Синтез речи

Вся магия — в одной ручке:

POST https://tryaxolotl.ru/v1/speech

Тело запроса

string

required

Текст для озвучки. Понимает русский и английский. Цифры, знаки препинания и символы — пожалуйста. Эмоциональные теги [смеётся], [шёпотом] и другие [...] встраиваются прямо в текст — см. Эмоции и интонации.

string

default:"axolotl"

Идентификатор голоса (axolotl, daniil, sergey, dmitriy, polina, tatyana или ваш private id). Полный список — Голоса.

string

default:"mp3"

Формат аудио: mp3, mp3_high, mp3_low или pcm.

string

Текст, который звучал перед этим фрагментом. Сам не озвучивается и не тарифицируется — только подсказывает интонацию, чтобы соседние фрагменты звучали как одна речь. До 10 000 символов. См. Длинные тексты.

string

Текст, который прозвучит после этого фрагмента. Как и previous_text, не озвучивается и не тарифицируется. До 10 000 символов.

Контекст соседних фрагментов

previous_text и next_text нужны, когда длинный текст озвучивается по частям: модель видит, что было до фрагмента и что будет после, и строит интонацию так, чтобы части звучали как одна непрерывная речь. Без контекста каждый фрагмент звучит как отдельная реплика: например, фраза в середине абзаца может получить «начальную» или «завершающую» интонацию.

{
  "voice": "axolotl",
  "previous_text": "Мы долго шли по лесу.",
  "text": "Наконец впереди показалась река.",
  "next_text": "На берегу стояла старая лодка."
}

Передавайте текст соседних фрагментов как есть, без изменений: чем точнее контекст, тем естественнее стык. Обычно хватает одного-двух соседних предложений или соседнего фрагмента целиком.
Поля необязательные и независимые: для первого фрагмента передайте только next_text, для последнего — только previous_text.
В ответе и в истории запросов контекст не появляется. X-Characters-Billed считает только text.
Длиннее 10 000 символов в любом из полей — ошибка 422 invalid_request.

Контекст пока учитывается не для всех голосов и моделей. Если голос его не поддерживает, поля просто игнорируются: запрос выполняется как обычно, без ошибки и без изменения стоимости. Поэтому передавать контекст можно всегда — там, где он поддерживается, стыки станут плавнее.

Ответ

При успехе прилетают «сырые» байты аудио с Content-Type: audio/mpeg (или audio/wav для pcm) и вот такие заголовки:

string

Уникальный id запроса (его же видно в истории).

integer

Сколько символов списали за этот запрос.

string

Стоимость запроса в рублях.

string

Остаток на балансе после списания.

Пример

curl -X POST https://tryaxolotl.ru/v1/speech \
  -H "Authorization: Bearer $AXOLOTL_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "text": "[смеётся] Сегодня отличная погода.",
    "voice": "axolotl",
    "format": "mp3_high"
  }' \
  --output speech.mp3

import { writeFile } from "node:fs/promises";

const res = await fetch("https://tryaxolotl.ru/v1/speech", {
  method: "POST",
  headers: {
    Authorization: `Bearer ${process.env.AXOLOTL_API_KEY}`,
    "Content-Type": "application/json",
  },
  body: JSON.stringify({
    text: "[смеётся] Сегодня отличная погода.",
    voice: "axolotl",
    format: "mp3_high",
  }),
});
if (!res.ok) throw new Error(`Ошибка ${res.status}: ${await res.text()}`);
await writeFile("speech.mp3", Buffer.from(await res.arrayBuffer()));

import os, requests

res = requests.post(
    "https://tryaxolotl.ru/v1/speech",
    headers={"Authorization": f"Bearer {os.environ['AXOLOTL_API_KEY']}"},
    json={"text": "[смеётся] Сегодня отличная погода.", "voice": "axolotl", "format": "mp3_high"},
)
res.raise_for_status()
open("speech.mp3", "wb").write(res.content)

Лимит на запрос — 10 000 символов. Тарифицируется только поле text. Эмоциональные теги [...] тоже входят в подсчёт символов — подробнее в гайде по эмоциям.

Начало работы

Руководства

Справочник

Синтез речи

Тело запроса

Контекст соседних фрагментов

Ответ

Пример

​Тело запроса

​Контекст соседних фрагментов

​Ответ

​Пример

Тело запроса

Контекст соседних фрагментов

Ответ

Пример