dla: Dlaczego API jest lepsze

API TikSpeech zapewnia przewagę nad tradycyjnymi metodami dzięki wysokiej prędkości generowania dźwięku i pełnej kontroli nad parametrami audio. Dzięki prostemu interfejsowi RESTful możesz dostosować szybkość mówienia i format wyjściowy, co jest kluczowe przy tworzeniu dynamicznego contentu na TikToku, Reels i Shorts.

Automatyzacja procesu pozwala na masowe przetwarzanie tekstów bez konieczności ręcznego generowania każdego pliku dźwiękowego. To idealne rozwiązanie dla freelancerów, którzy potrzebują szybkiego i spójnego głosu do swoich publikacji, oszczędzając cenny czas w codziennej pracy.

Szybkość

Generowanie audio jest szybkie i przewidywalne. Długie teksty są przetwarzane w czasie zbliżonym do rzeczywistego, około 25 znaków na sekundę. Krótkie frazy mogą wymagać kilku sekund, ale proces jest efektywny i gotowy do natychmiastowego użycia w Twoich filmach.

Kontrola

Masz pełną kontrolę nad wynikowym plikiem dźwiękowym. Możesz dostosować szybkość mówienia w zakresie od 0.25 do 4.0 oraz wybrać jeden z ośmiu presetów głosu. Dostępnych jest pięć formatów audio, w tym mp3 i wav, idealnych do montażu.

Automatyzacja

Dzięki prostemu endpointowi API możesz zintegrować syntezę z dowolnym narzędziem. Wklej tekst, wyślij żądanie i otrzymaj plik audio. To eliminuje konieczność ręcznego generowania nagrań dla każdego posta, pozwalając skupić się na kreatywności i strategii contentu.

Zastosowanie w TikToku

Ilustracja fali dźwiękowej dla: Zastosowanie w TikToku

Generowanie głosu

API TikSpeech pozwala na zamianę dowolnego tekstu na plik audio za pomocą jednego żądania POST. Wybierasz głos, np. „nova” dla dynamicznych treści, i wysyłasz tekst. Wynik to gotowy plik dźwiękowy, który możesz natychmiast wstawić do montażu.

  • 8 presetów głosów dostosowanych do różnego stylu narracji
  • Wsparcie dla 23 języków, w tym angielskiego i polskiego
  • Możliwość regulacji prędkości wypowiedzi od 0.25x do 4.0x

Oszczędność czasu

Generowanie audio jest szybsze niż nagrywanie, edycja i nakładanie ścieżki dźwiękowej. Krótkie frazy generują się w kilka sekund, a dłuższe teksty w tempie zbliżonym do czasu rzeczywistego. Nie musisz czekać na sesje nagraniowe ani poprawki lektorskie.

Spójność

Wszystkie Twoje filmy w TikToku mogą mieć ten sam, rozpoznawalny głos. Dzięki stałym presetom (np. „aria” lub „atlas”) budujesz spójny wizerunek marki osobistej bez ryzyka zmian w brzmieniu głosu w kolejnych filmach.

Zastosowanie w Reels

Ilustracja fali dźwiękowej dla: Zastosowanie w Reels

Dla twórców Reels API TikSpeech umożliwia błyskawiczne tworzenie spójnych narracji, które przyciągają uwagę widza bez konieczności nagrywania własnego głosu. Możesz przesłać gotowy tekst i otrzymać plik audio gotowy do montażu.

Automatyczne napisy

Generowany dźwięk idealnie pasuje do dynamicznego rytmu Instagrama. Dzięki syntezie teksty są zrozumiałe, co ułatwia synchronizację z automatycznie generowanymi napisami, zwiększając przyswajalność treści.

Generowanie narracji

Wybierz jeden z 8 głosów, aby dopasować ton do stylu filmu. API obsługuje 23 języki, w tym angielski, hiszpański czy polski, co pozwala na łatwe lokalizowanie treści dla szerokiej widowni.

Wideo

Pobieraj pliki w formacie MP3 lub WAV i importuj bezpośrednio do edytora wideo. Proces jest szybki, a dzięki automatyzacji możesz generować narracje dla setek filmów bez utraty spójności marki.

  • Obsługa 23 języków
  • Formaty MP3, WAV, OPUS
  • Łatwa integracja z edytorami

Zastosowanie w Shorts

Ilustracja fali dźwiękowej dla: Zastosowanie w Shorts

Krótkie formy

Shorts to format, w którym czas ma kluczowe znaczenie. API TikSpeech pozwala na szybkie zamianę krótkich tekstów na audio, idealne do dynamicznych treści. Dzięki obsłudze języka angielskiego, hiszpańskiego czy japońskiego, twórcy mogą dotrzeć do globalnej widowni bez konieczności nagrywania własnego głosu.

Generowane pliki audio są gotowe do wklejenia w edytorze wideo. Nie ma potrzeby tłumaczenia czy dostosowywania intonacji ręcznie – system sam generuje spójną narrację w zadanym języku.

  • Wsparcie dla 23 języków, w tym japońskiego i koreańskiego
  • Generowanie audio w formatach MP3 lub WAV
  • Dane wejściowe są przetwarzane natychmiast po wysłaniu żądania

Szybka produkcja

Przy krótkich tekstach synteza trwa kilka sekund. Nawet przy większym obciążeniu serwera, proces jest przewidywalny. Twórcy mogą generować setki odcinków dziennie, wykorzystując ten sam klucz API.

Cena wynosi $0.01 za 1000 znaków, co przy krótkich filmach oznacza minimalne koszty. Brak opłat abonamentowych pozwala płacić tylko za rzeczywiste użycie.

  • Koszt $0.01 za 1000 znaków
  • Brak limitu miesięcznego
  • Automatyczne rozliczanie po doładowaniu

Kontent

API umożliwia utrzymanie spójności głosu we wszystkich Shortsach. Dzięki presetom jak 'nova' czy 'aria', twórcy budują rozpoznawalny brand voice.

Tekst do 4096 znaków mieści się w jednym żądaniu. Dla dłuższych treści należy podzielić tekst na części i połączyć pliki audio.

Zastosowanie w Shorts

Porównanie z innymi metodami

Ilustracja fali dźwiękowej dla: Porównanie z innymi metodami

Porównanie metod generowania głosu pozwala wybrać optymalne rozwiązanie dla Twojego kontentu. Każda metoda ma swoje ogranicstwa i zalety, które warto rozważyć przed decyzją o wdrożeniu.

Wybór zależy od potrzeb dotyczących szybkości, spójności głosu i automatyzacji w procesie produkcji filmów krótkich.

Nagrania ludzkie

Nagrania z lektorem zapewniają unikalny charakter głosu, ale wymagają czasu na nagranie i montaż. Każda zmiana tekstu oznacza ponowne nagranie lub wycięcie fragmentów w edytorze.

  • Unikalny, naturalny brzmienie
  • Wymaga czasu na nagranie
  • Trudna modyfikacja po nagraniu

Aplikacje desktopowe

Programy do syntezy mowy działają offline lub lokalnie, co ogranicza skalowalność. Praca z wieloma plikami audio na komputerze jest wolniejsza niż przez API.

  • Praca offline
  • Wymagania sprzętowe
  • Brak automatyzacji

Inne API

Wiele API oferuje podobne funkcje, ale często z wyższymi kosztami lub mniejszą liczbą języków. TikSpeech oferuje przejrzysty cennik i kompatybilność z oficjalnymi SDK OpenAI.

  • Cennik za znaki
  • Integracja z OpenAI
  • 8 presetów głosów

Wymagania techniczne

Ilustracja fali dźwiękowej dla: Wymagania techniczne

API TikSpeech wymaga jedynie połączenia internetowego i podstawowej znajomości struktury JSON. Nie musisz instalować żadnych dodatkowych programów ani konfigurować złożonych serwerów lokalnych. Wystarczy wysłać zapytanie HTTP do podanego endpointu, aby uzyskać plik audio.

Połączenie internetowe

Wystarczy stabilne łącze internetowe do wysyłania tekstu i odbierania plików audio. Brak wymagań co do specyficznych portów czy protokołów poza standardowym HTTPS.

Klucz API

Potrzebujesz aktywnego klucza API (tts-...) do autoryzacji zapytań. Klucz ten jest generowany po rejestracji na stronie /get-api-key/ i służy do identyfikacji Twojego konta oraz naliczania zużycia.

  • Klucz wysyłany jest w nagłówku Authorization: Bearer tts-...
  • Ważny jest jeden aktywny klucz na konto.

Znajomość JSON

Interakcja z API opiera się na prostych zapytaniach JSON. Musisz znać strukturę pola 'input' dla tekstu oraz 'voice' dla wyboru lektora. Możesz użyć dowolnego języka programowania obsługującego HTTP.

  • Endpoint: POST https://api.18g.info/v1/audio/speech
  • Formaty odpowiedzi: mp3, wav, opus, flac, pcm

Bezpieczeństwo i dane

Ilustracja fali dźwiękowej dla: Bezpieczeństwo i dane

TikSpeech traktuje Twoje dane tekstowe i metryki z prostotą i transparentnością. Wiemy, że dla twórców TikToka i Reelsów liczy się szybkość, dlatego nie komplikujemy rzeczy zbędnymi mechanizmami.

Twoje dane są przetwarzane wyłącznie w celu wygenerowania pliku audio, który otrzymujesz w odpowiedzi. Nie wykorzystujemy Twoich tekstów do trenowania naszych modeli ani nie sprzedajemy ich dalej. To prosta transakcja: tekst na dźwięk.

Przechowywanie danych

Głównym celem jest dostarczenie audio. Wygenerowany plik dźwiękowy nie jest przechowywany na serwerach po zakończeniu odpowiedzi. Nie tworzymy archiwum Twoich nagrano.

Jedynymi danymi, które pozostają w systemie, są metadane żądań: czas, liczba znaków i status. Służą one wyłącznie do rozliczeń i weryfikacji limitów.

  • Plik audio zwracany w odpowiedzi nie jest przechowywany.
  • Metryki (czas, znaki, status) są zapisywane tylko do celów rozliczeniowych.

Prywatność

Tekst, który przesyłasz, służy wyłącznie do syntezy. Nie jest wykorzystywany do uczenia maszynowego ani do analizy profilu użytkownika.

Nie zbieramy dodatkowych danych osobowych poza tymi niezbędnymi do założenia konta i weryfikacji płatności. Twoja prywatność jest respektowana w sposób minimalny i precyzyjny.

  • Tekst nie jest używany do trenowania modeli AI.
  • Brak zbędnych danych osobowych w procesie generowania.

Bezpieczeństwo

Klucz API jest unikalny dla Twojego konta i może być natychmiast zresetowany w każdej chwili, jeśli uznasz to za konieczne. Stary klucz przestaje działać natychmiast po wydaniu nowego.

Połączenia są szyfrowane, a dostęp do zasobów ograniczony do posiadaczy ważnych kluczy autoryzacyjnych.

Nie mamy gwarancji SLA ani certyfikatów zewnętrznych (jak SOC 2 czy HIPAA).

  • Jeden aktywny klucz na konto.
  • Możliwość natychmiastowego unieważnienia klucza.

Podsumowanie

Ilustracja fali dźwiękowej dla: Podsumowanie

TikSpeech to konkretne narzędzie API, które łączy prostotę z niezawodnością. Nie ma tu zbędnych funkcji – tylko przesyłanie tekstu i odbieranie gotowego audio.

System jest gotowy do pracy od razu. Wystarczy klucz API i podstawowa znajomość JSON, aby zintegrować syntezę z własnymi aplikacjami.

Przyszłość TTS

Synteza mowy ewoluuje w kierunku większej naturalności i szybkości generowania. TikSpeech oferuje stabilne brzmienie, które nie zmienia się z dnia na dzień.

Automatyzacja

Pełna automatyzacja procesu pozwala na masowe generowanie plików audio bez udziału człowieka. System obsługuje żądania jeden po drugim, co idealnie sprawdza się przy dużej liczbie filmów.

Twórczość

Właściciel treści skupia się na ideach, a nie na technicznych szczegółach nagrywania. API zapewnia spójny głos dla wszystkich materiałów, niezależnie od języka czy trybu pracy.

Gdzie szukać pomocy

Ilustracja fali dźwiękowej dla: Gdzie szukać pomocy

Każdy twórca potrzebuje pewności, że API działa niezawodnie. Nasza dokumentacja zawiera pełny opis endpointów, przykładów żądań i odpowiedzi w formacie JSON.

Wsparcie techniczne prowadzi nasza firma. Odpowiadamy na zgłoszenia wyłącznie mailem, co pozwala na precyzyjne analizowanie problemów technicznych.

Dokumentacja

Pełny przewodnik znajdziesz na stronie /docs/. Znajdziesz tam opis endpointu POST /v1/audio/speech oraz listę dostępnych głosów i formatów audio.

Dokumentacja zawiera gotowe przykłady kodu, które pomogą Ci szybko zintegrować syntezę mowy z Twoimi narzędziami do produkcji treści.

  • Opis endpointów API
  • Przykłady żądań JSON
  • Lista dostępnych głosów

Wsparcie

W przypadku pytań dotyczących integracji lub rozliczeń, skontaktuj się z nami mailem. Odpowiadamy na zgłoszenia w ciągu kilku dni roboczych.

Nie oferujemy czatu ani numeru telefonu, co zapewnia precyzyjne i udokumentowane rozwiązania Twoich problemów technicznych.

Przykłady

Na stronie /get-api-key/ znajdziesz gotowy przykład polecenia curl, który możesz od razu przetestować po rejestracji.

Przykłady pokazują, jak wysłać tekst i otrzymać plik audio w wybranym formacie, np. mp3 lub wav.

Posłuchaj 8 głosów

Każdą z poniższych próbek wygenerowano za pomocą tego API z tego samego zdania. Idealnie sprawdza się w formacie storytellingu, gdy chcesz zbudować intymną atmosferę wokół prezentowanej treści.

Awatar głosu aria
ariażeński
Awatar głosu nova
novażeński
Awatar głosu luna
lunażeński
Awatar głosu sage
sageżeński
Awatar głosu felix
felixmęski
Awatar głosu milo
milomęski
Awatar głosu atlas
atlasmęski
Awatar głosu orion
orionmęski

23 języki

Każdy głos potrafi mówić w którymś z tych języków.

Źródła i dalsze lektury

  1. Wikipedia
  2. FFmpeg documentation
  3. Python documentation
  4. TRON developer hub: TRC-20
  5. MDN: Web Speech API
  6. Node.js documentation
  7. IETF RFC 7845: Ogg Opus
  8. openai-node on GitHub
  9. ISO 639 language codes
  10. LibriTTS-R corpus (OpenSLR 141)
  11. W3C WAI: making audio and video accessible
  12. LibriTTS-R paper (arXiv 2305.18802)

Więcej na tej stronie