Qu’est-ce qu’une API text-to-speech ?

Une API text-to-speech (TTS) convertit le texte écrit en audio parlé. Vous envoyez le texte, une voix et des paramètres tels que la langue et la vitesse, et l’API renvoie un fichier audio ou diffuse l’audio en flux afin que la lecture puisse commencer avant que le passage complet soit prêt.

Types de modèles

Ce qu’une API text-to-speech fait

Une API text-to-speech (TTS) lit le texte à voix haute dans une voix synthétique. Vous envoyez les mots à prononcer et choisissez une voix, et le modèle renvoie l’audio dans un format tel que MP3 ou WAV. Selon le modèle, vous pouvez également diriger la livraison en langage clair, par exemple Parlez lentement d’un ton chaleureux et calme, ajouter des balises intégrées pour des effets tels que rire ou soupir, écrire un dialogue pour deux haut-parleurs ou plus, ou cloner une voix à partir d’un court enregistrement du haut-parleur.

La plupart des modèles prennent également en compte des réglages tels que la langue, la vitesse de parole et la fréquence d’échantillonnage. Certains ajoutent des overrides de prononciation pour les noms et acronymes, ou des horodatages au niveau des mots que vous pouvez utiliser pour les légendes et les surlignes.

Comment fonctionne une demande

Pour un fichier terminé, envoyez APRÈS /v1/audio/speech avec l’ID de modèle, le texte dans Entrée et a Voix. La réponse contient par défaut une URL du fichier audio. Elle peut également retourner l’audio sous forme de données base64, ou sous forme d’octets audio eux-mêmes lorsque la requête Acceptez L’en-tête demande l’audio. Sur les modèles qui proposent une liste vocale, ALLEZ-/v1/voices avec l’ID du modèle renvoie les voix que vous pouvez utiliser.

Pour un usage interactif, les modèles qui prennent en charge le streaming répondent sur APRÈS /v1/audio/speech:stream. L’audio arrive sous forme d’événements envoyés par le serveur pendant que le modèle le synthétise, afin que la lecture puisse commencer avant que l’intégralité du passage ne soit prêt. Quelques modèles acceptent également du texte sur le Voix en temps réel WebSocket et le parler pendant que le texte est encore en arrivée, par exemple pendant qu’un modèle de langage rédige sa réponse.

À quoi sert text-to-speech

  • Agents vocaux et assistants. Réponses parlées avec un court délai, en utilisant la sortie en streaming.
  • Narration. Voix off pour vidéos, explications, visites de produits et e-learning.
  • Audio long. Livres audio, articles lus à voix haute et dialogues de type podcast entre plusieurs voix.
  • Accessibilité. Texte et documents d’interface lus à voix haute pour ceux qui préfèrent écouter.
  • Localisation. Le même script dans de nombreuses langues, sur des modèles qui conservent une seule voix entre les langues.

Que comparer entre les modèles de voix

  • Naturel. Écoutez le même script dans chaque candidat, y compris les chiffres, les noms et les questions.
  • Voix et langues. La taille de la bibliothèque vocale, les langues et les accents, et si vous pouvez cloner une voix.
  • Latence. Pour discuter, vérifiez le support du streaming et la rapidité avec laquelle le premier audio arrive.
  • Contrôle. Instructions de livraison, étiquettes émotionnelles, vitesse et tonalité, dérogations de prononciation et dialogues multi-haut-parleurs.
  • Sortie. Formats audio, fréquences d’échantillonnage et horodatages pour les sous-titres.
  • Prix. Les modèles TTS facturent en fonction de la quantité de texte: par caractère sur certains modèles, et par jeton sur d’autres, où le texte d’entrée et l’audio généré ont des débits séparés. Certains fixent un nombre minimum de caractères par requête. Les scripts plus longs coûtent plus cher.

Comparaisons de modèles côte à côte Afficher ensemble les capacités et les débits de deux modèles de voix.

Essayez d’appeler un modèle TTS sur EmpirioLabs AI

Parcourez le Modèles audio et écouter les voix dans le Playground avant d’écrire du code. Pour appeler un modèle, créez une clé API dans le tableau de bord et envoyez du texte à https://api.empiriolabs.ai/v1/audio/speech, ou vers le point de terminaison de streaming pour la lecture en direct. Le Référence de discours et les Référence vocale en streaming Décrivez chaque domaine.

Payez au fur et à mesure, ou choisissez un plan avec des indemnités hebdomadaires. Les tarifs actuels pour chaque modèle vocal sont sur le page de prix.

Les modèles sur EmpirioLabs AI

17 modèles, du moins cher au plus cher lorsqu'ils partagent une unité de facturation. La page de chaque modèle présente sa grille tarifaire complète, ses paramètres et du code.

Endpoints

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

Prix selon les caractères de texte

ModèleTarif le plus basS'applique à
TTS 2 Flash Inworld$15.00$10.50 par 1M de caractèresSynthèse
StepAudio 3 TTS StepFun$0.14 par 10 000 caractèresSynthèse
Qwen Audio 3.0 TTS Alibaba Cloud$0.15 par 10 000 caractèresSynthèse flash
SoulX Podcast Soul AI Lab$0.015 par 1 000 caractères, minimum 700 caractères par requêteBase
TTS 1.5 Mini Inworld$25.00$17.50 par 1M de caractèresSynthèse
TTS 2 Inworld$25.00$22.00 par 1M de caractèresSynthèse
TTS 1.5 Max Inworld$35.00$29.75 par 1M de caractèresSynthèse
Qwen Audio 3.1 TTS Plus Alibaba Cloud$0.60 par 10 000 caractèresSynthèse
StepAudio 2.5 TTS StepFun$0.85 par 10 000 caractèresSynthèse
GLM TTS Z.ai$0.20 par 1 000 caractères, minimum 50 caractères par demandeRapide (INT8)

Également disponibles : 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

Questions fréquentes

Quelle est la différence entre text-to-speech et speech-to-text ?

La synthèse vocale transforme le texte écrit en audio parlé. La synthèse vocale fait l’inverse: elle transcrit l’audio parlé en texte écrit.

Une API text-to-speech peut-elle cloner une voix ?

Certains modèles le peuvent. Vous fournissez un enregistrement court et clair de la voix, et sur certains modèles un enregistrement du haut-parleur donnant son consentement, et le modèle parle un nouveau texte avec cette voix.

Comment text-to-speech est-il tarifé ?

En fonction de la quantité de texte: par personnage sur certains modèles et par jeton sur d’autres, donc les scripts plus longs coûtent plus cher. Sur EmpirioLabs AI vous pouvez payer au fur et à mesure ou choisir un forfait avec des allocations hebdomadaires.

Qu’est-ce que le streaming text-to-speech ?

Le streaming renvoie l’audio en petits blocs pendant que le modèle le synthétise, de sorte que la lecture commence avant que le passage complet ne soit prêt. Il convient aux agents vocaux et autres conversations en direct.

Prêt à utiliser de meilleurs points de terminaison ?

Consultez nos tarifs ou contactez-nous si vous souhaitez que votre propre modèle soit déployé sur notre stack.