Hướng dẫn tạo giọng nói (TTS)

Hướng dẫn tạo giọng nói (TTS)

POST /v1/audio/speech tương thích OpenAI-compatible: gửi JSON và nhận tệp âm thanh dạng nhị phân. Dòng ElevenLabs gồm 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. Danh sách mới nhất tại GET /v1/models?output_modalities=speech. GET /v1/models mặc định chỉ trả về mô hình văn bản, hãy thêm ?output_modalities=speech (hoặc all) để liệt kê.

Tham số

Bảy thiết lập giọng nói ở trên đều là tùy chọn; không gửi thì không có gì thay đổi. Giá trị ngoài phạm vi trả về 400 và không được gửi cũng không bị tính phí. Header phản hồi X-Voice-Settings cho biết thiết lập của bạn có được dùng không: applied = đã dùng; ignored = một tuyến dự phòng đã phản hồi nên thiết lập không được dùng (âm thanh vẫn được tạo); không có header = bạn không gửi thiết lập giọng nói nào. Ví dụ: stability 0 đọc giàu biểu cảm hơn, stability 1 đều hơn.

Quy tắc giọng nói

Mô hình ElevenLabs (elevenlabs/…) nhận một trong các tên giọng sau (không phân biệt hoa thường): george, sarah, adam, alice, bella, bill, brian, callum, charlie, chris, daniel, eric, harry, jessica, laura, liam, lily, matilda, river, roger, will. Với mô hình ElevenLabs có thể bỏ voice (mặc định george). Giá trị khác trả 400 invalid_voice. Giọng nói tùy chỉnh của bạn (voice_…) được mô tả ở mục Giọng nói tùy chỉnh bên dưới.

Tên giọng OpenAI-style như alloy, echo hoặc nova chỉ dùng được với mô hình có liệt kê chúng. Xem trang mô hình để biết các giọng được hỗ trợ.

Giọng nói tùy chỉnh (nhân bản) đang được mở theo từng giai đoạn: xem mục Giọng nói tùy chỉnh bên dưới (POST /v1/voices). Cho đến khi được bật cho tài khoản của bạn, hãy dùng một trong 21 tên có sẵn ở trên hoặc một voice ID công khai.

Danh sách giọng có sẵn

Đặt voice thành một trong các tên bên dưới (chữ thường). Mỗi giọng có một đoạn nghe thử riêng của chúng tôi, và GET /api/v1/audio/voices trả về danh sách đầy đủ (giới tính, nhóm tuổi, giọng vùng, phong cách và URL nghe thử).

?lang= (en, zh-TW, zh-CN; mặc định theo Accept-Language) chỉ chọn ngôn ngữ của description. URL nghe thử không đổi theo tham số này: preview_urls.en (giống preview_url) là đoạn tiếng Anh, preview_urls.zh (giống preview_url_zh) là đoạn tiếng Trung.

Thẻ cảm xúc và hành động (audio tags)

Viết thẻ trong dấu ngoặc vuông ngay trong input, ví dụ [laughs], [whispers], [excited], [sighs], [crying], [curious] hoặc [softly]. Thẻ được gửi tới mô hình đúng như đã gõ và quyết định cách thể hiện những từ phía sau. Hãy giữ thẻ bằng tiếng Anh dù nội dung dùng ngôn ngữ khác.

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

Được hỗ trợ bởi elevenlabs/eleven-v3 và họ elevenlabs/eleven-v4. Các mô hình giọng nói khác không hiểu thẻ và có thể đọc to nội dung trong ngoặc, nên hãy thử một câu ngắn trước.

Thẻ được tính vào số ký tự của input và tính phí như phần văn bản còn lại.

Định dạng đầu ra

Nếu bỏ response_format, mặc định là mp3 (Content-Type audio/mpeg); pcm (audio/pcm, PCM 16-bit thô) cũng dùng được. API nhận opus, aac, flac và wav nhưng mô hình ElevenLabs hiện từ chối bằng 400. Hãy lưu tệp theo header Content-Type của phản hồi.

Tính phí

Tạo giọng nói được tính theo số ký tự đầu vào. Giá mỗi ký tự nằm trên trang mô hình ở /models và trong GET /v1/models dưới pricing.character. Trang mô hình hiển thị giá cho một triệu ký tự.

Ví dụ

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

Lỗi thường gặp

Tài liệu tham số đầy đủ: Tổng hợp giọng nói

Tổng hợp giọng nói

Chuyển văn bản thành âm thanh bằng mã mô hình từ /v1/models?output_modalities=speech. Tính phí theo giá mỗi triệu ký tự trên trang mô hình. Toàn bộ âm thanh được đệm xong rồi mới trả về dạng nhị phân; chưa hỗ trợ truyền theo từng đoạn. Các trường điều khiển định tuyến như provider, transforms, route, service_tier và preset sẽ bị bỏ qua.

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