text-to-speech API क्या है?

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।

मॉडल के प्रकार

text-to-speech API क्या करता है

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।

अनुरोध कैसे काम करता है

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।

text-to-speech किस लिए उपयोग किया जाता है

  • वॉइस एजेंट और सहायक। स्पोकन रिप्लाई थोड़ी देरी के साथ, स्ट्रीमिंग आउटपुट का उपयोग करते हुए।
  • वर्णन। वीडियो, व्याख्याकार, उत्पाद टूर और ई-लर्निंग के लिए वॉइसओवर।
  • लॉन्ग-फॉर्म ऑडियो। ऑडियोबुक्स, ज़ोर से पढ़े जाने वाले लेख और कई आवाज़ों के बीच पॉडकास्ट-शैली की संवाद।
  • सुलभता। उन लोगों के लिए इंटरफ़ेस टेक्स्ट और दस्तावेज़ जिन्हें ज़ोर से पढ़ा जाता है जो सुनना पसंद करते हैं।
  • स्थानीयकरण। कई भाषाओं में एक ही स्क्रिप्ट, ऐसे मॉडल्स पर जो भाषाओं के बीच एक ही आवाज़ को बनाए रखते हैं।

वॉइस मॉडल्स के बीच क्या तुलना करें

  • प्राकृतिकता। प्रत्येक उम्मीदवार में एक ही स्क्रिप्ट सुनें, जिसमें संख्या, नाम और प्रश्न शामिल हैं।
  • आवाज़ें और भाषाएँ। वॉइस लाइब्रेरी का आकार, भाषाएँ और उच्चारण, और क्या आप वॉयस क्लोन कर सकते हैं।
  • विलंबता। बातचीत के लिए, स्ट्रीमिंग सपोर्ट और पहली ऑडियो कितनी जल्दी पहुंचता है, इसे देखें।
  • नियंत्रण। डिलीवरी निर्देश, इमोशन टैग्स, गति और पिच, उच्चारण ओवरराइड और मल्टी-स्पीकर संवाद।
  • आउटपुट। ऑडियो फॉर्मेट, सैंपल रेट और कैप्शन के लिए टाइमस्टैम्प।
  • कीमत। TTS मॉडल टेक्स्ट की मात्रा के आधार पर बिल करते हैं: कुछ मॉडलों पर प्रति अक्षर, और अन्य पर प्रति टोकन, जहाँ इनपुट टेक्स्ट और जनरेट किए गए ऑडियो की अलग-अलग दरें होती हैं। कुछ न्यूनतम अक्षरों की संख्या प्रति अनुरोध निर्धारित करते हैं। लंबी स्क्रिप्ट्स की लागत अधिक होती है।

साइड-बाय-साइड मॉडल तुलना दो वॉइस मॉडलों की क्षमताएँ और दरें एक साथ दिखाएँ।

किसी TTS मॉडल को कॉल करने की कोशिश करेंEmpirioLabs AI

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।.

EmpirioLabs AI पर मॉडल

17 मॉडल, जहाँ बिलिंग इकाई एक है वहाँ सबसे सस्ते पहले। हर मॉडल के पेज पर पूरा रेट कार्ड, पैरामीटर और कोड है।

एंडपॉइंट

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

टेक्स्ट के अक्षरों के हिसाब से कीमत

मॉडलसबसे कम दरकिस पर लागू
TTS 2 Flash Inworld$15.00$10.50 प्रति 1M वर्णसंश्लेषण
StepAudio 3 TTS StepFun$0.14 प्रति 10,000 वर्णसंश्लेषण
Qwen Audio 3.0 TTS Alibaba Cloud$0.15 प्रति 10,000 वर्णफ्लैश संश्लेषण
SoulX Podcast Soul AI Lab$0.015 प्रति 1k वर्ण, प्रति अनुरोध न्यूनतम 700 वर्णआधार
TTS 1.5 Mini Inworld$25.00$17.50 प्रति 1M वर्णसंश्लेषण
TTS 2 Inworld$25.00$22.00 प्रति 1M वर्णसंश्लेषण
TTS 1.5 Max Inworld$35.00$29.75 प्रति 1M वर्णसंश्लेषण
Qwen Audio 3.1 TTS Plus Alibaba Cloud$0.60 प्रति 10,000 वर्णसंश्लेषण
StepAudio 2.5 TTS StepFun$0.85 प्रति 10,000 वर्णसंश्लेषण
GLM TTS Z.ai$0.20 प्रति 1k वर्ण, प्रति अनुरोध न्यूनतम 50 वर्णफास्ट (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

अक्सर पूछे जाने वाले प्रश्न

text-to-speech और speech-to-text में क्या अंतर है?

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।

क्या text-to-speech API वॉइस क्लोन कर सकता 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।

text-to-speech की कीमत कैसे तय की जाती 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 text-to-speech क्या है?

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।

बेहतर समापन बिंदुओं का उपयोग करने के लिए तैयार हैं?

हमारे मूल्य निर्धारण की जाँच करें या यदि आप चाहते हैं कि आपका अपना मॉडल हमारे स्टैक पर तैनात किया जाए, तो पहुंचें।