Generowanie Głosu i Audio do TikToka za Pomocą API

Przez Zespół redakcyjny TikSpeech · Zaktualizowano 2026-11-19

Ta strona wyjaśnia, jak wykorzystać API TikSpeech do generowania gotowego głosu do filmów na TikToka, Reels i Shorts. Dowiesz się, jak przygotować krótkie lub długie teksty, dobrać odpowiedni preset głosowy i język, oraz jak wysłać zapytanie do endpointu API, aby otrzymać plik audio gotowy do montażu.

Poradnik jest przeznaczony dla twórców treści, którzy potrzebują szybkiego i spójnego głosu do tekstów, bez konieczności nagrywania każdego filmu na nowo. Znajdziesz tu konkretne kroki integracji z edytorem, przykłady użycia dla narracji czy dialogów oraz wskazówki dotyczące optymalizacji kosztów i rozwiązywania typowych problemów technicznych.

Generowanie Głosu i Audio do TikToka za Pomocą API

Najczęściej zadawane pytania

Jak wybrać najlepszy głos?

Wybierz głos pasujący do tonu filmu. Aria to ciepny narrator, Nova – energiczny, a Luna – opowiadająca historie. Mężczyźni: Felix do promocji, Milo do rozmów, Atlas do newsów, Orion do dokumentów. Każdy głos brzmi naturalnie w każdym z 23 obsługiwanych języków, więc dobierz go do stylu Twojego contentu, nie ograniczając się do języka oryginału.

Jaki język wybrać?

System obsługuje 23 języki, w tym angielski, polski, hiszpański i niemiecki. Jeśli tekst jest po polsku, ustaw parametr language na pl, aby uniknąć domyślnego rozpoznania angielskiego. Głosy są uniwersalne i mówią każdym z dostępnych języków. Nieobsługiwane to m.in. wietnamski czy tajski. Nieprawidłowy język może zniekształcić wymowę.

Jak podzielić długi tekst?

Limit to 4096 znaków na jedno żądanie. Podziel dłuższe scenariusze na mniejsze fragmenty i wyślij je kolejno. Po otrzymaniu plików audio, połącz je w swoim edytorze wideo. System nie łączy części automatycznie, więc to Ty zarządzasz płynnością przejść. Pamiętaj, że każdy fragment liczy się do limitu znaków i kosztów.

Jakie formaty są najlepsze?

Dla TikToka i Reelsów wybierz MP3 – jest lekki i kompatybilny. WAV oferuje wyższą jakość bez strat, ale plik jest większy. Opus i FLAC są dostępne dla zaawansowanych. PCM to surowy dźwięk. Wybierz MP3 dla optymalnego balansu między jakością a wielkością pliku, co przyspiesza upload na platformy społecznościowe.

Jak zaoszczędzić środki?

Płacisz tylko za znak (0,01 USD za 1000 znaków). Usunięcie zbędnych spacji lub skrótów obniża koszt. Nie płacisz za błędne żądania. Unikaj powtórnego generowania tego samego tekstu, jeśli nie jest potrzebny. Wykorzystaj darmową próbę $0,50 na start. Monitoruj zużycie w panelu, aby kontrolować budżet precyzyjnie.

Jak integrować z edytorem?

Wyślij tekst przez API, pobierz plik audio i zaimportuj go do edytora wideo. Nie ma oficjalnego SDK, pluginu ani strumieniowania. Użyj gotowych przykładów curl lub SDK OpenAI z zmienionym base_url. Generuj plik, zapisz go lokalnie, a następnie dodaj jako ścieżkę dźwiękową w Twoim ulubionym programie do montażu.

Jak publikować na TikToku?

Wygeneruj plik audio przez API, zapisz go na urządzeniu. Załaduj wideo i dodaj wygenerowany dźwięk jako ścieżkę audio w aplikacji TikTok lub przez aplikację komputerową. Upewnij się, że plik jest w formacie MP3 lub WAV. Synteza nie jest częścią TikToka, więc importujesz gotowy plik audio ręcznie.

Jak rozwiązać błędy?

Sprawdź poprawność klucza API i limitów. Jeśli żądanie się nie powiedzie, środki są zwracane w całości. Sprawdź, czy tekst nie przekracza 4096 znaków. Upewnij się, że wybrany głos i język są poprawne. Jeśli problem trwa, skontaktuj się przez e-mail. Nie ma wsparcia telefonicznego ani czatu na żywo.

Jakie są najlepsze praktyki?

Używaj krótkich zdań dla lepszej płynności. Unikaj specjalnych znaków, jeśli nie są potrzebne. Testuj różne głosy przed masową produkcją. Używaj parametru language dla tekstów łacińskich innych niż angielski. Monitoruj zużycie znaków. Synteza trwa około czasu rzeczywistego, więc planuj generowanie z wyprzedzeniem, aby uniknąć kolejek w godzinach szczytu.

Czy mogę użyć głosu w komercji?

Tak, głosy pochodzą z nagrań licencyjnych (LibriTTS-R, CC BY 4.0) i publicznych lektur (LibriVox). Wygenerowane pliki są gotowe do użycia. Nie ma dodatkowych opłat licencyjnych za sam głos (głosy pochodzą z licencji CC BY 4.0 i domeny publicznej). Możesz używać audio w reklamach, filmach i podcastach. Pamiętaj, że pliki zawierają niewidoczny znak wodny sygnalizujący syntetyczne pochodzenie głosu.

Jak sprawdzić jakość dźwięku?

Generuj krótkie fragmenty testowe przed dużymi projektami. Porównaj formaty MP3 i WAV. Sprawdź, czy język jest poprawnie rozpoznany. Słuchaj naturalności intonacji w wybranym głosie. Jakość jest stała dla danego modelu (tts-1 lub tts-1-hd). Nie ma możliwości regulacji emocji czy prędkości poza zakresem 0.25–4.0. Testuj różne kombinacje głosu i tekstu.

Jak szybko wygenerować dźwięk?

Krótkie teksty generują się w kilka sekund. Dłuższe teksty przetwarzane są w czasie rzeczywistym (ok. 25 znaków na sekundę). W godzinach szczytu mogą wystąpić kolejki, ponieważ żądania są przetwarzane sekwencyjnie. Limit to 60 żądań na minutę. Planuj generowanie z wyprzedzeniem dla dużych projektów, aby uniknąć opóźnień.

Przygotowanie tekstu

Ilustracja fali dźwiękowej dla: Przygotowanie tekstu

API syntezy mowy przyjmuje teksty o długości maksymalnie 4096 znaków na jedno zapytanie. Dla krótkich fragmentów, takich jak nagłówki czy krótkie wezwania do działania, wystarczy jedno polecenie POST. Tekst zawiera spacje i interpunkcję wliczane do limitu znaków.

Długie narracje wymagają podziału na mniejsze części. Każda część jest przetwarzana osobno, a wyniki łączone są w plik końcowy. Przygotowanie tekstu do podziału jest kluczowe dla płynności odsłuchu w końcowym materiale wideo.

Krótkie fragmenty

Krótkie teksty są generowane szybko, choć każde zapytanie trwa kilka sekund (typowo szybkość generowania to ok. 25 znaków na sekundę). Wynika to z przetwarzania sekwencyjnego w kolejce.

Idealne do nagłówek lub krótkich instrukcji w Reelsach i Shortsach. Nie wymagają dodatkowej obróbki przed użyciem w edytorze wideo.

  • Limit: 4096 znaków na zapytanie
  • Czas generowania: kilka sekund
  • Koszt: $0.01 za 1000 znaków

Długie teksty

Przy dłuższych transkrypcjach należy podzielić tekst na fragmenty poniżej 4096 znaków. System nie łączy ich automatycznie w jednym zapytaniu.

Wygenerowane pliki audio należy połączyć ręcznie lub skryptem, aby uzyskać spójny nagranie bez przerw.

  • Podziel tekst przed wysłaniem
  • Połącz pliki w edytorze
  • Sprawdź spójność tonu

Podział na zdania

Podział na zdania ułatwia precyzyjne sterowanie tempem i pauzami. Każde zdanie może być generowane osobno z różnymi ustawieniami prędkości.

Pozwala to na lepszą kontrolę nad narracją, dostosowując ją do tempa widocznych na ekranie napisów lub ujęć.

  • Kontrola nad pauzami
  • Dostosowanie tempa
  • Lepsza synchronizacja z wideo

Wybór głosu

Ilustracja fali dźwiękowej dla: Wybór głosu

Wyboru głosu dokonujesz, określając parametr voice w zapytaniu do API. Dostępne są osiem presetów, które różnią się barwą i tonem, umożliwiając dopasowanie audio do charakteru Twojego materiału wideo. Każdy głos jest gotowy do użycia bez dodatkowej konfiguracji.

Wybór odpowiedniego głosu ma kluczowe znaczenie dla utrzymania spójności w Twoich filmach. Poniżej opisujemy trzy żeńskie głosy dostępne w ofercie: Aria, Nova i Luna.

Aria

Aria to głos żeński o ciepłym i klarownym brzmieniu, idealny do roli narratora. Jej naturalny ton przyciąga uwagę i ułatwia śledzenie treści, co jest kluczowe przy opowiadaniu historii.

Wykorzystaj Arię, gdy chcesz, aby widzowie skupili się na przekazywanej informacji bez rozpraszania się przez agresywny styl. Jest to wybór preferowany dla treści edukacyjnych i relacji osobistych.

Nova

Nova charakteryzuje się jasnym i pełnym energii głosem. Jej dynamiczny ton nadaje się do treści wymagających szybkiej rytmiki i podtrzymujących zaangażowanie widza przez cały czas trwania filmu.

Wykorzystaj Nove w krótkich, dynamiczkach wpisach, gdzie liczy się natychmiastowe przyciągnięcie uwagi. Jej głos nie męczy słuchacza nawet przy szybkim tempie wypowiedzi.

  • Wygodny do treści marketingowych
  • Sprawdza się w dynamicznych montażach
  • Jasna dykcja

Luna

Luna to głos o miękkim, opowiadającym brzmieniu. Idealnie sprawdza się w formacie storytellingu, gdy chcesz zbudować intymną atmosferę wokół prezentowanej treści.

Jeśli Twoje wideo wymaga spokojniejszego, bardziej refleksyjnego podkładu głosowego, Luna będzie optymalnym wyborem. Jej ton zachęca do dłuższego przyglądania się kadrze i treści.

Wybór języka

Ilustracja fali dźwiękowej dla: Wybór języka

Interfejs API automatycznie wykrywa język na podstawie znalezionych znaków. Jeśli tekst jest w języku łacińskim, a nie jest angielski, należy jawnie określić kod ISO w polu language.

Polski

Dostępne głosy generują naturalną polszczyznę. Nie ma dedykowanego polskiego głosy, więc każda z 8 presetów obsługuje język polski bez dodatkowych kosztów.

  • Kod: pl
  • Obsługiwane przez wszystkie głosy

Angielski

Angielski jest domyślnym językiem dla tekstu w alfabecie łacińskim, jeśli nie podano innego kodu. Każdy głos mówi każdym wspieranym językiem.

  • Kod: en
  • Domyślne wykrywanie

Inne

API obsługuje 23 języki, w tym hiszpański, niemiecki czy japoński. Języki niewspierane to m.in. wietnamski, indonezyjski czy tajski. Upewnij się, że wybrany język znajduje się na liście obsługiwanych.

  • Listę pełną znajdziesz w dokumentacji.
  • Każdy głos mówi każdym wspieranym językiem.

Generowanie pliku

Ilustracja fali dźwiękowej dla: Generowanie pliku

Po przygotowaniu tekstu i wyborze głosu czas na wysłanie żądania do API. Wyślij tekst w formacie JSON do endpointu POST https://api.18g.info/v1/audio/speech, uwzględniając klucz autoryzacyjny i wybrany format pliku.

System przetwarza zapytanie w kolejce. Krótkie fragmenty generują się błyskawicznie, podczas dłuższe materiały wymagają nieco więcej czasu, zbliżonego do czasu rzeczywistego. Po zakończeniu syntezy plik audio jest dostępny do pobrania.

Wysyłanie zapytania

Wyślij żądanie POST do https://api.18g.info/v1/audio/speech z JSON zawierającym tekst, model (tts-1 lub tts-1-hd) oraz wybrany głos. Upewnij się, że tekst nie przekracza 4096 znaków.

Użyj klucza API w nagłówku Authorization: Bearer tts-.... Możesz wybrać format wyjściowy: mp3, wav, opus, flac lub pcm.

Oczekiwanie

Żądania są przetwarzane jedno po drugim. Krótkie teksty są generowane w kilka sekund, podczas gdy dłuższe nagrania zajmują czas proporcjonalny do długości (ok. 25 znaków na sekundę).

W razie przeciążenia system może umieścić zapytanie w kolejce. Nie zużywają się środki za błędne żądania.

Pobieranie

Po zakończeniu przetwarzania otrzymasz plik audio w wybranym formacie. Przekaż go bezpośrednio do montażu w edytorze wideo lub pobierz lokalnie.

Upewnij się, że plik jest poprawny przed dodaniem go do projektu TikToka lub Reels.

Formaty plików

Ilustracja fali dźwiękowej dla: Formaty plików

Wybór formatu audio wpływa bezpośrednio na wielkość pliku i jakość dźwięku w Twoich filmach. API TikSpeech obsługuje różne standardy, umożliwiając dopasowanie pliku do wymagań platformy lub edytora.

Wszystkie pliki są generowane jako syntetyczna mowa z niewidocznym znakiem wodnym. Wybierz format, który pasuje do Twojego workflow.

MP3

MP3 to uniwersalny format kompresji ze stratami, idealny do szybkiego przesyłania i publikacji. Zapewnia dobry balans między jakością a rozmiarem pliku, co czyni go standardem dla większości platform społecznościowych.

  • Kompresja stratna, mały rozmiar pliku
  • Szerokie wsparcie w edytorach wideo
  • Idealny do TikToka i Reels

WAV

WAV oferuje niekompresowaną jakość audio, zachowując pełną precyzję dźwięku bez utraty danych. Jest optymalny, jeśli planujesz dalszą obróbkkę audio w profesjonalnym programie montażowym, gdzie liczy się najwyższa wierność.

  • Bezstratna jakość dźwięku
  • Idealny do profesjonalnego montażu
  • Większy rozmiar pliku

OPUS

OPUS to nowoczesny kodek o wysokiej efektywności kompresji, często preferowany przez platformy streamingowe. Zapewnia bardzo dobrą jakość przy minimalnym rozmiarze pliku, co przyspiesza ładowanie w aplikacjach mobilnych.

  • Wysoka efektywność kompresji
  • Niski rozmiar pliku
  • Nowoczesne wsparcie kodeka

Integracja z edytorem

Ilustracja fali dźwiękowej dla: Integracja z edytorem

Wygenerowane pliki audio są gotowe do bezpośredniego importu do dowolnego edytora wideo. Dzięki standardowym formatom plików bezproblemowo połączysz głos z wizualnym materiałem źródłowym.

Proces integracji opiera się na prostym łańcuchu: pobranie pliku z API, import do montażu i synchronizacja z wizualizacją.

Import audio

Pobrane pliki MP3 lub WAV są bezpośrednio kompatybilne z popularnymi edytorami takimi jak CapCut, Premiere Pro czy DaVinci Resolve. Po prostu przeciągnij wygenerowany plik audio na ścieżkę multimedialną w swoim projekcie.

  • Wsparcie dla standardowych kodeków MP3 i WAV
  • Kompatybilność z większością profesjonalnych i mobilnych edytorów
  • Brak konieczności konwersji formatu przed importem

Montaż

Po zaimportowaniu głosu możesz swobodnie go przycinać, przyspieszać lub zwalniać, aby idealnie dopasować do rytmu wideo. Synteza pozwala na precyzyjne cięcie w dowolnym miejscu zdania.

  • Łatwe przycinanie fragmentów przed i po wypowiedzi
  • Dopasowanie długości głosu do trwania klipu wideo
  • Możliwość nakładania efektów dźwiękowych na ścieżkę głosową

Napisy

Głos wygenerowany przez API jest idealny do automatycznego generowania napisów. Większość edytorów oferuje funkcję transkrypcji, która pozwala na szybkie dodanie tekstów overlay, zwiększając zaangażowanie widzów na TikToku i Reels.

  • Synchronizacja głosu z napisami automatycznymi
  • Zwiększenie dostępności treści dla widzów
  • Możliwość ręcznej korekty tekstu w edytorze

Publikacja na TikToku

Ilustracja fali dźwiękowej dla: Publikacja na TikToku

Po wygenerowaniu pliku audio, czas przenieść go do aplikacji mobilnej TikTok. Upewnij się, że plik jest zapisany na urządzeniu, a następnie otwórz aplikację i rozpocznij tworzenie nowego nagrania.

Możesz nagrać wideo od podstaw, dodając wygenerowany głos jako ścieżkę dźwiękową. Alternatywnie, użyj funkcji "Nagraj" z wybraniem "Nagraj z urządzenia", aby zaimportować plik MP3 lub WAV bezpośrednio z galerii telefonu.

Upewnij się, że synchronizacja wizualna jest precyzyjna. Krótkie fragmenty tekstu idealnie sprawdzają się w dynamicznym montażu, gdzie każda sekunda ma znaczenie dla utrzymania uwagi widzów.

Wideo

Przygotuj materiał wizualny, który będzie towarzyszył wygenerowanej ścieżce dźwiękowej. Upewnij się, że ruchy na ekranie korespondują z tempem wypowiedzi.

Używaj dynamicznych przejść i efektów wizualnych, aby podkreślić kluczowe momenty w tekście. Krótkie klipy utrzymują uwagę widza.

  • Zadbaj o jasność i ostrość materiału
  • Używaj napisów do śledzenia tekstu
  • Synchronizuj ruchy z głosem

Audio

Zaimportuj wygenerowany plik audio do edytora wideo lub bezpośrednio do aplikacji TikTok. Upewnij się, że jakość dźwięku jest wysoka i nie ma zakłóceń.

Dostosuj głośność głosu do tła muzycznego. Ważne jest, aby głos był wyraźny i czytelny dla odbiorcy.

  • Sprawdź czy plik jest poprawny
  • Dostosuj głośność głosu
  • Usuń niepotrzebne cisze

Opis

Dodaj opis filmu, który uzupełni treść audio. Użyj odpowiednich hashtagów i słów kluczowych, aby zwiększyć zasięg.

Opis powinien być zwięzły i zachęcający do interakcji. Pamiętaj o wezwaniu do działania, np. "Kup teraz" lub "Subskrybuj".

  • Użyj popularnych hashtagów
  • Zachęć do interakcji
  • Podaj link do sklepu
Publikacja na TikToku

Optymalizacja kosztów

Ilustracja fali dźwiękowej dla: Optymalizacja kosztów

Koszt generowania audio wynosi $10 za milion znaków, co daje $0,01 za każdą tysiąc znaków tekstu. Ponieważ opłata naliczana jest od liczby znaków, w tym spacji i interpunkcji, precyzyjne edytowanie skryptu przed wysłaniem go do API pozwala znacząco obniżyć koszty produkcji.

Krótkie teksty

Krótkie frazy generują się szybko, ale mogą trwać kilka sekund na jedno zapytanie. Przy małych objętościach tekstu czas oczekiwania jest minimalny, a koszt niski, co czyni tę metodę idealną do krótkich przycisków dźwiękowych w Reelsach.

  • Koszt: $0,01 za 1000 znaków
  • Limit tekstu: 4096 znaków na zapytanie
  • Brak opłat za nieudane próby

Ponowne użycie

Generowane pliki audio można przechowywać i wielokrotnie używać w różnych projektach bez dodatkowych opłat. Dzięki temu nie płacisz wielokrotnie za ten sam głos do tych samych nagłówków lub intro w seriach filmów.

  • Pliki nie są automatycznie przechowywane przez API
  • Zalecane lokalne archiwizowanie
  • Brak limitu ponownego użycia własnych plików

Efektywność

Podział dłuższych tekstów na fragmenty do 4096 znaków pozwala na kontrolę nad procesem i uniknięcie błędów. Generowanie trwa około czasu rzeczywistego (ok. 25 znaków na sekundę), ale żądania są przetwarzane sekwencyjnie, więc pod obciążeniem może wystąpić kolejka.

  • Podział tekstu na fragmenty
  • Generowanie w czasie rzeczywistym
  • Możliwość łączenia plików audio

Rozwiązywanie problemów

Ilustracja fali dźwiękowej dla: Rozwiązywanie problemów

Rozwiązywanie problemów to kluczowy element pracy z API TikSpeech. Znajomość typowych błędów, limitów i formatów plików pozwala na sprawną generację audio bez zbędnych opóźnień.

Poniżej znajdziesz konkretne wskazówki dotyczące naprawy błędów, zrozumienia limitów zapytań oraz wyboru optymalnych formatów plików dźwiękowych.

Błędy generowania

Jeśli synteza się nie powiedzie, kwota zostanie zwrócona. Sprawdź poprawność tekstu (maks. 4096 znaków) i upewnij się, że klucz API jest aktywny.

W przypadku długich tekstów, podział na fragmenty jest konieczny. Upewnij się, że nie przekraczasz limitu znaków w jednym zapytaniu.

  • Sprawdź ważność klucza API
  • Sprawdź limit znaków (4096)
  • Sprawdź poprawność formatu JSON

Limity

Limit wynosi 60 zapytań na minutę na klucz. Przed pierwszym doładowaniem jest to 10 zapytań na minutę.

Jeśli przekroczysz limit, zapytania będą oczekiwane w kolejce. Długie teksty są przetwarzane sekwencyjnie, co może wydłużyć czas generowania.

  • 60 zapytań na minutę
  • 10 zapytań na minutę przed doładowaniem
  • Czas oczekiwania w kolejce

Formaty

Dostępne formaty to MP3, WAV, OPUS, FLAC i PCM. Wybierz format zgodny z edytorem wideo.

MP3 jest zalecany do TikToka ze względu na mały rozmiar pliku. WAV zapewnia najwyższą jakość bez strat.

  • MP3: zalecany do TikToka
  • WAV: wysoka jakość
  • OPUS: mniejszy rozmiar pliku

Przykłady użycia

Ilustracja fali dźwiękowej dla: Przykłady użycia

API TikSpeech pozwala na precyzyjne modelowanie różnych stylów mowy, co jest kluczowe dla różnorodnych formatów wideo. Dzięki dostępnej kontroli nad głosem i prędkością, twórcy mogą dopasować brzmienie do konkretnego kontekstu narracyjnego lub emocjonalnego.

Poniżej przedstawiamy trzy typowe scenariusze użycia, które ilustrają, jak wykorzystać dostępne parametry do tworzenia angażujących treści.

Narracja

Dla filmów dokumentalnych lub poradników idealnie sprawdza się głos Atlas (neutralny, newsowy) lub Luna (miękki, storytelling). Ustawienie prędkości (speed) na poziomie 1.0–1.2 zapewnia naturalny rytm wypowiedzi, który nie męczy odbiorcy podczas długich tekstów.

Tekst narracyjny należy podzielić na fragmenty do 4096 znaków. Dzięki temu unikasz problemów z limitami i uzysujesz spójny dźwięk na całej długości materiału.

Dialog

Model Nova z parametrem speed 1.5 nadaje energii krótkim wypowiedzom. Jest to rozwiązanie idealne do dynamicznych Shortsów, gdzie liczy się szybkość przekazu i zaangażowanie. Połączenie jasnego, "bright" głosu z podwyższonym tempem przyciąga uwagę widza w pierwszych sekundach.

W dialogach dwuosobowych możesz alternating między głosem Milo (przyjazny, konwersacyjny) a Norą (jasny, radosny), aby wyraźnie oddzielić role w krótkiej scence.

Efekty

Choć API nie obsługuje tagów emocji ani SSML, efekt dramatyczny osiągasz poprzez dobór głosu i prędkości. Głos Orion (głęboki, dokumentalny) w wolnym tempie (speed 0.8–1.0) tworzy poważny, niemal kinowy klimat.

Dla efektu "breaking news" lub nagłej informacji użyj głosu Felix (energetyczny, promo) z prędkością 1.5–2.0. Krótkie, zwięzłe zdania w takim wydaniu brzmią pilnie i profesjonalnie.

Najlepsze praktyki

Ilustracja fali dźwiękowej dla: Najlepsze praktyki

Klucz do dobrego audiotekstu to precyzja. API generuje mowę w tempie zbliżonym do rzeczywistego, co oznacza, że dłuższe fragmenty zajmują więcej czasu niż krótkie zdania. Unikaj przegadania, aby zachować dynamikę materiału wizualnego.

Wybór odpowiedniego głosu i prędkości wpływa na odbiór treści. System obsługuje szybkość od 0.25 do 4.0, co pozwala dostosować tempo do tempa montażu wideo. Pamiętaj, że każde zapytanie jest przetwarzane sekwencyjnie, więc przy dużym obciążeniu może wystąpić kolejka.

Jasność

Tekst do 4096 znaków jest optymalny dla jednej syntezy. Krótsze fragmenty generują się szybciej i pozwalają na precyzyjne dopasowanie do konkretnego ujęcia.

Upewnij się, że znaki specjalne są poprawnie sformatowane w JSON. Błędy składniowe powodują niepowodzenie żądania, co zwalnia proces, ale nie obciąża konta.

  • Maksymalnie 4096 znaków na zapytanie
  • Sprawdzanie poprawności znaków przed wysłaniem

Tempo

Domyślne tempo jest zrównoważone, ale warto je dostosować do dynamiki TikToka. Szybkość 1.0–1.5 pasuje do szybkich transitionów, wolniejsze tempo do narracji.

Pamiętaj, że niższe wartości prędkości wydłużają czas generowania. Przy częstym używaniu API monitoruj limit 60 żądań na minutę.

  • Zakres prędkości: 0.25–4.0
  • Monitorowanie limitu żądań

Ton

Dobór głosu (np. Aria, Nova, Luna) powinien odzwierciedlać charakter filmu. Warm, clear narrator vs bright, upbeat tone.

Unikaj mieszania stylów w jednym pliku audio. Każdy fragment z innym tonem warto generować osobno, aby zachować spójność brzmienia.

  • Dopasowanie głosu do klimatu filmu
  • Generowanie fragmentów osobno dla różnych tonów

Podsumowanie

Ilustracja fali dźwiękowej dla: Podsumowanie

Synteza mowy w TikSpeech jest zaprojektowana tak, aby odpowiadać wymaganiom dynamicznego rynku short-form video. System generuje pliki audio w czasie zbliżonym do rzeczywistego, co pozwala na szybkie przygotowanie narracji bez długiego oczekiwania na renderowanie.

Dzięki prostemu interfejsowi API i precyzyjnym ustawieniom, twórcy mogą generować spójny głos do swoich filmów na TikToku, Reels i Shorts, utrzymując wysoką jakość produkcji przy minimalnym nakładzie czasu i środków.

Szybkość

Generowanie krótkich fragmentów trwa kilka sekund, a dłuższe teksty są przetwarzane w tempie zbliżonym do rzeczywistego (ok. 25 znaków na sekundę). Żądania są przetwarzane sekwencyjnie, co gwarantuje stabilność wyniku nawet przy większym ruchu.

  • Krótkie teksty generowane w kilka sekund
  • Długie materiały przetwarzane w czasie rzeczywistym

Jakość

Ośmiu predefiniowanych głosów, od ciepzej narracji po energiczne promo, zapewnia spójny brzmieniowo efekt końcowy. Każdy plik zawiera niewidoczny znak wodny oznaczający syntetyczną mowę, co jest standardem w generowanym audio.

  • 8 presetów głosowych
  • Spójny brzmieniowo output

Koszt

Cennik jest transparentny: 10 USD za milion znaków. Nie ma ukrytych opłat ani miesięcznych abonamentów. Nieudane zapytania są darmowe, a środki doładowane na koncie nie wygasają, co pozwala na długoterminowe planowanie budżetu.

  • 10 USD za 1 mln znaków
  • Brak abonamentów i ukrytych opłat

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. Python documentation
  3. ISO 639 language codes
  4. LibriTTS-R paper (arXiv 2305.18802)
  5. MDN: Web Speech API
  6. LibriVox public-domain audiobooks
  7. IETF RFC 7845: Ogg Opus
  8. LibriTTS-R corpus (OpenSLR 141)
  9. openai-python on GitHub
  10. curl documentation
  11. W3C WAI: making audio and video accessible
  12. Node.js documentation

Więcej na tej stronie