एक text-to-speech (TTS) API लिखित टेक्स्ट को बोले गए ऑडियो में बदलता है। आप टेक्स्ट, एक आवाज़ और भाषा तथा गति जैसी सेटिंग्स भेजते हैं, और API एक ऑडियो फ़ाइल लौटाता है, या ऑडियो स्ट्रीम करता है ताकि पूरा पैसेज तैयार होने से पहले प्लेबैक शुरू हो सके।
text-to-speech (TTS) API सिंथेटिक आवाज़ में टेक्स्ट को ज़ोर से पढ़ता है। आप शब्दों को बोलने के लिए भेजते हैं और एक आवाज़ चुनते हैं, और मॉडल ऑडियो को MP3 या WAV जैसे फॉर्मेट में लौटाता है। मॉडल के अनुसार, आप डिलीवरी को सरल भाषा में भी निर्देशित कर सकते हैं, उदाहरण के लिए धीरे-धीरे एक गर्म, शांत स्वर में बोलो।, हँसी या आह जैसे प्रभावों के लिए इनलाइन टैग जोड़ें, दो या अधिक वक्ताओं के लिए संवाद लिखें, या स्पीकर की एक छोटी रिकॉर्डिंग से आवाज़ क्लोन करें।
अधिकांश मॉडल भाषा, बोलने की गति और सैंपल रेट जैसी सेटिंग्स भी लेते हैं। कुछ में नामों और संक्षिप्ताक्षरों के लिए उच्चारण ओवरराइड या शब्द-स्तर के टाइमस्टैम्प जोड़े जाते हैं जिन्हें आप कैप्शन और हाइलाइटिंग के लिए उपयोग कर सकते हैं।
तैयार फ़ाइल के लिए, भेजें पोस्ट /v1/audio/speech मॉडल ID के साथ, टेक्स्ट इन इनपुट और a आवाज. प्रतिक्रिया डिफ़ॉल्ट रूप से ऑडियो फ़ाइल का URL रखती है। यह ऑडियो को base64 डेटा के रूप में भी लौटा सकती है, या अनुरोध के समय ऑडियो बाइट्स के रूप में भी लौटा सकती है। स्वीकार करें हेडर ऑडियो मांगता है। उन मॉडलों पर जो वॉइस लिस्ट देते हैं, /v1/voices मॉडल ID के साथ वे आवाज़ें लौटाती हैं जिन्हें आप उपयोग कर सकते हैं।
इंटरैक्टिव उपयोग के लिए, स्ट्रीमिंग का समर्थन करने वाले मॉडल पोस्ट /v1/audio/speech:stream. ऑडियो सर्वर-सेंडेड इवेंट्स के रूप में आता है जबकि मॉडल इसे संश्लेषित करता है, इसलिए प्लेबैक पूरे पैसेज के तैयार होने से पहले शुरू हो सकता है। कुछ मॉडल टेक्स्ट भी स्वीकार करते हैं रीयलटाइम वॉयस WebSocket को बोलना और जब टेक्स्ट अभी आ रहा हो, उदाहरण के लिए जब कोई भाषा मॉडल अपना जवाब लिख रहा हो, तब तक बोलना बंद कर सकते हैं।
साइड-बाय-साइड मॉडल तुलना दो वॉइस मॉडलों की क्षमताएँ और दरें एक साथ दिखाएँ।
ब्राउज़ करें ऑडियो मॉडल और आवाज़ें सुनना Playground कोड लिखने से पहले। मॉडल कॉल करने के लिए, डैशबोर्ड में एक API कुंजी बनाएं और टेक्स्ट भेजें https://api.empiriolabs.ai/v1/audio/speech, या लाइव प्लेबैक के लिए स्ट्रीमिंग एंडपॉइंट पर। भाषण संदर्भ और स्ट्रीमिंग स्पीच संदर्भ हर क्षेत्र का वर्णन करें।
जैसे-जैसे जाएं भुगतान करें, या साप्ताहिक भत्तों वाली योजना चुनें। हर वॉयस मॉडल के लिए वर्तमान दरें हैं मूल्य निर्धारण पृष्ठ।.
17 मॉडल, जहाँ बिलिंग इकाई एक है वहाँ सबसे सस्ते पहले। हर मॉडल के पेज पर पूरा रेट कार्ड, पैरामीटर और कोड है।
एंडपॉइंट
/v1/audio/speech POST /v1/audio/speech:stream GET /v1/voices WEBSOCKET /v1/realtimeटेक्स्ट के अक्षरों के हिसाब से कीमत
| मॉडल | सबसे कम दर | किस पर लागू |
|---|---|---|
| TTS 2 Flash Inworld | $15.00$10.50 प्रति 1M वर्ण | संश्लेषण |
| StepAudio 3 TTS StepFun | $0.14 प्रति 10,000 वर्ण | संश्लेषण |
| Qwen Audio 3.0 TTS Alibaba Cloud | $0.15 प्रति 10,000 वर्ण | फ्लैश संश्लेषण |
| SoulX Podcast Soul AI Lab | $0.015 प्रति 1k वर्ण, प्रति अनुरोध न्यूनतम 700 वर्ण | आधार |
| TTS 1.5 Mini Inworld | $25.00$17.50 प्रति 1M वर्ण | संश्लेषण |
| TTS 2 Inworld | $25.00$22.00 प्रति 1M वर्ण | संश्लेषण |
| TTS 1.5 Max Inworld | $35.00$29.75 प्रति 1M वर्ण | संश्लेषण |
| Qwen Audio 3.1 TTS Plus Alibaba Cloud | $0.60 प्रति 10,000 वर्ण | संश्लेषण |
| StepAudio 2.5 TTS StepFun | $0.85 प्रति 10,000 वर्ण | संश्लेषण |
| GLM TTS Z.ai | $0.20 प्रति 1k वर्ण, प्रति अनुरोध न्यूनतम 50 वर्ण | फास्ट (INT8) |
ये भी उपलब्ध हैं: 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
टेक्स्ट-टू-स्पीच लिखित टेक्स्ट को बोले गए ऑडियो में बदल देता है। स्पीच-टू-टेक्स्ट इसका उल्टा करता है: यह बोले गए ऑडियो को लिखित टेक्स्ट में ट्रांसक्राइब करता है।
कुछ मॉडल ऐसा कर सकते हैं। आप आवाज़ की एक छोटी, साफ़ रिकॉर्डिंग देते हैं, और कुछ मॉडलों में स्पीकर की सहमति की रिकॉर्डिंग देते हैं, और मॉडल उस आवाज़ में नया टेक्स्ट बोलता है।
टेक्स्ट की मात्रा के हिसाब से: कुछ मॉडलों में प्रति कैरेक्टर और कुछ पर प्रति टोकन, इसलिए लंबी स्क्रिप्ट्स की लागत अधिक होती है। EmpirioLabs AI आप जैसे-जैसे भुगतान करें वैसे भुगतान कर सकते हैं या साप्ताहिक भत्तों वाली योजना चुन सकते हैं।
स्ट्रीमिंग ऑडियो को छोटे-छोटे हिस्सों में लौटाती है जबकि मॉडल इसे सिंथेसाइज़ करता है, इसलिए प्लेबैक पूरा भाग तैयार होने से पहले शुरू हो जाता है। यह वॉइस एजेंट्स और अन्य लाइव बातचीत के लिए उपयुक्त है।
हमारे मूल्य निर्धारण की जाँच करें या यदि आप चाहते हैं कि आपका अपना मॉडल हमारे स्टैक पर तैनात किया जाए, तो पहुंचें।