คู่มือสังเคราะห์เสียงพูด (TTS)

คู่มือสังเคราะห์เสียงพูด (TTS)

POST /v1/audio/speech รองรับรูปแบบ OpenAI-compatible: ส่ง JSON แล้วรับไฟล์เสียงเป็นข้อมูลไบนารี กลุ่ม ElevenLabs มี elevenlabs/eleven-v4, eleven-v4-turbo, eleven-v3, eleven-v3-conversational, eleven-multilingual-v2, eleven-flash-v2.5, eleven-flash-v2, eleven-turbo-v2.5, eleven-turbo-v2 ดูรายการล่าสุดที่ GET /v1/models?output_modalities=speech GET /v1/models ค่าเริ่มต้นจะคืนเฉพาะโมเดลข้อความ ให้เพิ่ม ?output_modalities=speech (หรือ all) เพื่อดูรายการ

พารามิเตอร์

การตั้งค่าเสียงทั้งเจ็ดข้างบนเป็นตัวเลือกทั้งหมด หากไม่ส่งก็ไม่มีอะไรเปลี่ยน ค่านอกช่วงจะได้ 400 และจะไม่ถูกส่งหรือคิดเงิน เฮดเดอร์ตอบกลับ X-Voice-Settings บอกว่าการตั้งค่าของคุณถูกใช้หรือไม่: applied = ใช้แล้ว; ignored = เส้นทางสำรองตอบกลับ จึงไม่ได้ใช้การตั้งค่าของคุณ (ยังสร้างเสียงได้ตามปกติ); ไม่มีเฮดเดอร์ = คุณไม่ได้ส่งการตั้งค่าเสียง ตัวอย่าง: stability 0 อ่านมีอารมณ์มากขึ้น 1 อ่านเรียบขึ้น

กฎการใช้เสียง

โมเดล ElevenLabs (elevenlabs/…) รับชื่อเสียงต่อไปนี้ชื่อใดชื่อหนึ่ง (ไม่แยกตัวพิมพ์เล็กใหญ่): george, sarah, adam, alice, bella, bill, brian, callum, charlie, chris, daniel, eric, harry, jessica, laura, liam, lily, matilda, river, roger, will โมเดล ElevenLabs เว้น voice ได้ (ค่าเริ่มต้น george) ค่าอื่นจะได้ 400 invalid_voice เสียงที่กำหนดเองของคุณ (voice_…) อธิบายไว้ในหัวข้อ เสียงที่กำหนดเอง ด้านล่าง

ชื่อเสียงแบบ OpenAI-style เช่น alloy, echo หรือ nova ใช้ได้เฉพาะโมเดลที่ระบุชื่อเหล่านี้ ตรวจสอบเสียงในหน้าโมเดล

เสียงที่กำหนดเอง (โคลน) กำลังเปิดให้ใช้เป็นขั้นตอน: ดูหัวข้อ «เสียงที่กำหนดเอง» ด้านล่าง (POST /v1/voices) จนกว่าจะเปิดให้บัญชีของคุณ ให้ใช้ชื่อพรีเซ็ต 21 ชื่อด้านบนหรือ voice ID สาธารณะ

รายการเสียงที่มีให้

ตั้งค่า voice เป็นชื่อใดชื่อหนึ่งด้านล่าง (ตัวพิมพ์เล็ก) แต่ละเสียงมีคลิปตัวอย่างสั้น ๆ ของเราเอง และ GET /api/v1/audio/voices จะคืนรายการทั้งหมด (เพศ ช่วงอายุ สำเนียง สไตล์ และ URL ตัวอย่าง)

?lang= (en, zh-TW, zh-CN; ค่าเริ่มต้นตาม Accept-Language) กำหนดเฉพาะภาษาของ description ส่วน URL ตัวอย่างไม่เปลี่ยนตามพารามิเตอร์: preview_urls.en (เหมือน preview_url) คือคลิปภาษาอังกฤษ และ preview_urls.zh (เหมือน preview_url_zh) คือคลิปภาษาจีน

แท็กอารมณ์และท่าทาง (audio tags)

เขียนแท็กในวงเล็บเหลี่ยมไว้ใน input ได้โดยตรง เช่น [laughs], [whispers], [excited], [sighs], [crying], [curious] หรือ [softly] แท็กจะถูกส่งให้โมเดลตามที่พิมพ์ทุกประการ และกำหนดวิธีแสดงถ้อยคำที่ตามมา แม้ข้อความจะเป็นภาษาไทย ให้คงแท็กเป็นภาษาอังกฤษ

curl https://api.bazaarlink.ai/v1/audio/speech \
  -H "Authorization: Bearer $BAZAARLINK_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model":"elevenlabs/eleven-v3","input":"[laughs] That was actually funny. [whispers] Do not tell anyone.","voice":"george","response_format":"mp3"}' \
  --output audio-tags.mp3

รองรับโดย elevenlabs/eleven-v3 และกลุ่ม elevenlabs/eleven-v4 โมเดลเสียงอื่นไม่ตีความแท็กและอาจอ่านข้อความในวงเล็บออกเสียง ควรลองกับประโยคสั้น ๆ ก่อน

แท็กนับเป็นอักขระของ input และคิดเงินเหมือนข้อความส่วนอื่น

รูปแบบผลลัพธ์

หากไม่ใส่ response_format ค่าเริ่มต้นคือ mp3 (Content-Type audio/mpeg) และ pcm (audio/pcm, PCM 16 บิตดิบ) ก็ใช้ได้ API รับ opus, aac, flac และ wav แต่โมเดล ElevenLabs ปฏิเสธด้วย 400 ในขณะนี้ บันทึกไฟล์ตามส่วนหัว Content-Type ของการตอบกลับ

การคิดค่าบริการ

การสังเคราะห์เสียงคิดตามจำนวนอักขระอินพุต ราคาต่ออักขระอยู่ในหน้าโมเดลที่ /models และใน GET /v1/models ที่ pricing.character หน้าโมเดลแสดงราคาต่อล้านอักขระ

ตัวอย่าง

curl https://api.bazaarlink.ai/v1/audio/speech \
  -H "Authorization: Bearer $BAZAARLINK_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model":"elevenlabs/eleven-flash-v2.5","input":"Hello from BazaarLink.","voice":"george","response_format":"mp3"}' \
  --output speech.mp3

ข้อผิดพลาดที่พบบ่อย

ข้อมูลพารามิเตอร์ทั้งหมด: สังเคราะห์เสียงพูด

สังเคราะห์เสียงพูด

แปลงข้อความเป็นเสียงด้วยรหัสโมเดลจาก /v1/models?output_modalities=speech คิดราคาต่อล้านอักขระตามหน้าโมเดล ระบบจะบัฟเฟอร์เสียงทั้งหมดก่อนส่งคืนเป็นข้อมูลไบนารี ยังไม่รองรับการสตรีมทีละช่วง ฟิลด์ควบคุมการกำหนดเส้นทาง เช่น provider, transforms, route, service_tier และ preset จะถูกละเว้น

curl https://api.bazaarlink.ai/v1/audio/speech \
  -H "$BAZAARLINK_AUTH_HEADER" \
  -H "Content-Type: application/json" \
  -d '{"model":"<speech-model-id>","input":"Hello","voice":"alloy","response_format":"mp3"}' \
  --output speech.mp3

# Voice settings (elevenlabs/* models; the X-Voice-Settings response header says applied or ignored)
curl -D - https://api.bazaarlink.ai/v1/audio/speech \
  -H "$BAZAARLINK_AUTH_HEADER" \
  -H "Content-Type: application/json" \
  -d '{"model":"elevenlabs/eleven-v4","input":"Hello","voice":"george","stability":0.4,"similarity_boost":0.8,"style":0.2,"use_speaker_boost":true,"language_code":"en","audio_effects":{"distance":0.3}}' \
  --output speech.mp3