ما هي واجهة برمجة التطبيقات text-to-speech؟

تقوم واجهة برمجة التطبيقات text-to-speech (TTS) بتحويل النص المكتوب إلى صوت منطوق. ترسل النص، والصوت وإعدادات مثل اللغة والسرعة، وتعيد واجهة برمجة التطبيقات ملف صوتي، أو تبث الصوت ليبدأ التشغيل قبل أن يكون المقطع بأكمله جاهزا.

أنواع النماذج

ما الذي تفعله واجهة برمجة التطبيقات text-to-speech

تقوم واجهة برمجة التطبيقات text-to-speech (TTS) بقراءة النص بصوت صناعي. ترسل الكلمات للتحدث وتختار صوتا، ويعيد النموذج الصوت بصيغة مثل MP3 أو WAV. اعتمادا على النموذج، يمكنك أيضا توجيه التسليم بلغة بسيطة، على سبيل المثال تحدث ببطء وبنبرة دافئة وهادئة، أضف علامات مدمجة لتأثيرات مثل الضحك أو التنهد، كتابة حوار لمتحدثين أو أكثر، أو استنساخ صوت من تسجيل قصير للمكبر.

معظم النماذج تأخذ أيضا إعدادات مثل اللغة، سرعة الكلام، ومعدل العينة. بعضها يضيف تجاوزات نطق للأسماء والاختصارات، أو طوابع زمنية على مستوى الكلمة يمكنك استخدامها للتعليقات التوضيحية والتمييز.

كيف يعمل الطلب

لملف مكتمل، أرسل ما بعد /v1/audio/speech مع معرف النموذج، النص في المدخلات و الصوت. تحمل الاستجابة عنوان URL لملف الصوت بشكل افتراضي. يمكنها أيضا إرجاع الصوت كبيانات base64، أو كبايتات الصوت نفسها عندما يطلب قبول الرأس يطلب الصوت. في النماذج التي تقدم قائمة صوتية، اذهب /v1/voices مع معرف النموذج يعيد الأصوات التي يمكنك استخدامها.

للاستخدام التفاعلي، النماذج التي تدعم الإجابة المتدفقة على ما بعد /v1/audio/speech:stream. يصل الصوت كأحداث مرسلة من الخادم أثناء توليه النموذج، لذا يمكن بدء التشغيل قبل أن يكون المقطع بأكمله جاهزا. بعض النماذج تقبل أيضا نصا فوق صوت في الوقت الحقيقي WebSocket وتتحدث بها بينما النص لا يزال في طريقه، على سبيل المثال أثناء كتابة نموذج لغوي لرده.

ما الذي يستخدم text-to-speech

  • وكلاء صوت ومساعدون. الردود المنطوقة بتأخير قصير، باستخدام مخرج البث المتدفق.
  • السرد. تعليق صوتي للفيديوهات، الشروحات، جولات المنتجات والتعلم الإلكتروني.
  • صوت طويل. كتب صوتية، مقالات تقرأ بصوت عال، وحوار على طريقة البودكاست بين عدة أصوات.
  • سهولة الوصول. نصوص ومستندات واجهة للقراءة بصوت عال للأشخاص الذين يفضلون الاستماع.
  • التوطين. نفس النص في العديد من اللغات، على نماذج تحافظ على صوت واحد عبر اللغات.

ما الذي يمكن مقارنته بين نماذج الصوت

  • الطبيعية. استمع إلى نفس النص في كل مرشح، بما في ذلك الأرقام والأسماء والأسئلة.
  • الأصوات واللغات. حجم مكتبة الأصوات، اللغات واللهجات، وما إذا كان بإمكانك استنساخ صوت.
  • التأخير. للمحادثة، تحقق من دعم البث ومدى سرعة وصول الصوت الأول.
  • السيطرة. تعليمات الإلقاء، علامات المشاعر، السرعة والنغمة، تجاوز النطق وحوارات متعددة المتحدثين.
  • المخرج. صيغ الصوت، معدلات العينة، والطوابع الزمنية للترجمة.
  • السعر. نماذج TTS تحسب كمية النص: لكل حرف في بعض النماذج، ولكل رمز في نماذج أخرى، حيث يكون للنص المدخل والصوت المولد معدلات منفصلة. بعضها يحدد حدا أدنى من الأحرف لكل طلب. السكريبتات الأطول تكلف أكثر.

مقارنات النماذج جنبا إلى جنب عرض قدرات ومعدلات نموذجين صوتيين معا.

حاول الاتصال بنموذج TTS على EmpirioLabs AI

تصفح نماذج صوتية والاستماع إلى الأصوات في Playground قبل كتابة الكود. لاستدعاء نموذج، أنشئ مفتاح API في لوحة التحكم وأرسل نصا إلى https://api.empiriolabs.ai/v1/audio/speech، أو إلى نقطة نهاية البث للتشغيل المباشر. ال مرجع الكلام و مرجع الكلام المتدفق. صف كل مجال.

ادفع أثناء الاستخدام، أو اختر خطة مع بدلات أسبوعية. الأسعار الحالية لكل نموذج صوتي موجودة على صفحة الأسعار.

النماذج على EmpirioLabs AI

عدد النماذج: 17، مرتبة من الأرخص حين تشترك في وحدة الفوترة. تعرض صفحة كل نموذج جدول أسعاره الكامل ومعلماته وأمثلة الكود.

نقاط النهاية

POST /v1/audio/speech POST /v1/audio/speech:stream GET /v1/voices WEBSOCKET /v1/realtime

السعر حسب أحرف النص

النموذجأقل سعرينطبق على
TTS 2 Flash Inworld$15.00$10.50 لكل مليون شخصيةالتركيب
StepAudio 3 TTS StepFun$0.14 لكل 10,000 حرفالتركيب
Qwen Audio 3.0 TTS Alibaba Cloud$0.15 لكل 10,000 حرفتوليف الفلاش
SoulX Podcast Soul AI Lab$0.015 لكل 1000 حرف، الحد الأدنى 700 حرف لكل طلبالقاعدة
TTS 1.5 Mini Inworld$25.00$17.50 لكل مليون شخصيةالتركيب
TTS 2 Inworld$25.00$22.00 لكل مليون شخصيةالتركيب
TTS 1.5 Max Inworld$35.00$29.75 لكل مليون شخصيةالتركيب
Qwen Audio 3.1 TTS Plus Alibaba Cloud$0.60 لكل 10,000 حرفالتركيب
StepAudio 2.5 TTS StepFun$0.85 لكل 10,000 حرفالتركيب
GLM TTS Z.ai$0.20 لكل 1000 حرف، الحد الأدنى 50 حرفا لكل طلبفاست (INT8)

متاح أيضًا: Gemini 2.5 Flash TTS, Gemini 2.5 Pro TTS, Gemini 3.1 Flash TTS, Gemini 3.8 Flash TTS, Gemini 3.8 Flash-Lite TTS, Qwen Audio 3.1 TTS, Qwen Audio 3.1 TTS Next

الأسئلة الشائعة

ما الفرق بين text-to-speech وspeech-to-text؟

تحويل النص إلى كلام يحول النص المكتوب إلى صوت منطوق. يفعل تحويل الكلام إلى نص العكس: ينقل الصوت المنطوق إلى نص مكتوب.

هل يمكن لواجهة برمجة تطبيقات text-to-speech استنساخ صوت؟

بعض النماذج يمكنها ذلك. تقدم تسجيلا قصيرا ونظيفا للصوت، وفي بعض النماذج تسجيل المتحدث الذي يمنح الموافقة، والنموذج ينطق نصا جديدا بذلك الصوت.

كيف يتم تسعير text-to-speech؟

حسب كمية النص: لكل حرف في بعض النماذج ولكل رمز في أخرى، لذا فإن السكريبتات الأطول تكلف أكثر. على EmpirioLabs AI يمكنك الدفع أثناء الاستخدام أو اختيار خطة مع مخصصات أسبوعية.

ما هو البث المباشر text-to-speech؟

يعيد البث الصوت على أجزاء صغيرة أثناء توليه النموذج، بحيث يبدأ التشغيل قبل أن يكون المقطع الكامل جاهزا. يناسب وكلاء الصوت والمحادثات الحية الأخرى.

هل أنت مستعد لاستخدام نقاط نهاية أفضل؟

تحقق من تسعيرنا أو تواصل إذا كنت ترغب في نشر نموذجك الخاص على مجموعتنا.